Транскрибация аудио в текст: как перевести запись в текст

Что такое транскрибация и кому она нужна

Транскрибация — это перевод речи из аудио или видео в письменный текст. Её заказывают журналисты после интервью, студенты после лекций, юристы и менеджеры после совещаний, подкастеры и авторы видео для статей и субтитров. Общая беда у всех одна: запись длинная, а нужно найти в ней пару цитат или составить протокол.

Поиск «транскрибация» и «расшифровка аудио в текст» вместе собирают десятки тысяч запросов в месяц. Причина простая: набирать запись руками долго. Час звука при ручной расшифровке обычно съедает несколько часов работы, потому что приходится останавливать, отматывать и перепечатывать.

Ниже — три способа, от самого медленного к самому гибкому, и что стоит сделать с записью до того, как вы её отправите.

Три способа расшифровать запись

Вручную. Открываете плеер и текстовый редактор, ставите паузы и печатаете. Подходит для короткого фрагмента в минуту-две, когда нужна нужно проверить каждое слово. На длинных записях утомляет и растягивается по времени.

Онлайн-сервис или приложение. Загружаете файл через сайт и получаете текст. Это самый частый путь для разовых задач. Обратите внимание на три вещи: какие языки понимает сервис, есть ли таймкоды, и куда уходит ваша запись. Если в ней что-то конфиденциальное, прочитайте политику обработки данных.

API. Если расшифровок много или они нужны внутри вашей программы, удобнее отправлять файлы кодом. Так делают для разбора звонков, для обработки записей из 1С, для публикации подкастов. Voisee даёт такой доступ на тарифе Pro: аудио и видео принимает адрес POST /api/v1/transcribe, а результат забирается по номеру задачи.

Есть и четвёртый путь, которым пользуются для коротких голосовых мыслей: диктовка с микрофона. Но это про другую задачу, не про готовые файлы.

Подготовка записи

От того, что вы отправляете на распознавание, зависит, сколько правок придётся внести потом. Несколько приёмов, которые работают независимо от сервиса:

1. Чистый звук. Спокойная речь в тихой комнате расшифровывается лучше всего. На быстрой разговорной речи и в шуме ошибок больше. Если есть выбор, поставьте микрофон ближе к говорящему.
2. Один формат, без лишних дорожек. Подойдёт обычный MP3, WAV или M4A. Видеофайл тоже можно отправить, звук из него возьмут сами.
3. Размер и длительность. Через API Voisee принимает файл до 500 МБ и до 3 часов. Если запись длиннее, разрежьте её на части в любом аудиоредакторе и отправляйте по очереди.
4. Язык записи. Быстрый режим понимает только русскую речь. Для английской речи и других языков есть многоязычный режим, он медленнее. Заранее знайте, на каком языке запись, и выбирайте режим сами.

Эти четыре пункта экономят больше времени, чем любая настройка после.

Как это выглядит через API

Для разработчика схема простая. Вы получаете API-ключ в кабинете, отправляете файл на POST /api/v1/transcribe и затем забираете результат по номеру задачи. Режим распознавания задаётся при отправке, так что быстрый русский и многоязычный можно выбирать под каждую запись.

В ответе можно получить один из нескольких видов результата:

• обычный текст с пунктуацией и заглавными буквами;
• сегменты с таймкодами, чтобы знать, в какой момент что сказано;
• JSON, если текст идёт дальше в вашу программу;
• файлы субтитров SRT или VTT.

Условия по лимитам такие: на тарифе Pro один API-ключ и до 100 запросов в сутки, входит 30 часов в месяц. Описание методов лежит на странице «Документация API». Если нужны примеры для 1С, Python или JavaScript, напишите в поддержку — сейчас подробная инструкция ещё готовится.

Для разового файла API избыточен. Но если расшифровок десятки, он окупается в первую неделю.

Что делать с результатом

Готовый текст не стоит публиковать без проверки. Распознавание ошибается, и это нормально для любого инструмента: омонимы, редкие фамилии, названия компаний, быстрая речь.

Как проверять без лишних усилий:

• пробегите текст глазами, сверяясь с записью только там, где фраза выглядит странно;
• повторяющиеся термины найдите поиском по тексту: если модель написала «GVT», а должно быть «JWT», замена в редакторе исправит все вхождения разом;
• таймкоды помогут быстро перейти к нужному месту в записи.

Для интервью и протоколов полезно сразу разбить текст на абзацы по темам и добавить заголовки. Для статьи из вебинара — вычитать и убрать слова-паразиты.

Что выбрать

Для одной короткой записи подойдёт любой онлайн-сервис, а при желании и ручной набор. Если расшифровок регулярно много, они идут в вашу систему или вам нужны таймкоды и субтитры, смотрите в сторону API. Voisee — один из вариантов: файлы до 3 часов, текст с пунктуацией, SRT и VTT, доступ на тарифе Pro за 690 рублей в месяц, а первая неделя Pro при регистрации бесплатна.

И честно про границы: видео по ссылке с YouTube или VK и перевод на другой язык у Voisee пока в планах, а не в продукте. Сегодня работает отправка файла.

Как оценить, окупается ли автоматическая расшифровка

Прикиньте простую арифметику. Сколько часов записей вы расшифровываете в месяц и сколько времени тратите на один час звука вручную? Затем добавьте время на вычитку после автоматической расшифровки: она заметно короче ручного набора, но не нулевая. Если разница в десятки часов, автоматизация оправдана почти при любой цене.

Ещё один вопрос — формат результата. Журналисту хватает обычного текста. Тому, кто делает субтитры, нужны SRT или VTT. Тому, кто потом ищет цитаты в записи, пригодятся сегменты с таймкодами. Выбирайте сервис, который отдаёт именно то, что нужно вам, а не просто «текст».

И последнее — конфиденциальность. Если запись содержит персональные данные, коммерческую тайну или чужие слова, сначала выясните, кто и где её обрабатывает. Это справедливо для любого сервиса, не только для Voisee.

Если вы диктуете свои мысли голосом, а не расшифровываете чужие записи, подойдёт отдельная статья про голосовой ввод на компьютере: там описана диктовка в любое окно по горячей клавише.

Типичные задачи и как к ним подойти

Интервью: перед расшифровкой запишите имена и названия, о которых шла речь. Потом по этому списку проверите написание в готовом тексте.

Лекция или вебинар: расшифровка получается длинной, поэтому сразу разбейте её на разделы по темам. Для навигации пригодятся таймкоды.

Совещание: нужен не дословный текст, а решения и задачи. Расшифруйте запись, затем выпишите из неё итоги отдельным коротким списком.

Подкаст: из текста получаются статья, посты и описание выпуска. Здесь особенно важно вычитать, потому что текст пойдёт к читателям.