Расшифровка аудио и видео в текст

Расшифровка аудио в текст прямо в браузере: выберите запись или видео – речь распознается на вашем устройстве, и вы получите текст с таймкодами. Поправьте фразы, отметьте спикеров и скачайте TXT, DOCX или субтитры SRT и VTT.

Расшифровать запись

Перетащите запись или видео сюда или

MP3, M4A, WAV, OGG, OPUS, WebM, MP4, MOV – до 2 часов и 2 ГБ.

Запись распознается на вашем устройстве и не уходит на сервер. В первый раз браузер скачает модель – 101,6 МБ или 265,8 МБ для точной – и сохранит ее, следующие записи начнутся сразу.

Так выглядит результат
  1. 00:00:03Добрый день, коллеги. Начнем еженедельную встречу по проекту.
  2. 00:00:09Первым пунктом обсудим результаты прошлой недели.
  3. 00:00:14Мы закончили верстку главной страницы и отправили ее заказчику.

Каждую фразу можно поправить, прослушать по таймкоду и отметить спикера, а потом скачать TXT, DOCX или субтитры SRT и VTT.

Что делать с результатом

Перечитайте расшифровку и поправьте имена, числа и термины: модель пишет их на слух и может ошибиться. Субтитры SRT загрузите в YouTube или VK Видео к ролику, VTT подключите к видео на сайте. Расшифровку встречи разметьте по спикерам и отправьте участникам как протокол, лекцию или интервью используйте как основу статьи. Если записи звонков и встреч приходят каждый день, расшифровку удобнее настроить автоматически – в CRM или ботом.

Что учитывает инструмент

Распознает модель Whisper от OpenAI (base или small, веса int8) через Transformers.js и onnxruntime-web прямо на вашем устройстве: запись и текст на сервер не уходят, сайт отдает только файлы модели. Модель подбирается под устройство: на телефоне и для записей длиннее 15 минут – быстрая base, на компьютере – более точная small; если памяти не хватает, инструмент сам продолжает на base. Точность зависит от записи: шум, музыка, голоса, перебивающие друг друга, и редкие термины дают ошибки, а на тишине Whisper может сочинить фразу – поэтому куски тише порога не распознаются. Запись до 2 часов и до 2 ГБ идет кусками по 30 секунд с перекрытием, на телефоне – дольше, чем звучит запись. Спикеров модель не различает – их отмечают вручную. Звук из видео извлекает mediabunny через WebCodecs, без ffmpeg. Черновик правки хранится в этом браузере 7 дней. Лицензии: Transformers.js – Apache-2.0, onnxruntime-web – MIT, mediabunny – MPL-2.0, веса Whisper – Apache-2.0 и MIT; тексты – на странице «Лицензии компонентов» в подвале сайта.

Как сделать вручную

  1. Голосовой ввод в Google Документах: откройте документ в Chrome, выберите «Инструменты» → «Голосовой ввод», укажите язык и нажмите на микрофон.
  2. Включите запись рядом с микрофоном компьютера: документ напишет то, что слышит. Таймкодов не будет – отмечайте время вручную.
  3. Субтитры YouTube: загрузите видео в Творческую студию с ограниченным доступом и подождите, пока YouTube создаст автоматические субтитры – обычно до нескольких часов.
  4. Откройте раздел «Субтитры» ролика, выберите автоматическую дорожку на нужном языке и поправьте текст в редакторе.
  5. Скачайте дорожку в формате SRT или VTT – получится текст с таймкодами. Перед публикацией сверьте имена, числа и термины.

Расшифровка без ручной работы

Настрою, чтобы записи звонков сами расшифровывались и попадали в карточку клиента в CRM, сделаю бота‑протоколиста встреч и подключу расшифровку к телефонии Битрикс24.

Вопросы и ответы

Файл загружается на сервер?

Нет. Запись распознается в вашем браузере: сайт отдает только файлы модели Whisper, а звук, текст и имя файла остаются на устройстве. Черновик правки хранится в этом браузере 7 дней, кнопка «Удалить черновик» стирает его сразу, а «Удалить скачанные модели» освобождает место от модели.

Какая длина записи?

До 2 часов и до 2 ГБ: видео читается потоком, в памяти только звук текущего куска. Время зависит от устройства: на компьютере запись обычно распознается быстрее, чем звучит, на телефоне – медленнее. Длинную запись можно остановить и продолжить с того же места, пока вкладка открыта.

Почему нет разделения по спикерам?

Автоматическое разделение голосов – отдельная модель, и на обычном устройстве она считается долго. Поэтому спикеров отмечают вручную: включите «Отметить спикеров» и выберите у фраз «Спикер 1», «Спикер 2». Разметка попадет в TXT, DOCX и субтитры.

Как вставить SRT в видео?

В YouTube и VK Видео загрузите SRT в разделе субтитров ролика. В видеоредакторе – CapCut, Premiere Pro, DaVinci Resolve – импортируйте файл на дорожку субтитров. На сайте подключите файл VTT к видео элементом track: субтитры включатся кнопкой в плеере.

Можно ли расшифровать голосовое сообщение?

Да. Сохраните голосовое из Telegram или WhatsApp файлом – обычно это OGG или OPUS – и выберите его здесь. Текст можно скопировать или скачать. Расшифровка бесплатная и без регистрации, запись остается на вашем устройстве.

Можно ли расшифровать звонки автоматически?

Да, но это уже не ручная загрузка файлов: телефония или запись встреч связывается с распознаванием и CRM. Звонок записывается, расшифровывается и попадает в карточку клиента вместе с итогом разговора. Такую связку я настраиваю под задачу – варианты и цены в блоке «Следующий шаг».

Другие инструменты

 Все инструменты

Узнайте, что мешает вашему сайту

Бесплатно и без регистрации. Проверю до 20 страниц.