Расшифровка аудио в текст нейросетью: голосовые, созвоны, видео

Часовой созвон обычно заканчивается фразой «я потом всё запишу». Потом не наступает, и через неделю никто не помнит, кто что обещал. Расшифровка аудио в текст нейросетью закрывает эту дыру за несколько минут, но только если понимать, что распознавание речи и обработка текста – две разные задачи. Ниже разберём обе: где получить расшифровку бесплатно, как поставить Whisper на свой компьютер и как превратить сырой текст в протокол, конспект или пост.

Как работает расшифровка аудио в текст нейросетью

Транскрибация – это перевод речи в текст. Модель распознавания слушает запись и выдаёт сплошной поток слов: без абзацев, часто без знаков препинания, со всеми «эээ», повторами и оборванными фразами. Читать такое тяжело, но вся информация в нём уже есть.

Второй шаг делает языковая модель вроде ChatGPT или Claude. Она не слышит запись, она работает с готовым текстом: расставляет абзацы, убирает слова-паразиты, делит на темы, вытаскивает задачи и сроки. Если смешать эти шаги в голове, легко разочароваться: «нейросеть плохо расшифровала», хотя на деле плохо распознался звук, а исправлять его промптами бесполезно.

Где сделать транскрибацию бесплатно

Выбор зависит от того, что у вас на руках: голосовое в мессенджере, ролик по ссылке или файл с записью созвона.

Перевести голосовое в текст

В Telegram у голосового сообщения есть значок расшифровки. С подпиской Premium функция без ограничений, у бесплатных аккаунтов есть небольшой лимит в неделю: по данным Telegram на момент запуска это две расшифровки, но число может меняться. Для длинных голосовых, которые приходят каждый день, проще сохранить файл и прогнать его через Whisper.

Расшифровка видео в текст по ссылке

Для роликов на YouTube сторонний сервис часто не нужен. Откройте описание видео, нажмите «Показать текст видео», и справа появится расшифровка с таймкодами. Её можно выделить и скопировать в нейросеть. Если субтитров у ролика нет или он лежит в другом месте, скачивать чужое видео ради текста не стоит: расшифровывайте только свои записи или те, на которые у вас есть права.

Whisper: что это и почему стоит поставить его к себе

Whisper – модель распознавания речи, которую OpenAI выложила в открытый доступ: код и веса распространяются под лицензией MIT. Она понимает русский, умеет ставить таймкоды и переводить речь на английский. Для работы важнее другое: запись никуда не уходит, всё считается на вашем компьютере, лимитов по минутам нет. Интернет нужен только один раз, чтобы скачать модель, дальше расшифровка работает офлайн.

Поставить Whisper можно двумя способами. Через программу Buzz – это обычное окно с кнопками, подходит почти всем. Через командную строку – чуть сложнее, зато удобно обрабатывать десятки файлов разом. Сначала разберёмся с моделью, потому что выбирать её придётся в обоих случаях.

Какую модель выбрать

У Whisper шесть размеров модели. Чем больше модель, тем точнее она слышит редкие слова и тем медленнее работает. Ниже данные из официального описания Whisper: память указана для видеокарты, а скорость – относительно самой большой модели.

Две оговорки. Модели с окончанием .en (например, small.en) понимают только английский, для русской речи их не берите. А turbo не умеет переводить: если нужен перевод на английский, выбирайте medium или large. Без видеокарты Whisper тоже работает, просто на процессоре всё идёт в разы дольше, поэтому на обычном ноутбуке начните с small.

Способ 1. Buzz – Whisper в обычном окне

Buzz – бесплатная программа с открытым кодом (лицензия MIT), внутри которой работает Whisper. Она расшифровывает аудио- и видеофайлы, записывает речь с микрофона в реальном времени и сохраняет результат в TXT, SRT или VTT. Есть версии для Windows, macOS и Linux.

1. Скачайте установщикСсылки на загрузку есть на официальной странице проекта на GitHub (chidiwilliams/buzz), сами файлы лежат на SourceForge. Для Windows нужен файл .exe, для Mac – .dmg. Скачивайте программу только оттуда, а не со сборников софта. Если берёте сборку для Windows прямо со страницы релизов на GitHub, там лежат три файла (.exe и два .bin): скачайте все три в одну папку и запустите .exe.
2. Установите программуНа Windows установщик не подписан цифровой подписью, поэтому система покажет предупреждение. Нажмите «Подробнее», затем «Выполнить в любом случае». На Mac перетащите Buzz в папку «Программы». Свежие версии для Mac работают только на компьютерах с процессором Apple (M1 и новее), на Mac с Intel последней поддерживаемой версией была 1.4.5.
3. LinuxУдобнее всего поставить через Flathub командой flatpak install flathub io.github.chidiwilliams.Buzz, также есть Snap и AppImage.
4. Откройте файлМеню File → Import Media File, кнопка «+» на панели или сочетание Ctrl+O (на Mac – Cmd+O). Выберите аудио или видео с записью.
5. Настройте расшифровкуЗадача – Transcribe (расшифровка), язык – Russian, модель – small или turbo для начала. Язык лучше указать вручную: автоопределение иногда срабатывает неожиданно. При первом запуске выбранная модель скачается из интернета, это займёт несколько минут.
6. Добавьте подсказку для имёнВ разделе «Advanced…» есть поле Initial prompt. Впишите туда имена участников, названия товаров и термины через запятую, и модель реже будет записывать их «на слух».
7. Выберите формат и запуститеВ Export As выберите TXT, если нужен просто текст, или SRT/VTT, если нужны субтитры с таймкодами. Нажмите Run.
8. Заберите результатКогда в строке появится статус Completed, дважды щёлкните по ней: откроется расшифровка с поиском и плеером. Оттуда текст можно скопировать или сохранить файлом.

Если запись шумная, включите опцию Extract speech: перед расшифровкой программа отделит голос от фона. Работает дольше, зато меньше «слов из шума». Ещё у Buzz есть определение говорящих и папка, за которой программа следит и сама расшифровывает новые файлы. Удобно, если созвоны сохраняются в одно место.

Способ 2. Whisper через командную строку

Этот вариант для тех, кто не боится терминала или хочет расшифровывать пачки файлов одной командой. Понадобятся три вещи: Python, программа ffmpeg для чтения аудио и сам Whisper.

1. Поставьте PythonСоздатели Whisper указывают совместимость с версиями 3.8–3.11, поэтому надёжнее взять 3.11 с python.org. На Windows в первом окне установщика отметьте галочку Add python.exe to PATH, иначе команды дальше не найдутся.
2. Поставьте ffmpegКоманда зависит от системы, варианты ниже.
3. Установите WhisperОткройте терминал (на Windows – «Командная строка» или PowerShell) и выполните pip install -U openai-whisper. На Mac, если команда pip не находится, используйте python3 -m pip install -U openai-whisper.
4. Перейдите в папку с записьюНапример, cd Downloads, если файл лежит в «Загрузках».
5. Запустите расшифровкуПример команды ниже. Первый запуск скачает модель, потом она берётся с диска.

Установка ffmpeg:

Windows (через Chocolatey):  choco install ffmpeg
Windows (через Scoop):       scoop install ffmpeg
macOS (через Homebrew):      brew install ffmpeg
Ubuntu и Debian:             sudo apt update && sudo apt install ffmpeg

Расшифровка записи созвона на русском с субтитрами:

whisper zvonok.mp3 --model turbo --language Russian --output_format srt --initial_prompt "Мария, Сергей, Wildberries, юнит-экономика"

Что здесь что. --model – размер модели из таблицы выше. --language Russian отключает автоопределение языка. --output_format задаёт формат: txt для простого текста, srt или vtt для субтитров, json для разработчиков; если параметр не указать, Whisper сохранит сразу все форматы рядом с исходным файлом. --initial_prompt – та же подсказка с именами и терминами, что и в Buzz. Несколько файлов можно перечислить через пробел в одной команде, а полный список настроек показывает whisper --help.

Если что-то не работает

• «whisper не является внутренней или внешней командой». Python поставлен без галочки PATH. Переустановите его с этой галочкой или запускайте как python -m whisper файл.mp3.
• Ошибка про ffmpeg. Whisper не может открыть аудио без ffmpeg. Поставьте его по командам выше и откройте терминал заново.
• pip ругается при установке. Чаще всего дело в слишком новой версии Python. Поставьте 3.11. Если ошибка упоминает Rust или setuptools_rust, выполните pip install setuptools-rust и повторите установку.
• Расшифровка идёт очень долго. Без видеокарты большие модели работают медленно. Возьмите small или base либо попробуйте Buzz: у него есть ускорение на видеокартах Nvidia и на Mac с процессором Apple.

Как подготовить запись, чтобы распознавание не ошибалось

Качество транскрибации решается ещё до нейросети: никакой промпт не вытащит слово, которое утонуло в шуме.

• Говорите в микрофон гарнитуры или петличку, а не в ноутбук на другом конце стола.
• Выключите музыку на фоне и закройте окно, если за ним дорога.
• На созвоне не перебивайте друг друга: наложение голосов распознаётся хуже всего.
• Предупредите собеседников, что встреча записывается.
• Выпишите заранее имена, названия товаров и термины: они пригодятся и в подсказке Whisper, и в промпте на втором шаге.

Что делать с сырой расшифровкой: три промпта

Дальше начинается самое полезное. Скопируйте текст из Whisper, Telegram или YouTube и отправьте его в ChatGPT, Claude или другой чат-бот вместе с одним из промптов. Если запись длинная, делите её на куски по 15–20 минут: на огромном тексте модели чаще пропускают детали из середины.

Чистовой текст без потери смысла

Ниже автоматическая расшифровка аудиозаписи. Приведи её в читаемый вид:
– расставь знаки препинания и раздели на абзацы по смыслу;
– убери слова-паразиты, повторы и оборванные фразы;
– ничего не добавляй от себя и не пересказывай, сохраняй формулировки говорящего;
– правильное написание имён и терминов: [СПИСОК ИМЁН И ТЕРМИНОВ];
– если слово распознано непонятно и смысл не восстановить, оставь его и пометь [?].

Расшифровка:
[ТЕКСТ]

Протокол созвона с задачами

Это расшифровка рабочего созвона. Участники: [ИМЕНА И РОЛИ].
Составь протокол:
1. Тема встречи в одном предложении.
2. Что обсудили – 3–7 пунктов, по одному предложению.
3. Какие решения приняли.
4. Задачи в виде таблицы: задача | ответственный | срок.
5. Вопросы, которые остались открытыми.

Бери только то, что прямо сказано в тексте. Если ответственный или срок не названы, пиши «не назван», не додумывай.

Расшифровка:
[ТЕКСТ]

Конспект видео или вебинара

Ниже расшифровка видео с таймкодами. Сделай конспект для человека, который не смотрел запись:
– разбей на смысловые блоки с подзаголовками и укажи таймкод начала каждого блока;
– в каждом блоке 2–4 главные мысли;
– отдельно выпиши конкретные советы, цифры и примеры, которые прозвучали;
– в конце 3 вопроса для самопроверки.

Не добавляй информацию, которой нет в расшифровке.

Расшифровка:
[ТЕКСТ]

Тот же текст потом легко разложить на посты: из одного эфира получается несколько заметок для канала. Как спланировать такую серию, разобрано в статье про контент-план для Telegram-канала с нейросетью.

Расшифровка видео в текст с таймкодами

Таймкоды нужны, когда по тексту надо быстро найти место в записи: для оглавления к ролику на YouTube, для монтажа или чтобы проверить спорную фразу. Whisper и Buzz умеют сохранять результат в формате субтитров SRT или VTT, где у каждой фразы есть время начала и конца. Этот файл можно загрузить на видеоплатформу как субтитры или отдать нейросети с просьбой собрать оглавление.

Одна деталь: языковая модель иногда «сдвигает» таймкоды, когда объединяет фразы в блоки. Если оглавление идёт в публикацию, пробегитесь по нему и проверьте 2–3 точки в самой записи.

Типичные ошибки транскрибации

Вот что ломается чаще всего:

• Имена и бренды. Редкие фамилии и названия товаров модель записывает «на слух». Помогают подсказка Initial prompt в Whisper, список терминов в промпте и ручная проверка.
• Кто говорит. Базовый Whisper не разделяет собеседников. В Buzz есть определение говорящих, но и его стоит перепроверять. Если важно, кто что сказал, называйте себя на созвоне.
• Фразы из тишины. На паузах, музыке и шуме модели распознавания иногда «слышат» слова, которых не было. Перед расшифровкой полезно обрезать длинную тишину в начале и конце, а для шумных записей включать в Buzz Extract speech.
• Додуманный смысл. На втором шаге чат-бот может дописать вывод, которого в разговоре не было. Поэтому в промптах выше есть запрет добавлять своё. Как ловить такие выдумки, подробно разобрано в статье о проверке ответов ChatGPT и Claude.

Частые вопросы

Попробуйте на ближайшем созвоне: запишите его, прогоните через Buzz с моделью small и отдайте текст промпту на протокол. Уже после первого раза станет понятно, какие термины добавить в подсказку и хватает ли вам точности или пора переходить на модель побольше.