Как извлечь текст из видео: 4 способа

Чтобы извлечь текст из видео, сначала решите, какой именно текст вам нужен. Если речь — расшифруйте звук: через субтитры площадки, транскрибатор с файлом или транскрибатор по ссылке. Если надписи на экране — поставьте видео на паузу и распознайте кадр, как обычную фотографию.

Я Писец, транскрибатор аудио и видео, и про звуковую часть знаю почти всё. Но здесь честно расскажу и про способ, которым сам не владею: текст со слайдов и титров я не читаю, я его слушаю. Если лектор молча показывает таблицу, нужен другой инструмент — покажу какой.

Ниже — четыре способа, что каждый отдаёт на выходе, сравнение в одной таблице и ответ на неудобный вопрос: можно ли вообще вытаскивать текст из чужого видео. Как сделать текст из видео именно с YouTube, по кнопкам, я уже разбирал отдельно. Здесь картина шире: любые ролики, любые площадки и любые файлы — от записи созвона до видео с телефона.

Какой текст вы хотите извлечь из видео: речь или надписи?

В видео живут два разных текста. Первый — речь: всё, что говорят люди в кадре и за кадром. Её достают распознаванием речи — через субтитры, транскрибатор файлом или по ссылке. Второй — надписи: слайды, титры, номер телефона на экране. Их распознают со стоп-кадра, как текст на фотографии. Инструменты у этих задач разные.

Это различие не я придумал. Консорциум W3C в руководстве по доступности видео разделяет два вида расшифровки: базовую — речь и важные звуки — и описательную, куда добавляют текстовое описание того, что видно на экране.

На практике это выглядит так:

• Только речь: вебинар, интервью, подкаст на видео, запись совещания, влог.
• Только надписи: презентация без озвучки, инструкция с титрами, реклама с адресом и телефоном.
• И то и другое: лекция со слайдами, обзор с таблицами, обучающий ролик с кодом на экране.

Определились — выбирайте способ. Первые три работают со звуком, четвёртый — с картинкой.

Способ 1. Готовые субтитры площадки

Самый быстрый и бесплатный путь — забрать текст, который площадка уже распознала за вас. На YouTube под описанием ролика есть кнопка показа текста видео. Справа открывается расшифровка с таймкодами, её можно выделить и скопировать. Где искать кнопку в разных версиях интерфейса, я показал в инструкции про YouTube в текст.

Минус в том, что это субтитры, а не текст. YouTube сам предупреждает в справке: автоматические субтитры создаёт машинное обучение, и качество у них бывает разным. Ошибки чаще всего появляются из-за произношения, акцента, диалекта и посторонних шумов. Площадка советует авторам проверять такие субтитры, но проверяют их далеко не все.

Второй минус — формат. Субтитры режут речь на строки по паре секунд. W3C в том же руководстве советует при переделке субтитров в расшифровку склеивать строки в абзацы: в их примере шесть строк превращаются в два абзаца. Руками это долго, а говорящих в субтитрах нет совсем.

Когда хватает: найти момент в ролике, забрать одну цитату, понять, о чём видео, до просмотра. Когда не хватает: интервью, где важно, кто что сказал, и любой текст, который дальше пойдёт в работу.

Способ 2. Как извлечь текст из видеофайла через транскрибатор?

Загрузите видеофайл в сервис транскрибации и укажите язык и число говорящих. Сервис сам достанет звук, распознает речь и вернёт текст с абзацами, знаками препинания и таймкодами. Это основной способ, если видео уже лежит у вас: запись созвона, вебинар, интервью, ролик с телефона.

Транскрибаторы сегодня работают на нейросетях, которые учили на огромных объёмах речи. Например, открытую модель Whisper обучали на 680 тысячах часов аудио. Авторы пишут, что она хорошо справляется с новыми записями без дополнительной настройки.

Как это выглядит у меня:

1. Откройте страницу расшифровки видео и выберите файл. Я понимаю MP4, MKV, MOV, AVI, FLV и WMV, так что конвертировать видео в аудио заранее не нужно.
2. Укажите, сколько человек говорит, — от одного до пяти. Для монолога блогера это один, для интервью — два.
3. Выберите язык: русский или английский.
4. Впишите почту и нажмите «Отправить».
5. Заберите файл Word в личном кабинете — ссылка на него придёт на почту.

В готовом тексте реплики подписаны, так что видно, кто что сказал, а у каждой реплики стоит таймкод. Первые 10 минут каждого файла я расшифровываю бесплатно, без карты и регистрации. Этого хватит, чтобы проверить качество на вашем видео, а не на чужой демонстрации.

Ограничения: файл до 6 часов и до 4 ГБ. Если запись тяжелее, резать её не обязательно — сохраните только звук: звуковая дорожка обычно весит намного меньше видео. На маке это делается в QuickTime, на любом компьютере — в бесплатном VLC, оба пути описаны в инструкции как извлечь звук из видео. Если дружите с командной строкой, в утилите FFmpeg видеопоток отбрасывает параметр -vn.

Способ 3. Можно ли извлечь текст из видео онлайн по ссылке?

Да, если ролик открывается без входа и пароля. Скопируйте адрес видео и вставьте его в поле ссылки транскрибатора. Сервис сам скачает файл, вытащит звук и пришлёт текст. На вашем диске ничего не остаётся, а результат тот же, что при загрузке файла.

У меня поле «Поделитесь ссылкой на ваш файл» стоит прямо на главной странице, рядом с кнопкой загрузки. Подходят ролики на YouTube, а также видео на Яндекс Диске и Google Диске с доступом по ссылке. Нужна ссылка на конкретное видео: адрес канала или плейлиста не сработает.

Где ссылка проигрывает файлу: закрытые курсы, видео «только для подписчиков», записи во внутренних системах компании. Туда я не войду, потому что у меня нет вашего пароля. Такое видео скачайте и загрузите файлом — как скачать видео почти с любого сайта, я расписал отдельно.

Оба способа — файлом и ссылкой — работают онлайн, прямо в браузере, ничего устанавливать не нужно. Какие ссылки подходят и что делать, если превью ролика так и не появилось, читайте в статье про расшифровку по ссылке.

Способ 4. Надписи в кадре: распознаём стоп-кадр

Если нужен не голос, а то, что написано на экране, расшифровка не поможет: транскрибатор слышит, но не видит. Здесь работает оптическое распознавание символов, OCR, — программа находит буквы на картинке и превращает их в текст. Хорошая новость: такая функция уже есть в телефоне и компьютере.

На айфоне

В iPhone встроен «Сканер текста». Apple описывает в руководстве, как он работает с видео: поставьте ролик на паузу на кадре с текстом, коснитесь значка распознавания, выделите текст и выберите «Скопировать», «Перевод» или «Выбрать все». Функция работает в «Фото», Safari и ещё нескольких приложениях. Её включают в настройках «Основные» → «Язык и регион», и доступна она не во всех регионах и не на всех языках.

На компьютере с Windows

То же умеет стандартное приложение «Ножницы». Сделайте снимок кадра и нажмите кнопку «Действия с текстом» — Microsoft прямо называет это функцией OCR. Дальше выделите нужный кусок или скопируйте весь текст.

На Android и любом другом устройстве

Подойдёт скриншот плюс Яндекс Картинки. В мобильной версии нажмите значок камеры в поисковой строке, загрузите снимок экрана и откройте вкладку «Текст» — так описано в справке Яндекса. Если вкладка не появилась, сервис не нашёл на картинке текст.

Совет: ставьте паузу на самом чётком кадре. Бегущие титры, размытые переходы и мелкий шрифт распознаются хуже. И не ждите чудес от длинного ролика с десятками слайдов: каждый кадр — отдельный снимок. Обычно хватает связки «речь — транскрибатором, ключевые слайды — скриншотами».

Законно ли вытаскивать текст из чужого видео?

Для себя — да. Гражданский кодекс разрешает воспроизводить обнародованное произведение исключительно в личных целях без согласия автора. А вот выложить чужую расшифровку целиком как свою статью без разрешения правообладателя нельзя. Цитировать отрывки можно — с именем автора и указанием источника, в объёме, оправданном целью.

Опора здесь — две статьи ГК РФ. Статья 1273 разрешает гражданину при необходимости и исключительно в личных целях воспроизводить правомерно обнародованное произведение — например, сделать текст из лекции для своего конспекта. Статья 1274 разрешает цитировать в научных, полемических, критических, информационных и учебных целях. Условия — указать автора и источник и не брать больше, чем нужно для цели.

Отдельный слой — правила площадки. В условиях использования YouTube сказано, что контент можно смотреть и слушать только в личных некоммерческих целях. Копировать и скачивать его нельзя без разрешения сервиса, правообладателя или закона. Так что со своими роликами и видео, где автор явно разрешил использование, вопросов нет, а чужие держите в рамках личных целей и цитат.

Это не юридическая консультация. Если собираетесь выпускать расшифровки чужих видео за деньги, спросите юриста. Со своими записями всё проще: записали созвон, вебинар или интервью — расшифровывайте. Файлы после расшифровки я удаляю и на них не обучаюсь.

Какой способ выбрать под вашу задачу?

Смотрите на две вещи: какой текст нужен и где лежит видео. Речь из своего файла — транскрибатор файлом. Речь из открытого ролика — транскрибатор по ссылке. Быстро понять содержание — субтитры. Надписи на экране — стоп-кадр и распознавание текста. Для лекции со слайдами сочетайте два способа.

Расшифровка — сырьё. Из неё дальше делают статью, протокол или конспект, но это отдельный шаг с нейросетью, а не функция транскрибатора. Готовые инструкции для такого шага я собрал в подборке промптов для обработки расшифровки.

Что в итоге

Извлечь текст из видео — это две разные задачи. Речь достают распознаванием звука, надписи — распознаванием кадра. Ни один инструмент не делает обе вещи сразу, поэтому для лекции со слайдами честнее взять два способа, чем мучить один.

Субтитры площадки бесплатны и быстры, но отдают сырьё: строки без абзацев и без говорящих. Для текста, который пойдёт в работу, нужен транскрибатор — файлом, если видео у вас, или по ссылке, если оно открыто в интернете.

И помните о правах: для себя расшифровывать можно что угодно, а публиковать чужое — только цитатами с указанием автора или с разрешения.

Часто задаваемые вопросы

Можно ли извлечь текст из видео бесплатно?

Да. Субтитры площадки и распознавание стоп-кадра на телефоне или в Windows ничего не стоят. В Писце первые 10 минут каждого файла расшифровываются бесплатно, без карты и регистрации. На бесплатном тарифе файл ждёт в очереди до 24 часов.

Чем субтитры отличаются от расшифровки?

Субтитры — короткие строки, привязанные ко времени, чтобы читать их поверх видео. Расшифровка — связный текст с абзацами, знаками препинания и подписями говорящих. Из субтитров можно собрать расшифровку, но строки придётся склеивать вручную.

Можно ли извлечь текст из видео на английском?

Да. Я расшифровываю русскую и английскую речь, язык выбирается перед отправкой. Выбирайте его честно: если поставить русский для английского ролика, текст получится бессмысленным.

Что делать, если видео больше 4 ГБ или длиннее 6 часов?

Если мешает размер, сохраните из видео только звук — он весит намного меньше, а для расшифровки картинка не нужна. Если запись длиннее 6 часов, разделите её на части и отправьте по очереди.

Будет ли в тексте видно, кто что сказал?

Да, если указать число говорящих — до пяти. Реплики будут подписаны, например «Спикер 1» и «Спикер 2», и у каждой будет таймкод. Настоящие имена удобно подставить в Word через поиск и замену.

Лучший способ понять, подойдёт ли вам транскрибатор, — проверить его на своём видео. Загрузите ролик или вставьте ссылку: первые 10 минут каждого файла я расшифрую бесплатно, без карты и регистрации, и через пару минут чтения станет ясно, подходит ли вам такой текст.