Статья

Как перевести аудио в текст

Нейросеть расшифровывает речь быстрее, чем человек печатает, но результат зависит от записи и требует проверки. Разберём, как подготовить аудио, что портит точность, какие ошибки бывают и как проверить текст, прежде чем им пользоваться.

Обновлено 3 ноября 20266 мин чтения

Как это работает

Современная расшифровка опирается на нейросети, обученные на огромных массивах размеченных записей. Модель Whisper, на которой построена расшифровка в Фолене, её авторы описали в декабре 2022 года. Она обучена на 680 тысячах часов многоязычных и многозадачных данных и, по оценке самих авторов, на стандартных тестах приближается по точности и устойчивости к человеку, причём без дополнительной настройки под конкретный набор данных.

Это не значит, что ошибок нет. На плохой записи, с шумом и с людьми, которые перебивают друг друга, качество заметно падает, а у любой нейросети бывают сбои другого рода, о которых ниже.

Как получить текст из записи пошагово

  1. Подготовьте файл. Подойдут MP3, M4A, WAV, OGG, OPUS, FLAC и AAC, а также видео в форматах MP4, MOV, WebM и MKV: звук из видео достанет браузер.
  2. Откройте страницу «Аудио в текст». Для голосовых сообщений есть страница «Голосовое в текст», для роликов «Видео в текст».
  3. Выберите язык и, если знаете, сколько человек говорит. Тогда подписи «Говорящий 1», «Говорящий 2» получаются точнее.
  4. Отметьте согласие на обработку записи на сервере и нажмите «Расшифровать». Вкладку можно закрыть: результат будет доступен по ссылке.
  5. Прочитайте текст и прослушайте сомнительные места: у каждого абзаца есть метка времени.
  6. Исправьте имена, термины и числа, переименуйте говорящих и скачайте результат в Word, PDF, TXT, RTF или SRT.

Что подходит для разных задач

ЗадачаКак записатьНа что обратить внимание
Лекция в аудиторииСядьте ближе к лектору и положите телефон микрофоном к немуЭхо зала и шум аудитории: сложные места проверьте на слух
ИнтервьюПоставьте телефон между собеседниками на ровную поверхностьЗаранее выберите число говорящих, чтобы подписи получились точнее
Созвон или совещаниеЗапишите звук средствами программы для звонковПредупредите участников: записывать и расшифровывать можно только с их согласия
Голосовое сообщениеСохраните его как файлКороткие записи часто содержат оборванные фразы и слова-паразиты
ВидеороликЗагрузите видео целиком, звук достанется автоматическиДля субтитров скачайте результат в формате SRT

Что мешает точности

Что мешаетКак влияетЧто сделать
Шум и гулРечь тонет, слова пропускаются или подменяютсяЗаписывайте в тихом месте, выключите вентилятор и уведомления
Далёкий микрофон и эхоСлова размываютсяПоложите телефон ближе к говорящему, микрофоном к нему
Несколько человек говорят одновременноРеплики сливаются, часть слов теряетсяПросите не перебивать, а важные места проверьте на слух
Редкие имена, термины, названияПохожие по звучанию слова подставляются вместо нужныхСверьте имена и термины с записью
Быстрая речь, сильный акцент, вставки на другом языкеОшибок становится большеВыберите язык вручную и проверьте сомнительные места
Запись, которую много раз пересылалиКаждое сжатие с потерями стирает детали звукаБерите исходный файл, а не пересланную копию

Что сделать с записью до загрузки

  • Обрежьте длинную тишину и посторонние звуки в начале и в конце файла: это можно сделать в любом аудиоредакторе.
  • Если запись очень тихая, поднимите её громкость. Речь ровной громкости распознаётся лучше, чем едва слышный шёпот.
  • Не обрабатывайте запись сильным шумоподавлением без нужды: агрессивные фильтры иногда оставляют искажения, которые тоже мешают распознаванию.
  • Не пересохраняйте файл несколько раз в сжатых форматах, например MP3: каждый раз теряется часть деталей. Загружайте оригинал.

Какие ошибки делает нейросеть

Помимо пропущенных слов, нейросеть иногда добавляет то, чего в записи не было. В исследовании 2024 года, где Whisper проверяли на более чем 13 тысячах фрагментов записей, около 1 % расшифровок содержали целые придуманные фразы или предложения. Чаще это случалось у говорящих с длинными паузами между словами. В 38 % таких случаев придуманный текст нёс явный вред: описывал насилие, выдумывал ложные связи между людьми или подразумевал ложный авторитет говорящего.

Авторы работали с версией модели 2023 года, а разработчики с тех пор её улучшали, поэтому сегодняшние показатели могут быть ниже. Но вывод остаётся практическим: расшифровка это черновик. Для текстов, от которых зависят деньги, здоровье или юридические последствия, сверяйте результат с записью.

Как проверить расшифровку за десять минут

  1. Прочитайте текст целиком, не слушая запись. Фразы, которые не складываются по смыслу, скорее всего и есть места ошибок.
  2. Проверьте по записи все имена, фамилии, названия организаций, числа, даты и суммы: здесь ошибка обходится дороже всего.
  3. Послушайте места, где текст выглядит странно или обрывается. Метки времени подскажут, где искать.
  4. Найдите фразы, которых никто не произносил. Они чаще всего появляются там, где в записи была тишина или шум, и могут оказаться выдумкой модели.
  5. Проверьте подписи говорящих: в начале записи модель могла перепутать голоса, и ошибка тянется дальше.
  6. Только после этого пересылайте или публикуйте текст.

Как записать, чтобы текст получился чистым

  • Положите телефон на стол микрофоном к говорящему. Карман и сумка глушат звук и добавляют шорох.
  • Выключите звук уведомлений и вибрацию: звонки и сигналы попадают в запись и мешают распознаванию.
  • Для интервью сядьте напротив собеседника рядом с телефоном, а не через всю комнату.
  • Просите называть имена, фамилии и числа чётко. Потом их проще сверить.
  • Специальных настроек не нужно: M4A или MP3 из обычного диктофона подходят.
  • Перед длинной записью проверьте микрофон и сделайте тестовую запись на десять секунд.

Расшифровка и субтитры: в чём разница

Расшифровка рассчитана на чтение: текст разбит на абзацы, у каждого есть метка времени и подпись говорящего. Субтитры нужны для показа вместе с видео: это короткие строки, каждая со своим временем появления. Если вам нужны субтитры, скачайте результат в формате SRT. Если нужен текст для работы, берите Word или PDF.

Куда деваются записи и что делать с чужими голосами

Расшифровка в Фолене работает на сервере в России: запись передаётся туда, распознаётся и сразу удаляется, а готовый текст хранится сутки и удаляется автоматически, раньше его можно стереть кнопкой «Удалить с сервера». Голоса сравниваются только внутри одной записи, чтобы подписать реплики, а сведения о голосах не хранятся.

Если в записи звучат другие люди, получите их согласие на запись и расшифровку. Перед загрузкой вы подтверждаете, что вправе передать запись на обработку, и эта ответственность лежит на вас.

Длинные записи и формат результата

Длинную запись разделите на части и расшифровывайте по очереди. Актуальные ограничения на длительность и число записей указаны на странице инструмента.

ФорматДля чего подходит
Word (DOCX)Дописать конспект, выделить главное, сдать расшифровку
PDFЧитать с телефона и печатать
TXT и RTFЛюбые программы и старые версии текстовых редакторов
SRTСубтитры для видео: у каждой строки своё время появления

Источники

Под рукой

Инструменты для этой задачи

Вопросы и ответы

Частые вопросы

Как перевести голосовое сообщение из мессенджера в текст?

Сохраните голосовое сообщение как файл, обычно это делается через меню сообщения, загрузите его на страницу «Голосовое в текст» и нажмите «Расшифровать».

Насколько точна расшифровка?

Чистую речь одного человека нейросеть распознаёт с небольшим числом ошибок. Шум, перебивание, акцент и редкие имена увеличивают число ошибок, поэтому важные места нужно проверять по записи.

Можно ли получить субтитры к видео?

Да. Загрузите видео, а готовый текст скачайте в формате SRT: в нём у каждой строки есть время появления.

Как расшифровать интервью с двумя собеседниками?

Перед расшифровкой укажите, сколько человек говорит. Реплики будут подписаны «Говорящий 1» и «Говорящий 2», а подписи можно заменить на имена прямо в тексте, и они попадут в скачанный файл.

Сколько стоит расшифровка?

Сейчас расшифровка в Фолене бесплатна. Условия и ограничения указаны на странице инструмента.

Читайте также

Другие статьи