Транскрибация видео: загрузите файл — получите текст с таймкодами

Что читает транскрибация видео: звуковую дорожку, а не картинку

Транскрибация видео — это распознавание речи на звуковой дорожке ролика: свободная утилита ffmpeg копирует из файла первую звуковую дорожку, не декодируя изображение, сводит её в MP3 16 кГц моно и передаёт модели Whisper от OpenAI, поэтому кодек картинки — H.264 или HEVC — ни на что не влияет.

• Картинка не читается. Слайды, надписи в кадре и прочий текст на экране в транскрипт не попадают — только то, что сказано вслух.
• Нет звука — нет текста. Запись экрана без микрофона и системного звука получит отказ «В этом файле нет звука.»
• Одна дорожка. Если в файле несколько звуковых дорожек, например фильм с двумя озвучками, берётся первая.
• Файл слишком большой? Загрузите только звук: QuickTime Player сохраняет ролик как «Только аудио», и такой файл расшифровывается как обычная запись M4A. Текст выйдет тем же, а файл станет в разы меньше.

Раз путь одинаковый, минута ролика и минута аудиозаписи стоят одинаково, а расшифровка аудио в текст из записи без картинки идёт ровно тем же маршрутом.

Как сделать транскрибацию видео в текст: четыре шага

Четыре шага ведут файл с компьютера или телефона к транскрипту, который можно скачать, — и это весь путь, чтобы перевести видео в текст: ничего не нужно ставить и не нужно перематывать запись, чтобы перепечатать сказанное.

1. Выберите видео. Перетащите MP4, MOV, MKV, WEBM или другой файл в окно загрузки либо нажмите на окно и выберите его. Браузер проверит тип и размер до отправки.
2. Запустите расшифровку. Первая запись гостя запускается сразу и бесплатно: целиком до 10 мин, у записи подлиннее — первые 10 мин. После входа страница показывает, сколько минут займёт файл, и ничего не начнётся, пока вы не нажмёте «Расшифровать».
3. Смотрите и читайте рядом. Ролик играет с вашего устройства рядом с транскриптом; клик по таймкоду переводит плеер к этому моменту.
4. Скачайте текст или субтитры. Сохраните TXT или Markdown для чтения и правки, SRT или VTT — для субтитров.

Распознавание речи идёт на нашем сервере, поэтому видео в текст онлайн получается без плагина и без программы на компьютере. Длинная запись показывает прогресс в минутах: у 90-минутного вебинара видно, сколько уже расшифровано, вместо бесконечного значка загрузки. Для большого экрана откройте рабочее пространство с файлом: там плеер, транскрипт и AI-разборы стоят рядом.

Какие видеофайлы подходят и сколько они могут весить

Сервис принимает контейнеры, в которых сохраняют видео телефоны, камеры, программы для созвонов и записи экрана, а жёстких ограничений два — размер файла и длительность.

Размер и длительность зависят от того, вошли ли вы в аккаунт:

• Без входа: файлы до 100 МБ; первая запись — бесплатно, целиком до 10 мин, дальше — короткие бесплатные фрагменты.
• После входа: файлы до 500 МБ и длиной до 4 ч.
• Файл длиннее 4 ч придётся сначала разрезать на части.

Картинка весит гораздо больше речи: час записи экрана в 1080p может не уложиться в 500 МБ, а тот же час звука занимает десятки мегабайт. Поэтому видео файл в текст иногда проще отправить одним звуком. Расширение — только первая проверка: сервер читает настоящий контейнер утилитой ffprobe и отклоняет всё, что не является медиафайлом, ещё до показа цены.

Какие видео хорошо расшифровываются

Чище всего расшифровываются ролики, где один чёткий голос звучит близко к микрофону: говорящая голова, лекция, интервью, вебинар, запись экрана с комментарием.

• Хорошо: петличка или гарнитура, тихая комната, говорит один человек за раз.
• Хуже: фоновая музыка под речью, шум толпы, люди перебивают друг друга, ветер на уличной съёмке с телефона.
• Клипы: спетые слова выходят грубее речи.

OpenAI обучила Whisper на 680 000 часах аудио из интернета — так описано в статье 2022 года «Robust Speech Recognition via Large-Scale Weak Supervision», поэтому акценты и разговорная речь входят в то, на что модель рассчитана; перекрывающиеся голоса и музыка под речью остаются обычными причинами ошибок. Процент точности мы не публикуем: он зависит от записи сильнее, чем от программы. Проверить, насколько хорошо сервис сможет расшифровать видео с вашим звуком, позволяет бесплатная первая запись, а таймкод у неразборчивой строки сразу ведёт к месту, которое стоит переслушать.

Пример транскрипта видео

Транскрипт приходит строками: одна сказанная фраза — одна строка, и каждая начинается с минуты и секунды, на которой фраза прозвучала.

Пример в точном формате TXT; текст придуман для иллюстрации, это не настоящая запись:

[0:00] Всем привет, это демонстрация новой панели отчётов.
[0:06] Слева фильтры, которые мы добавили на прошлой неделе.
[0:13] Откроем отчёт по продажам: больше всего вопросов было именно про него.
[0:21] Как видите, итоги теперь обновляются без перезагрузки страницы.

Знаки препинания и заглавные буквы ставит Whisper, а язык речи определяется сам — настраивать перед запуском нечего. После первого часа к метке добавляется поле часов, например [1:04:10]. Метка отмечает начало фразы, а не каждого слова, поэтому цитату в часовом ролике находят поиском по тексту и кликом по таймкоду.

После транскрипта: субтитры, экспорт и AI-разборы

Готовый транскрипт видео выгружается в четырёх форматах без доплаты, и два из них — файлы субтитров.

• TXT и Markdown — для чтения, заметок и правки, с метками [m:ss] или без них.
• SRT — для Premiere Pro, DaVinci Resolve и YouTube Studio; VTT — для HTML5-плееров.

Тайминги SRT берутся из самого распознавания: одна реплика субтитров — одна фраза со временем начала и конца, второй проход не нужен. Чтобы сменить формат или убрать время, конвертер субтитров SRT в обычный текст и другие бесплатные инструменты работают прямо в браузере.

AI-разборы работают с готовым транскриптом: саммари, подробный конспект, ключевые моменты, главы с таймкодами, статья, пост для соцсетей, Pro Transcript, чат с записью или свой промпт. Они входят в расшифрованную запись без второго списания: вы платите за минуты распознавания речи, а не за каждую кнопку.

Транскрибация видео бесплатно и что расходует минуты

Бесплатная транскрибация видео — это первая запись без регистрации: целиком до 10 мин и первые 10 мин у записи подлиннее; дальше расшифровка всего файла стоит минуту баланса за минуту записи, от 2,1 ₽ за минуту.

Пакеты оплачиваются через ЮKassa — картой или по СБП, кассовый чек приходит на email, а неизрасходованные минуты можно вернуть. Цены и условия — на странице тарифы и пакеты минут. Если вы выбираете между пакетами и подпиской, посмотрите аналог TurboScribe без подписки.

На практике подарок покрывает запись экрана на 10 мин или короткое интервью. Для лекции на 75 минут нужен пакет сверху, и страница скажет об этом до любого списания. «Первая запись» одна на гостя: ролик YouTube без субтитров, расшифрованный раньше, тоже считается этой записью.

Нужно ли загружать видео, которое уже есть на YouTube?

Нет: у большинства роликов YouTube есть субтитры, и их текст читается напрямую — без загрузки и без распознавания речи.

Бесплатный текст ролика YouTube по субтитрам берётся из дорожки субтитров, без регистрации и лимитов, и AI-разборы по нему тоже бесплатны. Распознавание речи и минуты нужны только там, где готового текста нет: для своего файла или ролика YouTube без субтитров.

Куда уходит видеофайл

После расшифровки остаётся только текст: сам видеофайл удаляется с нашего сервера, как только из него извлечён звук.

• Извлечённый звук уходит на распознавание в Whisper от OpenAI; его куски удаляются, как только транскрипт готов.
• Без входа транскрипт на сервере не хранится: он ждёт около часа, пока страница его заберёт, а дальше живёт только в вашем браузере.
• Загрузка, которую так и не запустили, например пока вы пополняли баланс, удаляется примерно через час.
• После входа транскрипт сохраняется в личном кабинете.
• Плеер показывает ролик с вашего устройства. После перезагрузки страницы выберите файл снова, чтобы смотреть; текст уже сохранён.
• Когда вы выбираете файл на этой странице, браузер держит временную копию, чтобы передать её в рабочее пространство, и удаляет её после передачи или не позже чем через час.

Полные правила — в политике обработки данных.

Чего транскрибация не делает

Главное, чего нет в этой расшифровке видео в текст, — чтения текста с экрана: сервис превращает в текст речь и не распознаёт изображение.

• Нет разметки спикеров: один поток строк с таймкодами.
• Субтитры не вшиваются в картинку: вы получаете файлы SRT или VTT для монтажной программы или плеера.
• Встроенные дорожки субтитров из MKV или MP4 не извлекаются: текст строится из речи.
• Нет приёма по ссылкам на Google Диск, Яндекс Диск, Dropbox, VK Видео, Rutube или TikTok — сначала скачайте файл, потом загрузите его сюда.
• Файлы больше 500 МБ или длиннее 4 ч не принимаются: загрузите только звук или разрежьте файл.
• Используется только первая звуковая дорожка.

Что гарантировано взамен: цена видна до запуска, минуты списываются только после успешной расшифровки, а выгрузка готового транскрипта входит в стоимость.

Частые вопросы

Можно ли сделать транскрибацию видео бесплатно?

Да, первую запись: без регистрации она расшифровывается бесплатно — целиком до 10 мин, а у записи подлиннее первые 10 мин. Дальше гость получает короткий бесплатный фрагмент, весь файл расходует минуты баланса, а при регистрации мы дарим 10 мин.

Нужна ли регистрация?

Нет — для первой записи и коротких бесплатных фрагментов. Да — для целых файлов после этого: вход по ссылке из письма на email, пароль придумывать не нужно.

Какие форматы и размеры видео можно загрузить?

MP4, MOV, MKV, WEBM, AVI, MPEG, TS и WMV, а также аудио — MP3, M4A, WAV. Без входа — до 100 МБ, после входа — до 500 МБ и 4 ч.

Видео больше лимита. Что делать?

Загрузите только звук. Сохраните звуковую дорожку отдельно, например в M4A через QuickTime Player, и загрузите этот файл: транскрипт получится тем же, потому что распознаётся только звук, а файл станет в разы меньше.

Хранится ли видео на сервере?

Нет. Файл удаляется с сервера сразу после извлечения звука или примерно через час, если расшифровка так и не началась, а куски звука — после распознавания. Текст остаётся в браузере или, после входа, в личном кабинете.

Сколько стоит транскрибация часа видео?

Час записи — 60 минут баланса. В пакете «1 час» это 299 ₽, в крупных пакетах минута дешевле — от 2,1 ₽.

Распознаёт ли сервис текст на экране и вшитые субтитры?

Нет. В текст превращается только речь: слайды, субтитры, нарисованные в кадре, и другой текст на экране не читаются.

Различает ли сервис, кто говорит?

Нет. Разметки спикеров нет: транскрипт — один поток строк с таймкодами, кто бы ни говорил.