Какие форматы аудио бот переводит в текст
Аудио попадает в бота тремя путями, и обрабатывается одинаково:
- Голосовые сообщения. Записанные прямо в чате с ботом или пересланные из другой переписки.
- Аудиофайлы. mp3, m4a, wav, ogg, opus, flac, aac, webm, а ещё записи с диктофона телефона.
- Аудио, отправленное документом. Telegram иногда считает вложение файлом, а не музыкой. Бот всё равно найдёт в нём звук.
Ещё бот принимает видеокружки и видеозаписи: из них берётся звуковая дорожка, а заметка получается такая же, как из аудио.
Расшифровка остаётся сообщением в чате с ботом. Через месяц её можно найти обычным поиском Telegram по любому слову из разговора, а по самому аудио так искать нельзя.
Если файл тяжелее 20 МБ
Ограничение одно, и ставит его Telegram: боты скачивают файлы до 20 МБ. Влезет запись или нет, зависит не столько от длины, сколько от качества сжатия.
Час речи в моно при 32 кбит/с занимает около 14 МБ. Тот же час в mp3 на 128 кбит/с весит около 57 МБ. Для голоса высокий битрейт ничего не даёт, так что тяжёлый файл проще пережать в любом конвертере. Второй вариант: разрезать запись на части и прислать их по очереди. У видео отправляйте отдельно звуковую дорожку, она весит в разы меньше.
Язык записи указывать не нужно
Бот определяет язык по самому аудио и отдаёт текст на языке оригинала. Русское интервью останется русским, английский подкаст английским. Английские термины внутри русской фразы тоже остаются как прозвучали.
Что приходит вместо сырой стенограммы
Дословный поток без знаков препинания читать почти так же тяжело, как слушать запись. Поэтому после распознавания текст обрабатывается ещё раз, и вы получаете заметку:
- короткий заголовок, по которому понятно, о чём запись;
- текст без слов-паразитов и повторов, с пунктуацией, абзацами и списками;
- блок «Задачи», если в разговоре договорились что-то сделать. Исполнитель и срок появляются, только если их назвали вслух;
- блок «Решения», если что-то решили;
- 1–3 тега вроде #работа или #идеи, чтобы потом находить заметки по теме.
Если задач или решений в записи не было, пустых блоков в заметке не будет.
Кнопки под заметкой
Под каждой заметкой есть кнопка «Саммари»: она сжимает текст до 3–5 пунктов, а повторное нажатие минуты не тратит. Кнопка «Оригинал» показывает сырой текст распознавания без обработки, если нужно сверить формулировку.
Командой /prompt можно добавить до трёх своих обработок, например «оформи как протокол» или «сделай пост». Каждая появится отдельной кнопкой под заметкой.
Кто чаще всего переводит аудио в текст
- Студенты делают конспект лекции из записи на телефоне.
- Журналисты расшифровывают интервью и ищут нужные цитаты в тексте, а не в записи.
- Команды получают протокол созвона со списком задач вместо часового файла.
- Авторы наговаривают мысли на ходу и забирают черновик поста.
На старт даём 30 минут бесплатно. Где проходит граница бесплатного, разобрано на странице «Аудио в текст бесплатно», а как всё работает без установки, на странице «Аудио в текст онлайн».