6 нейросетей для транскрибации аудио и видео

Нейросети для транскрибации помогают быстро превратить аудио- и видеозаписи в текст. Их используют для работы с интервью, подкастами, лекциями и записями созвонов: такие сервисы экономят время и упрощают создание контента.

В этой статье редакции «Маркетинг» Skillbox мы рассказали о базовых правилах работы с нейросетями для транскрибации. Также разобрали шесть русскоязычных онлайн-сервисов, работающих в браузере, — рассказали о поддерживаемых форматах, ценах и доступных функциях.

• Any2Text
• «Писец»
• Speech2Text
• Teamlogs
• Wonderscribe
• BotHub

Как выглядят базовые правила работы с ИИ для транскрибации

Все сервисы для транскрибации работают по схожей схеме: пользователь загружает аудио- или видеофайл, а нейросеть распознаёт речь и превращает её в текст. В итоге получается расшифровка с базовой пунктуацией, таймкодами и, в некоторых случаях, разделением по спикерам.

Вот о чём надо помнить, чтобы расшифровка не разочаровала.

Качество записи напрямую влияет на результат. Чем чище звук, тем точнее будет расшифровка. Лучше всего нейросети справляются с записями, где один спикер, нет фонового шума и речь звучит чётко.

Если в записи есть помехи, музыка, несколько говорящих одновременно или необычные акценты и формулировки, количество ошибок увеличивается. Также могут возникать проблемы, если запись слишком тихая или, наоборот, перегружена звуком.

Готовую расшифровку нужно проверять. Даже при хорошем качестве записи нейросеть может ошибаться — неправильно распознавать слова, путать термины или додумывать фразы. Поэтому расшифровку всегда стоит перечитывать перед дальнейшим использованием.

Читайте также:

Нейросети неидеальны. Разбираем 5 нюансов, которые точно нужно знать

Any2Text

Сервис Any2Text поддерживает более 100 форматов аудио- и видеофайлов для транскрибации. Среди них: MP4, MKV, FLV, AVI, MOV, WMV, M4A, MP3, OGG, AAC, WAV, FLAC, WMA. Также можно прислать ссылку на файл с «Яндекс Диска» или на видео на Rutube.

Дальше нужно указать язык расшифровки и переключить тумблер, если нужно разграничить речь спикеров и скачать не только расшифровку, но и субтитры. Количество человек на записи указывать не нужно: нейросеть определяет их самостоятельно.

Для тестирования сервиса необязательно регистрироваться и указывать свою почту. Но для пользования платными тарифами потребуется регистрация.

Как выглядит расшифровка. Сервис самостоятельно разбивает речь на реплики спикеров. Таймкодов нет. Внутри сервиса есть встроенный редактор — перед сохранением файла можно внести правки в транскрибацию. Готовый текст можно скачать в форматах TXT, DOCS, XSL и SRT.

Что входит в бесплатный тариф. В Any2Text первые 15 минут можно расшифровать бесплатно. При этом нельзя отправить на расшифровку сразу несколько файлов — нужно ждать, пока расшифруется один, и после этого загружать последующие. Сама транскрибация проходит быстро и без системы очередей.

Какие есть платные тарифы. У сервиса есть два формата оплаты: разовая оплата за файл и подписка с пакетом минут. Если пользоваться нейросетью без подписки, после истечения бесплатных 15 минут стоимость расшифровки рассчитывается за длительность файла — 3,5 рубля за минуту.

В базовом тарифе подписки за 460 рублей в месяц доступно 460 минут в месяц. В тарифе «Стандарт» за 2190 рублей — уже 3000 минут, а в «Расширенном» за 5190 рублей — 10 000 минут. Чем дороже пакет, тем дешевле минута.

Во всех платных тарифах доступны дополнительные функции: встроенный аудиоплеер, AI-шаблоны для работы с расшифровкой и автоматические переводы. Также поддерживается загрузка нескольких файлов одновременно.

«Писец»

Сервис «Писец» работает с аудио- и видеофайлами. Поддерживаются форматы WMA, MP4, MKV, FLV, OGG, AAC, WAV, AVI, MOV, WMV, M4A, MP3, FLAC. Также можно использовать ссылку на файл из открытых источников — например, с Rutube.

Перед отправкой записи нужно указать свою почту, язык и количество спикеров — максимум пять. Личный кабинет автоматически привязывается к электронной почте — на неё приходят расшифровки и оповещения о том, сколько бесплатных минут осталось.

Как выглядит расшифровка. Файл в формате DOCS приходит на почту — предварительно посмотреть его и внести правки нельзя. Сервис самостоятельно разбивает речь на реплики спикеров. Есть таймкоды.

Что входит в бесплатный тариф. Для транскрибации можно загружать файлы длительностью до десяти минут, но пока один файл расшифровывается, загрузить следующий нельзя. Скорость также ограничена: файлы обрабатываются в порядке живой очереди, поэтому время ожидания зависит от нагрузки сервиса и может доходить до 24 часов на один файл.

Какие есть платные тарифы. У сервиса есть пакеты транскрибации с поминутной тарификацией. Например, пакет на пять часов расшифровки стоит 1290 рублей, на 10 часов — 2100 рублей, на 15 часов — 2570 рублей. Чем больше пакет, тем ниже стоимость минуты.

В любой платной версии снимаются ограничения бесплатного тарифа. Можно загружать файлы длительностью до шести часов, обрабатывать несколько записей одновременно и получать результат быстрее, чем в бесплатной версии.

Также доступна поддержка и более высокая скорость работы: в среднем часовая запись с разбивкой на спикеров расшифровывается около часа, а без разбивки — пять минут.

Speech2Text

Сервис Speech2Text поддерживает разные форматы аудио и видео, среди них MP3, OGG, WMA. Также можно загрузить файл по ссылкам из открытых источников — например, из «VK Видео».

Уже после отправки файла, пока идёт расшифровка, можно указать язык и количество спикеров. Это необязательно, потому что и без этого нейросеть распознаёт их автоматически.

Рекомендуем зарегистрироваться на сервисе через почту (после загрузки или перед ней). Хоть на сайте и указано, что можно протестировать сервис без регистрации, в нашем случае ничего не получилось — после загрузки файла началась его бесконечная обработка, которая длилась примерно час. А вот после авторизации в личном кабинете сразу появилась нужная расшифровка.

Как выглядит расшифровка. Готовый текст можно сохранить как документ в формате DOCX, TXT, GDOC — или в формате субтитров SRT. Перед сохранением файла можно выбрать версию с таймкодами или без них. Также сервис самостоятельно разбивает речь на реплики спикеров.

Что входит в бесплатный тариф. На бесплатном тарифе после регистрации доступно 180 минут расшифровки — но можно расшифровывать не более 15 минут в день. Если лимит превышен, стоимость расшифровки составит 4 рубля за минуту.

При этом пользователю доступны все базовые функции сервиса: разделение на реплики спикеров, сохранение текста в формате DOCX и экспорт субтитров в SRT.

Какие есть платные тарифы. Тариф «Старт» даёт 6 часов распознавания за 500 рублей в месяц, «Начальный» — 12 часов за 820 рублей, «Стандартный» — по 3 часа в день за 2300 рублей в месяц и «Премиум» — по 6 часов в день за 4600 рублей в месяц.

Во всех платных тарифах доступен полный набор функций, а стоимость перерасхода пакета минут снижается до 1–2 рублей за минуту.

Teamlogs

Сервис Teamlogs принимает файлы MP3, MP4, M4A, OGG, WAV, FLAC, WMA, M4A, FLAC, AAC, WEBM. Загрузить файл по ссылке нельзя. Для получения расшифровки нужно зарегистрироваться в сервисе с помощью почты или аккаунта «ВКонтакте».

Как выглядит расшифровка. После обработки расшифровку можно открыть во встроенном редакторе или сразу скачать готовый файл — документом в формат DOCX, XLSX либо в формате субтитров SRT.

Редактор предлагает как функцию ручного редактирования, так и помощь встроенного ИИ — он может отредактировать текст, переформулировать или дополнить его. В редакторе также можно настроить вид расшифровки — например, убрать таймкоды и разделение по спикерам.

Что входит в бесплатный тариф. После регистрации у пользователя есть 15 бесплатных минут. При этом доступны все функции сервиса.

Какие есть платные тарифы. Оплата построена по модели покупки минут: пользователь сам выбирает объём, а цена за минуту зависит от их общего количества.

Стоимость начинается от 10 рублей за минуту при небольшом объёме — до 100 минут. Если увеличивать пакет, цена снижается: при покупке от 100 до 300 минут стоимость падает до 9 рублей за минуту, от 300 до 999 минут — 8 рублей за минуту, от 1000 до 5000 минут — 7 рублей за минуту, от 5000 до 10 000 — 6 рублей за минуту.

Wonderscribe

Сервис Wonderscribe позволяет переводить аудио и видео в текст и работает с большим количеством форматов — с MP3, WAV, M4A, AAC, FLAC, ALAC, AIFF, DSD, а также MP4, MOV, AVI, MPEG-4, WMV, 3GPP и другими.

Загрузить запись можно не только файлом, но и по ссылке — например, вставить ссылку на видео на YouTube.

Как выглядит расшифровка. После обработки пользователь получает текст во встроенном интерактивном редакторе. Редактор синхронизирован с записью — можно прослушивать аудио и сразу вносить правки в нужных местах. Готовую расшифровку можно экспортировать в разных форматах: поддерживаются DOCX, PDF, а также формат субтитров SRT.

Что входит в бесплатный тариф. После регистрации пользователю доступно 15 минут транскрибации на бесплатном тарифе «Старт». При этом доступны все функции сервиса: можно загрузить файл и получить результат уже через несколько минут, использовать автоматическое разделение по спикерам, а также экспортировать текст в разные форматы. Ещё в бесплатной версии можно получить краткое содержание записи — ИИ-саммари.

Какие есть платные тарифы. У сервиса Wonderscribe есть два платных тарифа: «Базовый» и «Профи». «Базовый» стоит 649 рублей в месяц и даёт 30 часов транскрибации на этот период. «Профи» обойдётся в 1449 рублей в месяц и даёт безлимитное количество минут. Во всех тарифах доступен одинаковый набор функций.

BotHub

Сервис BotHub — это платформа с разными ИИ-инструментами, среди которых есть функция транскрибации аудио. Воспользоваться пробной версией можно без регистрации.

Сервис принимает популярные форматы аудио и видео: MP3, MP4, MPEG, MPGA, M4A, WAV и WEBM. Есть ограничения по размеру: до 25 МБ для видео и до 15 МБ для аудио.

Как выглядит расшифровка. Работа с сервисом происходит в формате чата. Нужно выбрать функцию ИИ «Расшифровать аудио», загрузить файл и отправить его на обработку — после этого система автоматически распознает речь, расставит знаки препинания и вернёт готовый текст в этом же чате.

Текст доступен в интерфейсе сразу после обработки, без отдельного редактора или скачивания файла. Готовую расшифровку можно скопировать или предварительно отредактировать.

Что входит в бесплатный тариф. Бесплатный тариф даёт пакет внутренних условных единиц сервиса — 30 000 Caps. Ими можно оплатить разные действия: транскрибацию, генерацию текста и другие.

Какие есть платные тарифы. Платные пакеты начинаются от 2 000 000 Caps за 3 доллара, максимальный вариант даёт 35 000 000 Caps за 49 долларов.

При этом транскрибацию можно оплатить отдельно — в зависимости от выбранной ИИ-модели, которая будет расшифровывать запись. Модель попроще стоит около 0,003 доллара за минуту транскрибации, а более точная — около 0,008 доллара.