Задача звучит просто: есть запись, нужен текст. На практике от выбора способа зависит, потратите вы на это три минуты или три часа. Ниже четыре рабочих варианта, от самого дешёвого по деньгам до самого дешёвого по времени, и инструкция для того, который подходит большинству.
Способ 1. Набрать вручную
Включить запись, поставить на паузу, набрать фразу, отмотать назад, разобрать невнятное место. Опытные расшифровщики называют коэффициент 3–4: час записи превращается в три-четыре часа работы. Ускорить можно замедлением воспроизведения и ножной педалью — у профессиональных транскрибаторов она действительно есть.
Когда это оправдано: запись критично важна и очень плохого качества — судебное заседание, интервью в шумном кафе, разговор с сильным акцентом. Человек разберёт то, где машина сдастся, и правильно расставит, кто что сказал.
Минус очевиден: это самая дорогая работа из четырёх, если считать своё время хотя бы по минимальной ставке.
Способ 2. Встроенные средства телефона и ноутбука
Голосовой ввод есть в клавиатуре любого смартфона, а в заметках и документах есть диктовка. Это бесплатно и на новых устройствах работает без интернета.
Загвоздка в том, что диктовка распознаёт речь в момент произнесения, а не готовый файл. Чтобы расшифровать существующую запись, приходится включать её на одном устройстве и держать рядом второе с открытой диктовкой. Микрофон слышит колонку, а не человека, и на десятиминутной записи ошибок набегает столько, что правка занимает больше времени, чем сама расшифровка.
Когда это оправдано: текст ещё не записан, и его можно сразу наговорить в клавиатуру. Тогда это лучший вариант — быстро и бесплатно.
Способ 3. Онлайн-сервисы транскрибации
Классический сценарий: зайти на сайт, загрузить файл, дождаться обработки, скачать текст. Хорошие сервисы делают больше — расставляют таймкоды, разделяют говорящих, дают редактор с синхронной подсветкой слов.
Плюсы: высокая точность и функции, которых нет больше нигде, — прежде всего таймкоды и метки спикеров.
Минусы: регистрация, загрузка файла на сторонний сервер, оплата картой и почти всегда сначала подписка, потом результат. Для одной записи на пять минут это заметный перебор по усилиям.
Когда это оправдано: регулярная работа с длинными многоголосыми записями, где нужны таймкоды и разделение спикеров.
Способ 4. Telegram-бот
Если запись уже в мессенджере — а голосовые и присланные файлы там и лежат, — переносить её куда-то нет смысла. Бот принимает файл сообщением и отвечает текстом: без регистрации, установки и загрузки на посторонние сайты.
VoiceKit работает именно так и принимает пять типов вложений: голосовые сообщения, аудиофайлы (mp3, m4a, ogg, wav), аудио, отправленное документом, видеокружки и видеофайлы — из видео берётся звуковая дорожка. Язык записи указывать не нужно: он определяется автоматически, и текст возвращается на языке оригинала.
Важное отличие от чистой транскрибации: в ответ приходит не сплошная стенограмма, а обработанный текст. Убраны запинки и слова-паразиты, расставлена пунктуация, есть заголовок, абзацы и списки, отдельно выделены задачи и договорённости, добавлены теги. Расшифровка остаётся сообщением в чате и находится поиском Telegram, а для длинной записи можно одной кнопкой получить саммари.
Минусы честно: нет таймкодов и нет разделения говорящих — в интервью на два голоса реплики придётся разделить при вычитке. И есть лимит Telegram: бот скачивает файлы до 20 МБ.
Пошаговая инструкция
- Откройте бота. Кнопка в начале и в конце статьи ведёт прямо в чат с VoiceKit.
- Отправьте запись. Прикрепите файл с телефона или компьютера, перешлите голосовое из другого чата или запишите новое прямо в боте.
- Подождите. Короткое голосовое обрабатывается за секунды, длинная запись — пропорционально дольше.
- Прочитайте результат. Заголовок, структурированный текст, задачи, теги. Текст копируется одним касанием.
- Вычитайте имена и термины. Это единственное место, где машинная расшифровка ошибается предсказуемо: фамилии, названия компаний, узкая терминология.
Как получить текст лучше
- Микрофон ближе к говорящему. Расстояние влияет на точность сильнее, чем модель устройства.
- Без фоновой музыки. Она мешает распознаванию заметно больше ровного шума вентиляции.
- Не перебивать друг друга. Наложенные голоса разбираются хуже всего.
- Делить длинное на части. Три записи по десять минут обрабатываются надёжнее одной получасовой и легче попадают в лимит по размеру.
- Отправлять звук, а не видео. При том же содержании звуковая дорожка весит в разы меньше.
Что выбрать
Короткая запись, которая уже лежит в мессенджере, — бот: быстрее всех и без подготовки. Длинное многоголосое интервью с таймкодами — онлайн-сервис. Текст, которого ещё нет, — диктовка на телефоне. Юридически значимая запись плохого качества — человек, и это тот случай, когда экономить не стоит.
Для большинства повседневных задач хватает первого варианта: голосовое от коллеги, диктофонная заметка, запись лекции с телефона. 30 минут в VoiceKit бесплатны на старт, тарифы и пакеты минут — по команде /subscribe в боте.
Подробнее про отдельные сценарии: перевод аудио в текст, текст из видео, расшифровка голосовых.