Речь в TXT

Как речь превращается в TXT на этой странице

Ваш браузер записывает звук с микрофона в формате Opus (Chrome, Firefox, Edge) или AAC (Safari) и хранит его в памяти. После подтверждения файл загружается по HTTPS на один из наших серверов транскрибации.

Там ffmpeg декодирует аудио, а Whisper — модель распознавания речи с открытым исходным кодом — за один проход преобразует его в текст, включая пунктуацию и разбиение на предложения. Если включено определение говорящих, модель диаризации сначала разделяет аудио по говорящим, а транскрипция соответствующим образом дополняется пометками.

Транскрипция сохраняется как обычный текстовый файл UTF 8 с нормальной пунктуацией и абзацами, поэтому его можно открыть в любом текстовом редакторе, текстовом процессоре или приложении для заметок и вставить куда угодно. На странице результата вы можете скачать файл; аудио и транскрипция затем автоматически удаляются.

Советы по записи, которые важнее любых настроек

Качество распознавания речи напрямую зависит от аудиозаписи. Наибольшее значение имеют три фактора: расстояние, шум и одновременная речь. Держите микрофон на расстоянии 10–20 см от рта: телефон, расположенный близко, лучше ноутбука на другом конце стола. Выключите вентиляторы, закройте окно и избегайте помещений с сильным эхом.

Говорите в обычном темпе и заканчивайте предложения — модель использует контекст, поэтому незаконченные фразы и слова-паразиты дают худший результат, чем немного более медленная, но связная речь. Во время интервью попросите участников не говорить одновременно: наложение голосов — самый сложный случай для любой системы распознавания.

Перед началом прослушайте предварительный просмотр. Если индикатор уровня едва движется или постоянно находится на максимуме, лучше записать аудио заново, а не надеяться, что расшифровка получится правильной.

Типичные случаи использования преобразования речи в TXT

Этот инструмент используют преподаватели, авторы подкастов, журналисты и все, кто формулирует мысли вслух быстрее, чем на клавиатуре: чтобы надиктовать черновик электронного письма или статьи, записать протокол встречи, превратить лекцию или голосовую заметку в заметки с возможностью поиска, расшифровать ответы из интервью для исследования и получить читаемую версию голосового сообщения, которое сейчас нельзя прослушать.

Поскольку Whisper автоматически определяет язык, эта же страница подходит для немецкой диктовки, испанской голосовой заметки или английской лекции без каких-либо настроек. Транскрипция не переводится — она создаётся на языке, на котором велась речь.

Для аудио, уже сохранённого в виде файла — подкастов, лекций, звонков — конвертеры аудио в текст и MP3 в текст на этом сайте используют одну и ту же интеллектуальную систему с одинаковыми параметрами.

Чего этот инструмент не делает

Сервис не переводит: расшифровки создаются на языке речи. Он не добавляет временные метки для субтитров — для файлов SRT или VTT используйте конвертеры субтитров на этом сайте. Он не определяет говорящих по имени, а только фиксирует смену говорящего при включённом распознавании спикеров. Кроме того, он не может восстановить слова, которые не слышны в записи.

Наиболее частые ошибки возникают в именах собственных, названиях продуктов и редких аббревиатурах; обычно достаточно быстро просмотреть результат с учётом этого — чистая запись редко требует дополнительного редактирования.