Транскрибировать видео в текст

Зачем нужна расшифровка

Перевести речь в текст имеет смысл всякий раз, когда сказанное нужно искать, цитировать, быстро просматривать или использовать повторно, а не переслушивать. Типичные задачи:

• Интервью и исследовательские созвоны, где нужны точные цитаты и примерное понимание, в какой момент они прозвучали.
• Лекции и вебинары — чтобы найти термин поиском по тексту, а не прокручивать час видео.
• Субтитры к видео для соцсетей, где большинство зрителей смотрят без звука.
• Записи встреч и выпуски подкастов, к которым нужны заметки или доступная текстовая версия.

Обычный текст — лучший вариант, если вы будете читать или редактировать слова. SRT или VTT выбирают, когда текст должен появляться на экране синхронно с видео.

Как здесь работает распознавание

Распознавание речи выполняется на наших серверах, а не в браузере. Движок — Whisper, речевая модель, которую OpenAI опубликовала в 2022 году и обучила примерно на 680 000 часов многоязычного аудио; запускается она через реализацию faster-whisper.

Что происходит с вашим файлом:

1. Файл загружается, и проверяется его длительность.
2. Детектор голосовой активности пропускает участки тишины и чистого фонового шума. Это ускоряет работу и не даёт модели придумывать слова в тихих местах.
3. Модель проходит по аудио короткими окнами и выдаёт текстовые сегменты со временем начала и конца. Пунктуацию и заглавные буквы она расставляет сама.
4. Сегменты записываются в выбранном формате: для TXT — по одному сегменту на строку, для SRT — пронумерованные реплики с таймкодами вида 00:01:02,500, для VTT — то же самое с таймкодами 00:01:02.500 под заголовком WEBVTT.
5. Загруженный медиафайл удаляется сразу после того, как результат записан. Папка задания с результатом удаляется автоматически примерно в течение часа.

Скорость обработки близка к реальному времени: 10-минутная запись обрабатывается около 10 минут.

Выбор языка и формата

В меню «Язык речи» есть «Автоопределение», а также английский, русский, украинский, польский, немецкий, французский, испанский, португальский, итальянский, турецкий, индонезийский, вьетнамский, японский и китайский.

Автоопределение слушает начало записи и выбирает наиболее вероятный язык. С одним чётко говорящим человеком оно надёжно. Задайте язык вручную, если:

• Запись начинается с музыки, джингла или тишины.
• У говорящих сильный акцент: английскую речь с акцентом автоопределение может принять за родной язык говорящего и расшифровать не на том языке.
• Русский и украинский или испанский и португальский перемешаны либо легко путаются.

Что касается формата, SRT — надёжный выбор по умолчанию для субтитров: его читают YouTube, видеоредакторы и десктопные плееры. Выбирайте VTT, если субтитры пойдут в HTML5-элемент <track> на сайте. TXT подходит для заметок, цитат и статей; текст также появляется на странице, готовый к копированию.

Если речь нужна на английском, а не на языке оригинала, используйте перевод видео: там работает тот же движок в режиме перевода.

Как получить более чистую расшифровку

Качество звука определяет большую часть результата.

• Свой микрофон у каждого говорящего лучше одного микрофона на всю комнату. Микрофон ноутбука в трёх метрах ловит эхо, а эхо — самая частая причина пропущенных или слипшихся слов.
• Фоновая музыка мешает. Речь поверх музыкальной подложки распознаётся заметно хуже, чем та же речь без неё. Если есть исходная запись, используйте её.
• Перебивания не разделяются. Когда два человека говорят одновременно, обычно побеждает один голос, а второй теряется. Кроме того, в результате не указано, кто говорит; добавьте имена спикеров при вычитке.
• Проверяйте имена, числа и профессиональные термины. Имена собственные, названия продуктов, аббревиатуры и цифры — места, где ошибки скапливаются. Перед публикацией поищите их в расшифровке.
• У быстро говорящих реплики субтитров будут длинными. Длина реплики следует естественным фразам; разбить их можно в редакторе субтитров.

Лимиты и как в них уложиться

Бесплатно можно сделать один запуск на сервере в день с одного устройства без аккаунта — для записей до 10 минут и файлов до 500 МБ. Premium снимает дневной лимит и принимает записи длительностью до 90 минут на файл.

Как уложиться в лимиты:

• Видео — это в основном картинка. 10-минутная запись экрана в 1080p может весить 300 МБ и больше, а её звуковая дорожка в MP3 — примерно от 10 до 15 МБ. Сначала извлеките звук и загрузите его: загрузка пройдёт быстрее, а расшифровка будет такой же.
• Длинные записи разрежьте на части по 10 или 90 минут и обработайте каждую. Режьте на паузе, а не посреди фразы, чтобы на стыке не потерялись слова.
• Принимаются видео MP4, MOV, MKV и WebM и аудио MP3, WAV, M4A, OGG и FLAC.