Транскрибация аудио в текст: что умеет нейросеть и где ошибается

Транскрибация аудио в текст — это расшифровка записи в письменный вид, и сегодня её делает нейросеть за минуты вместо часов ручной работы. Час записи обрабатывается примерно за пятнадцать минут машинного времени и стоит 20 кредитов, а точность на чистой речи держится около 95%. Но она резко падает там, где есть музыка, — и об этом честно ниже, с цифрами нашего замера.

Все подборки «нейросети для транскрибации» устроены одинаково: список сервисов и обещание «высокой точности». Ни в одной нет ответа на главный вопрос — сколько ошибок вы реально будете править руками. Мы взяли три записи, у которых текст известен до последнего слова, прогнали их через модель и посчитали ошибки. Дальше — эти цифры, инструкция и приёмы, которые повышают точность.

Слушать

Что такое транскрибация и кому она нужна

Транскрибация — это перевод звучащей речи в письменный текст. Термин пришёл из работы журналистов и исследователей, где интервью расшифровывали вручную: слушали кусок, ставили на паузу, печатали, отматывали назад. Соотношение известное — на час записи уходит четыре-шесть часов работы, потому что реальную речь приходится переслушивать по нескольку раз.

Кому это нужно чаще всего:

• журналистам и исследователям — интервью, фокус-группы, полевые записи;
• студентам и преподавателям — лекции и семинары в текст, чтобы искать по словам;
• подкастерам и видеоблогерам — расшифровка выпуска идёт в описание, субтитры и статью;
• юристам, врачам, бизнесу — записи встреч, консультаций, созвонов и переговоров;
• тем, кто разбирает голосовые сообщения, которые некогда или неудобно слушать;
• музыкантам — чтобы вытащить слова из собственной записи или разобрать, что именно спето.

Отдельный сценарий, о котором забывают: транскрибация нужна не только ради текста, но и ради поиска. По расшифровке часовой лекции вы за секунду найдёте нужную минуту, а по звуковому файлу — нет.

Стоит различать два похожих слова, которые часто путают. Транскрибация — это перевод речи в текст. Транскрипция в языковом смысле — запись произношения слова знаками (как в словаре). В обиходе оба слова используют вперемешку, и сервисы называются то так, то этак, но ищут обычно именно первое.

Ещё одно различие, важное на практике: расшифровка бывает дословной и смысловой. Дословная сохраняет всё — «эээ», повторы, оговорки, слова-паразиты; такая нужна в исследованиях и юридических записях. Смысловая убирает шум устной речи и оставляет содержание; именно её обычно и хотят, когда просят «расшифровать созвон». Нейросеть по умолчанию делает нечто среднее: междометия чаще всего отбрасывает, а оговорки и повторы оставляет как есть.

Как перевести аудио в текст: по шагам

В студии транскрибации Music Labs это три действия и одно ожидание.

1. 1Загрузите файл. Принимается и аудио, и видео — MP3, WAV, MP4 и другие обычные форматы, размером до 60 МБ. Час разговорного MP3 в стандартном качестве в этот лимит укладывается; если файл больше, его стоит разрезать или пережать.
2. 2Выберите язык. Есть автоматическое определение и семь языков явным выбором: русский, английский, украинский, немецкий, французский, испанский. Если запись точно на русском, лучше указать язык прямо — так модель не тратит попытку на угадывание и не сбивается на редких словах.
3. 3Запустите и подождите. Обработка идёт в фоне, вкладку можно закрыть. По нашим замерам запись обрабатывается в три-семь раз быстрее реального времени: 80 секунд речи — за 21 секунду.
4. 4Заберите результат. Текст можно скопировать одной кнопкой, а можно скачать файлом .txt — в нём тот же текст, но уже разбитый на фрагменты с таймкодами.

Под капотом работает Whisper large-v3 — открытая модель распознавания речи, ставшая отраслевым стандартом. Это важно понимать при сравнении сервисов: большинство сервисов транскрибации, в том числе из подборок в поиске, используют ту же самую модель. Отличаются они не качеством распознавания, а тем, что вокруг: лимиты, форматы, цена и удобство.

Наш замер: сколько ошибок делает нейросеть

Мы взяли три записи, для которых исходный текст известен точно, до последнего слова: две — синтезированная озвучка (то есть текст был написан до того, как прозвучал), одна — песня, спетая по заранее известному тексту. Считали не «ощущение качества», а стандартную метрику WER — долю слов, которые пришлось бы править: замены, пропуски и лишние вставки.

Что стоит за этими цифрами.

Короткий диалог — идеально. Ни одной ошибки на 67 слов, включая реплики разных голосов подряд и паузы между ними. Смены говорящего модель, правда, не размечает: реплики идут сплошным текстом, разделять их на роли придётся самому.

Речь диктора — 94,5%, и ошибки не там, где ждёшь. Слова распознаны почти все; больше половины расхождений — это пунктуация и границы предложений. Модель склеила «В доме пахло сухими травами, и старой бумагой так пахнет только там...», сдвинув запятую и изменив смысл фразы. Прямая речь оформлена то кавычками, то никак. А вот одна фраза — «будто кто-то задёрнул штору снаружи» — пропала целиком. Не исказилась, а просто исчезла из расшифровки, хотя в записи звучит.

Вот как это выглядит вживую — сверху то, что было записано, снизу то, что вернула модель:

Оригинал:  Анна села напротив. За окном стемнело так быстро,
           будто кто-то задёрнул штору снаружи.

Расшифровка: Анна села напротив. За окном стемнело так быстро.

Обратите внимание: получившееся предложение грамматически правильное и читается совершенно естественно. Именно поэтому пропуск невозможно поймать вычиткой «на глаз» — только сверкой с записью. Это, пожалуй, главное, что стоит вынести из нашего замера: ошибка нейросети выглядит не как ошибка, а как нормальный текст.

Песня — 52,2%, и это не поломка, а физика. Вокал, наложенный на инструменты, распознаётся вдвое хуже разговорной речи: половина строк выпала, «бас качает» превратилось в «бас качают». Если задача — вытащить слова из готового трека, рассчитывайте на черновик, который придётся дописывать на слух. Заметно лучше получается, если сначала отделить вокал от музыки и распознавать уже чистую вокальную дорожку.

Главный вывод из таблицы не про проценты, а про длину: 37 секунд — 100%, 80 секунд — уже потерянная фраза. Это не совпадение, и следующий раздел — про то, что с этим делать.

Почему длинную запись стоит резать на куски

Мы проверили догадку прямо на том же файле. Ту же 80-секундную запись разрезали на три куска по 28 секунд и прогнали каждый отдельно.

Потерянная фраза вернулась: в расшифровке третьего куска «стемнело так быстро, будто кто-то задёрнул штору снаружи» стоит на месте. То есть дело было не в записи — модель действительно пропустила фрагмент на длинном прогоне.

Но появилась цена этого приёма — стыки. Куски перекрывались по смыслу, и на границах возникли дубли и обрывки:

...В доме пахло сухим. | В доме пахло сухими травами, и старой бумагой...
...За окном стемнело так больно. | Стемнело так быстро, будто кто-то задёрнул штору...

Обрывок «стемнело так больно» — это половина фразы, попавшая на срез: модель услышала начало и достроила конец сама. Отсюда практические правила:

• Режьте по паузам, а не по секундомеру. Граница куска должна попадать в тишину между фразами, иначе разрезанное слово превратится в выдуманное.
• Делайте нахлёст в одну-две секунды и удаляйте повтор при склейке — это надёжнее, чем стык встык.
• Проверяйте именно стыки. Внутри куска текст обычно чистый, а вся правка собирается на границах.
• Не режьте слишком мелко. Чем короче фрагмент, тем меньше у модели контекста: на кусках по несколько секунд она начинает путать похожие по звучанию слова.

По времени приём почти бесплатный: три куска обработались за 33 секунды против 21 секунды у целого файла.

Что влияет на точность

По результатам замера и практики — в порядке значимости.

• Музыка и фоновый шум. Главный враг: он уронил точность с 94,5% до 52,2%. Речь на фоне кафе, улицы или музыки распознаётся заметно хуже, чем в тишине.
• Длина одного прогона. Чем длиннее файл, тем выше риск, что фраза выпадет целиком.
• Дикция и темп. Быстрая, невнятная или перебивающая друг друга речь даёт больше ошибок, чем ровное чтение.
• Несколько говорящих одновременно. Когда собеседники перебивают друг друга, модель склеивает их в один поток.
• Термины, имена и аббревиатуры. Редкое слово модель заменит на похожее по звучанию обычное — это ошибка, которую глазами найти труднее всего, потому что фраза выглядит гладко.
• Указание языка. Автоопределение на записях со смесью языков или с иностранными вкраплениями иногда выбирает не тот язык на весь файл.
• Качество записи. Диктофон в кармане, эхо пустой комнаты и микрофон ноутбука в метре от говорящего дают предсказуемо худший результат, чем петличка или гарнитура.

Полезное следствие: если запись предстоит расшифровывать, об этом стоит подумать до записи. Пять минут на выбор тихого места и нормального микрофона экономят полчаса вычитки.

Семь приёмов, которые повышают точность

Всё это вытекает из замера выше и стоит недорого — минуты работы против получаса вычитки.

1. 1Указывайте язык явно. Автоопределение экономит один клик, но на записи с иностранными вкраплениями может выбрать не тот язык на весь файл — и тогда правится не фраза, а вся расшифровка.
2. 2Режьте длинное на куски по паузам. 20–40 минут — рабочий размер для больших записей, а внутри проблемного места лучше спуститься до минуты.
3. 3Отделяйте вокал от музыки, если распознаёте песню. Разница между 52% и 95% — это разница между «переписать заново» и «поправить пару слов».
4. 4Убирайте тишину и мусор в начале. Долгая пауза, шорох микрофона и «раз-раз, проверка» в начале файла сбивают модель на старте — а именно начало она хуже всего восстанавливает.
5. 5Записывайте ближе к микрофону. Гарнитура или петличка дают прирост точности больший, чем любая настройка сервиса: модель не может распознать то, чего физически не слышно.
6. 6Составьте список терминов и имён заранее. После расшифровки пройдитесь по нему поиском: редкое слово модель заменяет похожим обычным, и такая подмена выглядит гладко.
7. 7Проверяйте по таймкодам, а не на слух. Скачанный .txt с метками превращает проверку сомнительного места из «переслушать всё» в «открыть 14:20».

Как расшифровать песню и вытащить слова

Отдельный случай, ради которого транскрибацию часто и открывают: нужно записать слова собственного или чужого трека. Прямой прогон даёт примерно половину текста — мы это измерили. Порядок действий, который работает лучше:

1. 1Разделите трек на дорожки. Инструмент разделения на стемы отдаёт вокал отдельно от музыки; подробности — в разборе, как убрать вокал из песни.
2. 2Отправьте на распознавание чистый вокал. Без инструментов модель работает в условиях, близких к обычной речи.
3. 3Разберите припевы отдельно. Повторяющиеся строки модель иногда «схлопывает», распознав их один раз, — проверьте, все ли повторы на месте.
4. 4Сверьте на слух спорные строки. Пение растягивает гласные и смещает ударения, поэтому даже на чистом вокале часть слов придётся дописать самому.

Полезно помнить и обратную сторону: то, что нейросеть плохо разбирает пение поверх музыки, — не дефект конкретного сервиса, а общее свойство технологии. Модели учили на речи, а не на вокале.

Транскрибация видео и субтитры

Видеофайл загружается так же, как аудио: звуковая дорожка извлекается автоматически, отдельно вытаскивать её не нужно. Формат на выходе тот же — текст плюс таймкоды.

Для субтитров это и есть основа: расшифровка с временными метками — черновик файла субтитров, который останется разбить на строки нужной длины и подогнать по времени. Расшифровка видео обычно нужна для трёх вещей: субтитры, описание ролика и статья на его основе — поисковые системы читают текст, а не звук.

Ограничение прежнее — 60 МБ. Видео весит больше аудио, поэтому длинный ролик проще заранее превратить в MP3: качество распознавания от этого не страдает, потому что модель всё равно работает только со звуком.

Сколько это стоит

Цена считается по длительности: 1 кредит за каждые начатые 3 минуты. Отсюда простая арифметика:

Стартовые 10 кредитов, которые начисляются за регистрацию, покрывают полчаса записи — этого достаточно, чтобы проверить качество на своём материале до того, как платить. Для сравнения: те же 10 кредитов — это три сгенерированные песни или чуть больше трёх тысяч символов озвучки.

Таймкоды и что делать с текстом дальше

Кнопка «Скачать .txt с таймкодами» отдаёт текст, разбитый на фрагменты с временными метками. Это нужнее, чем кажется:

• Проверять сомнительные места. Нашли странную фразу — по метке сразу открываете нужную секунду записи, а не ищете на слух.
• Цитировать. В расшифровке интервью метка — это ссылка на источник цитаты.
• Готовить субтитры и главы. Метки становятся таймкодами глав ролика или подкаста.

Дальше текст почти всегда требует вычитки, и правильный порядок действий такой: сначала прочитать целиком, отмечая места, где смысл «спотыкается»; потом сверить их с записью по таймкодам; и только потом наводить красоту — абзацы, заголовки, пунктуацию. Обратный порядок отнимает больше времени: вы вылизываете текст, который потом всё равно правится по смыслу.

Бесплатные способы: когда их хватает

Прежде чем платить, стоит знать, что часть задач закрывается тем, что уже под рукой.

• Расшифровка голосовых в мессенджерах. Многие мессенджеры переводят голосовое в текст встроенной кнопкой. Для коротких сообщений этого достаточно — но чужие файлы и записи с диска так не расшифруешь.
• Автосубтитры на видеоплатформах. Если ролик уже загружен, платформа сама сгенерирует субтитры, и их можно скачать. Минус — качество ниже, и работает только со своим загруженным видео.
• Голосовой ввод в текстовых редакторах. Подходит, чтобы надиктовать текст самому, но не годится для расшифровки готовой записи: придётся проигрывать её вслух в микрофон, теряя качество на каждом шаге.
• Локальный запуск Whisper. Модель открытая, её можно поставить себе — бесплатно и приватно. Цена вопроса — видеокарта и навыки работы с командной строкой; на процессоре час записи считается очень долго.

Вывод простой: для одного голосового сообщения платный сервис не нужен. Он начинает окупаться там, где записей много, они длинные, лежат файлами и нужны с таймкодами.

Конфиденциальность: что учесть перед загрузкой

Расшифровка почти всегда касается чужих слов — собеседника, пациента, клиента, спикера. Несколько практичных ориентиров:

• Любой облачный сервис — это передача файла третьей стороне. Для записей под соглашением о неразглашении, врачебной или адвокатской тайной это может быть неприемлемо; в таких случаях правильный путь — локальный запуск модели.
• Результат в Music Labs приватный: расшифровка попадает только в вашу библиотеку и не публикуется в общих разделах, в отличие от треков с включённым тумблером «Публичный».
• Предупреждайте собеседника о записи. Это не про технологию, а про этику и закон: расшифровка не отменяет необходимости получить согласие на саму запись.
• Удаляйте исходники, когда работа закончена. Файл на диске живёт дольше, чем задача, ради которой он записан.

Вручную, нейросетью или заказать расшифровку

На практике первый и третий варианты сегодня почти всегда начинаются с второго: исполнители сами прогоняют запись через модель, а потом вычитывают. Поэтому вопрос обычно не «нейросеть или человек», а «кто будет вычитывать» — и стоит ли за это платить, если правки займут двадцать минут.

Частые ошибки

• Отдавать в работу файл целиком на час. Чем длиннее прогон, тем выше шанс, что фраза выпадет незаметно. Режьте по смысловым кускам.
• Верить расшифровке без вычитки. Пропущенная фраза не подсвечивается — текст выглядит связным и там, где предложение исчезло.
• Оставлять автоопределение языка. Если язык известен, указывайте его: это дешёвая страховка от сбоя на всём файле.
• Расшифровывать музыку как речь. Для песни сначала отделите вокал — иначе половина строк потеряется.
• Резать по таймеру. Граница посреди слова порождает выдуманные слова, которых в записи не было.
• Игнорировать таймкоды. Без них проверка сомнительного места превращается в поиск на слух по всей записи.
• Экономить на качестве записи. Ни одна модель не вытащит слова из шума, в котором их не слышит человек.

FAQ