Как преобразовать аудио в текст: 4 способа и что выбрать

Преобразовать аудио в текст можно четырьмя способами: расшифровать вручную, надиктовать через встроенное распознавание речи в телефоне или в документах, загрузить файл в онлайн-сервис или прогнать его через нейросеть на своём компьютере. Если коротко: для одного короткого голосового хватит диктовки, для интервью, лекций и созвонов быстрее и дешевле всего онлайн-сервис, а вручную имеет смысл расшифровывать только то, где каждая запятая под подпись. Ниже разбираем каждый способ с плюсами, минусами и советами — чтобы вы выбрали свой и больше не переслушивали часовые записи.

Зачем переводить аудио в текст

Звук нельзя пролистать, по нему нельзя искать, его неудобно цитировать. Текст — можно. Представьте журналиста, который записал часовое интервью: искать в аудио нужную цитату — это переслушать половину записи, а в расшифровке — Ctrl+F и три секунды. То же самое со студентом и лекцией, с менеджером и созвоном, с редактором и подкастом.

Что даёт текстовая версия записи:

• поиск — любое слово находится мгновенно, даже в многочасовом файле;
• документ — расшифровка встречи или интервью становится протоколом, на который можно сослаться;
• анализ — текст легко разметить, разбить на темы, выделить цитаты;
• доступность — расшифровка открывает контент людям с нарушениями слуха и тем, кто не может включить звук.

Способ 1. Вручную: слушать и печатать

Классика. Наушники, запись, текстовый редактор — и вперёд. Так работают штатные расшифровщики в агентствах и фрилансеры, которых можно нанять на биржах.

Чтобы не сойти с ума, профессионалы используют специальные программы вроде Express Scribe или oTranscribe: там можно замедлить воспроизведение, перематывать горячими клавишами или ножной педалью, не отрывая рук от клавиатуры, и вставлять временные метки. Помогают и текстовые расширители — программы, которые разворачивают сокращение в часто повторяющуюся фразу или имя.

Советы тем, кто всё-таки решился:

1. Замедляйте воспроизведение — так проще уловить детали и не перематывать по десять раз.
2. Перед началом выпишите имена и термины из темы записи, чтобы не гадать на слух.
3. Расшифровывайте блоками по 10–15 минут и делайте перерывы: внимание на долгих записях падает быстрее, чем кажется.

Плюсы: максимальная точность, человек разберёт и шумную запись, и пятерых перебивающих друг друга спикеров, и сложный жаргон.

Минусы: на часовую запись уходит около 8 часов работы. Если это один созвон — терпимо. Если десять — ни на что другое времени не останется. Нанимать расшифровщика — дорого и небыстро; сравнение с автоматикой мы разбирали в статье онлайн-транскрибатор против фрилансера.

Способ 2. Диктовка: встроенное распознавание в телефоне и документах

Распознавание речи давно встроено в то, чем вы пользуетесь каждый день: голосовой ввод на клавиатуре телефона, диктовка в заметках и в текстовых редакторах, голосовой набор в онлайн-документах. Оно умеет превращать речь в текст в реальном времени — и этим можно воспользоваться для перевода аудио в текст.

Схема такая: включаете голосовой ввод, рядом запускаете запись на колонке или просто пересказываете её своими словами в микрофон — текст набирается сам. Второй вариант, «перенаговаривание», используют и профессиональные расшифровщики: слушаешь в наушниках, повторяешь вслух чётко и без шума, система печатает.

Плюсы: бесплатно, ничего не нужно устанавливать, для короткого голосового или заметки на пару минут — идеально.

Минусы:

• работает только в реальном времени: часовая запись займёт час вашего присутствия;
• не делит текст на спикеров и не ставит таймкоды — на выходе сплошной абзац;
• знаки препинания приходится проговаривать или расставлять руками;
• запись через колонку в микрофон теряет качество: шум, эхо, лишние слова.

Вывод: диктовка — это конвертер речи в текст для «здесь и сейчас», а не для готовых файлов.

Способ 3. Онлайн-сервис: загрузил файл — получил текст

Самый популярный способ перевести аудио в текст, и не зря: ничего не устанавливать, ничего не настраивать, файл любой длины обрабатывается без вашего участия. Такие сервисы ещё называют конвертерами аудио в текст или транскрибаторами, но суть одна — нейросеть на сервере распознаёт речь и присылает вам документ.

Как это выглядит в Писце:

1. Открываете страницу расшифровки и загружаете файл или вставляете ссылку на него. Форматы — MP3, WAV, M4A, FLAC, OGG, AAC, WMA, а также видео MP4, MKV, MOV, AVI, FLV, WMV; размер до 4 ГБ, длительность до 6 часов.
2. Выбираете количество говорящих — от одного до пяти.
3. Указываете почту.
4. Получаете расшифровку в формате Word: в личном кабинете и ссылкой на почту. Текст уже разбит на абзацы и спикеров, с таймкодами и знаками препинания — остаётся вычитать имена и термины.

Первые 10 минут каждого файла Писец расшифровывает бесплатно, без карты и регистрации — можно проверить качество на своей записи, прежде чем что-то покупать. На бесплатном тарифе файлы идут в порядке очереди, ожидание — до суток; на платных пакетах часовой файл готов примерно за 5 минут. Часы в пакетах не сгорают, подробности — на странице тарифов, а о том, как обходиться вообще без оплаты, — в статье как пользоваться Писцом бесплатно.

Зарубежные сервисы вроде Otter, Rev или Trint устроены так же, но у них есть практическая проблема для пользователя из России — оплата только зарубежной картой. Обзор того, что реально работает, мы собрали в подборке сервисов транскрибации.

Плюсы: минуты вместо часов, деление на спикеров, таймкоды, пунктуация, любая длина файла, есть бесплатный режим.

Минусы: редкие имена и термины нужно вычитать; за большие объёмы придётся заплатить; файл уходит на сервер — проверяйте, что сервис его удаляет (Писец удаляет файлы после расшифровки и не обучает на них модели).

Способ 4. Нейросеть или программа на компьютере

Модели распознавания речи можно запустить и локально: есть открытые нейросети, которые скачиваются на компьютер и расшифровывают файлы без интернета. Этим путём идут разработчики и те, кому принципиально, чтобы запись не покидала машину.

Плюсы: данные никуда не отправляются, за расшифровку не платишь, можно встроить в свои скрипты и обрабатывать файлы пачками.

Минусы:

• нужна установка и настройка — через командную строку, с зависимостями и обновлениями;
• на обычном ноутбуке без мощной видеокарты часовой файл обрабатывается долго, иногда дольше самой записи;
• «из коробки» нет деления на спикеров и оформления: на выходе сырой текст, который ещё нужно разбить на абзацы;
• качество на русском сильно зависит от выбранной модели и её размера.

Если интересно, как устроены такие модели и когда их стоит выбирать вместо сервиса, читайте материал нейросеть для транскрибации.

Что выбрать: сравнение четырёх способов

Простое правило: голосовое на две минуты — диктовка или бесплатные 10 минут в онлайн-сервисе; всё, что длиннее и где больше одного говорящего, — онлайн-сервис; дословная расшифровка с юридическими последствиями — сервис плюс ручная вычитка. Сколько времени занимает каждый вариант на практике, мы считали в статье сколько времени занимает транскрибация.

Как подготовить запись, чтобы текст получился точнее

Какой бы способ вы ни выбрали, точность зависит от исходника больше, чем от инструмента. Несколько правил, которые экономят часы на вычитке.

1. Пишите в тихом месте. Закройте окна и двери, выключите кондиционер и чайник. Помещение с коврами и шторами даёт меньше эха, чем пустая переговорка.
2. Микрофон ближе к говорящему. Встроенный микрофон ноутбука на другом конце стола — главный источник каши. Петличка, гарнитура или телефон рядом со спикером решают половину проблем.
3. Не перебивайте. Два голоса одновременно не разберёт ни человек, ни нейросеть. На интервью договоритесь об этом заранее.
4. Сделайте тестовую запись. Полминуты перед началом, чтобы проверить громкость и убедиться, что запись вообще идёт.
5. Формат. WAV и FLAC хранят звук без сжатия, MP3 и AAC — сжатый, но для распознавания речи его обычно достаточно. Важнее не формат, а чтобы запись не была пережата до «телефонного» качества.

После расшифровки вычитайте текст: проверьте имена, цифры, термины и места, где спикеры говорили одновременно. В Писце для этого есть таймкоды — нашёл метку, переслушал нужные десять секунд, поправил. Это и есть разница между «текстом на экране» и расшифровкой, которую можно отправлять.

Коротко

• Четыре способа преобразовать аудио в текст: вручную, диктовкой через встроенное распознавание, онлайн-сервисом и нейросетью на своём компьютере.
• Вручную — точно, но около 8 часов на час записи. Диктовка — бесплатно, но только в реальном времени и без спикеров.
• Онлайн-сервис — минуты, деление на спикеров, таймкоды и пунктуация. В Писце первые 10 минут каждого файла бесплатно, без карты и регистрации.
• Локальная нейросеть подходит разработчикам и для конфиденциальных архивов, но требует настройки и мощного компьютера.
• Точность решает запись: тихое место, микрофон у спикера, никто не перебивает. Потом — вычитка по таймкодам.