Транскрипция аудио
Как получить текст из аудиозаписи
Здесь можно перевести запись с диктофона в текст онлайн: загрузить аудио или видео с речью, выбрать язык и получить расшифровку в TXT или DOCX. Для интервью доступны метки говорящих и приблизительное время реплик; для текста на другом языке — перевод вместе с распознаванием.
Стоимость: Бесплатно в пределах доступного лимита. Подробнее об ограничениях — в руководстве ниже.
Как расшифровать аудио или видео
Добавьте запись
Нажмите Загрузите аудиофайл для транскрипции или перетащите файл в область предпросмотра. За один запуск обрабатывается одна запись размером до 200 MiB. Через Файлы можно выбрать совместимую загрузку или результат другого инструмента из общего файлового менеджера.
Выберите модель
В панели AI-модель по умолчанию установлена Gemini 3.5 Flash Lite · fast. Ниже разобраны все три варианта, включая Experimental для записи до 30 секунд.
Укажите язык
Оставьте Язык аудио на Автоопределение или выберите язык речи. Настройку Перевести на (необязательно) меняйте, если нужен текст на другом языке.
Настройте подробности
В панели Transcript detail включите Включить временные метки, Определить разных говорящих или оба переключателя. Они помогают ориентироваться в интервью, совещании или разговоре.
Запустите обработку и сохраните текст
Нажмите Расшифровка аудио и дождитесь результата в открытой вкладке. Под заголовком Транскрибируемый текст появится расшифровка. Доступны Копировать в буфер обмена, Загрузить в формате TXT и DOCX.
Настройки языка, перевода и разметки
- AI-модель
- По умолчанию выбрана Gemini 3.5 Flash Lite · fast. Gemini 3.6 Flash · advanced — другая модель Google. Обе выполняют инструкции о переводе, времени и говорящих. Experimental использует распознавание речи GLM-ASR от Z.ai для коротких записей до 30 секунд.
- Язык аудио
- Начальное значение — Автоопределение. В списке есть Английский язык, Испанский, Французский, Немецкий, Итальянский, Португальский, Русский, Японский, Китайский, Арабский язык. Явный выбор даёт модели подсказку для короткой записи, акцента или речи с иностранными словами. Для языка, которого нет в списке, оставьте автоопределение.
- Перевести на (необязательно)
- По умолчанию стоит Нет перевода (исходный язык). Для перевода доступны все десять языков из списка выше, а также хинди, Корейский, Голландский язык, Польский и Турецкий. Распознавание и перевод выполняются за один запрос: результат содержит только перевод, с метками говорящих при включённой разметке. Чтобы получить исходную и переведённую версии, выполните два запуска с разными настройками.
- Включить временные метки
- Изначально выключено. Метки вида
[00:01:23]обозначают часы, минуты и секунды и появляются через интервалы на новых строках. Их составляет модель, поэтому они подходят для поиска фрагмента, но не обеспечивают точную синхронизацию. Для файлов субтитров используйте субтитры из видео. Без меток получится обычный текст с абзацами. - Определить разных говорящих
- Изначально выключено. Реплики получают обозначения
Speaker 1:,Speaker 2:и далее; смена говорящего начинается с новой строки. Вместе со временем строка выглядит так:[00:04:10] Speaker 2: …. Различение идёт по голосу: до распознавания аудио сводится в один канал, поэтому раздельные стереоканалы сами по себе не сохраняют привязку к людям. Номерные обозначения можно заменить именами через поиск и замену в текстовом редакторе.
Как выбрать модель распознавания
Для записи используется вариант, выбранный в AI-модель.
Gemini 3.5 Flash Lite · fast
Начальный вариант для чёткой речи: голосовой заметки, лекции, записи одного человека. Подходит и для длинных файлов с учётом ограничений размера и текстового ответа.
Gemini 3.6 Flash · advanced
Можно выбрать для сложного материала: людей, говорящих одновременно, сильного акцента или специальных терминов. После распознавания всё равно проверьте имена, числа и спорные места по записи.
Experimental: не более 30 секунд
Вариант Z.ai GLM-ASR предназначен для коротких фрагментов речи. Для перевода, временных меток и обозначений говорящих выберите Gemini. Если нужна только расшифровка короткой голосовой заметки, можно использовать Experimental.
Как подготавливается запись и от чего зависит текст
Перед распознаванием FFmpeg на сервере берёт первую аудиодорожку и подготавливает монофоническое аудио с частотой 16 кГц. Для моделей Gemini используется FLAC. Кадры видео, обложка и метаданные не передаются модели. Подготовленная аудиокопия отправляется выбранному сервису ИИ и после запроса удаляется с нашего сервера.
Такую подготовку проходит любой входной файл. MP3 или M4A могут занимать меньше места, чем стереофонический WAV, однако предварительное сжатие с потерями меняет запись. Одинаковая расшифровка после такого сжатия не гарантируется: перед загрузкой проверьте, что речь осталась разборчивой.
При лимите 200 MiB несжатый WAV с параметрами 44,1 кГц, 16 бит и стерео вмещает примерно 19–20 минут: он занимает около 10,1 MiB в минуту. MP3 с битрейтом 128 кбит/с занимает около 0,92 MiB в минуту, что соответствует примерно 3,6 часа. Это расчёт объёма файла; длительность обработки и размер ответа модели остаются отдельными ограничениями.
Форматы, ограничения и хранение
- Входные форматы
- Аудио: MP3, WAV, FLAC, M4A, AAC, OGG/OGA, Opus, WebM. Видео: MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG, OGV. Нужна аудиодорожка с речью.
- Результат
- Текст на странице, TXT в UTF-8 и DOCX.
- Размер файла
- До 200 MiB на загрузку — 209 715 200 байт.
- Длительность записи
- Experimental: до 30 секунд; подготовленное аудио — до 25 MiB. Для Gemini фиксированного ограничения длительности нет, но задание должно завершиться за 60 минут, а длинный текст может достичь предела ответа модели.
- Файлов за запуск
- Один.
- Обработка
- На сервере: подготовка аудио, затем распознавание моделью. Максимальное время задания — 60 минут.
- Внешние службы ИИ
- Варианты Gemini отправляют подготовленное аудио моделям Google через Gemini API или OpenRouter. Experimental отправляет его в API Z.ai GLM-ASR.
- Ограничения использования
- Действуют дневные лимиты. При достижении лимита инструмент сообщает об этом.
- Водяной знак
- Не добавляется.
- Хранение
- Серверные загрузки и DOCX удаляются автоматически через 48 часов для гостей и через 30 дней для бесплатных аккаунтов. Платные планы могут хранить файлы дольше.
Частые вопросы
Можно получить текст из видео?
Да: подходят MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG и OGV со звуком. Распознаётся первая аудиодорожка. Если нужный язык записан на другой дорожке, предварительно экспортируйте именно её в видеоредакторе. Для видео без аудиодорожки распознавание речи недоступно.
Передаётся ли моя запись внешнему ИИ-сервису?
Да, передаётся подготовленная монофоническая аудиокопия 16 кГц. Для Gemini используются Google Gemini API или OpenRouter, для Experimental — Z.ai. Изображение и метаданные исходного файла не отправляются. На нашем сервере загрузка и DOCX хранятся 48 часов для гостей или 30 дней для бесплатного аккаунта; эти сроки не описывают политику внешнего поставщика.
Почему расшифровка заканчивается раньше записи?
У модели ограничен объём текста в одном ответе. Если этот предел достигнут, над результатом появляется предупреждение об обрезанной расшифровке. Для длинного материала используйте разделение аудио: скачайте ZIP, извлеките фрагменты и распознавайте каждый отдельно.
Что означает «Из этого аудио невозможно расшифровать текст»?
Модель не вернула текст. Такое возможно при тишине, музыке или шуме без различимой речи, а также при слишком тихом голосе. Прослушайте запись и проверьте, что речь слышна. Если она есть, выберите её язык в Язык аудио и повторите распознавание.
Что делать с файлом больше 200 MiB?
Экспорт в MP3 или M4A может уменьшить размер большого WAV. Предварительное сжатие с потерями способно повлиять на распознавание, поэтому проверьте разборчивость речи. Для большого видео сжатие видео допускает более крупную загрузку. Сохраните в нём аудиодорожку, затем выберите уменьшенный результат здесь через Файлы.
Насколько точна расшифровка?
Результат зависит от записи: близкий к микрофону голос проще различить, чем речь с эхом, фоновой музыкой или одновременными репликами. В первую очередь сверяйте имена, числа и специальные термины. Модель может пропустить слова-паразиты или незаконченные фразы, поэтому текст не следует считать гарантированно дословной стенограммой.