Транскрибация подкастов и YouTube-видео — для контент-мейкеров

Прямая загрузка MP3/WAV/M4A — со всех платформ (Apple Podcasts через RSS-фид, Yandex Music через скачивание, Spotify через ссылку на эпизод). Прямые URL: YouTube (включая Shorts), VK Video, Rutube, Одноклассники, Яндекс.Дзен — мы скачиваем аудиодорожку через yt-dlp автоматически. Прямые ссылки на MP3 (SoundCloud, Podster, podcast-хостинги) тоже работают. Что не работает: закрытые подкасты на Patreon (нужен файл вручную), Apple Podcasts Plus (DRM), Spotify (тоже DRM на платных эпизодах).

Самый эффективный workflow: 1) Расшифровка в Dicto → текст с таймкодами. 2) AI-саммари даёт структуру: введение, основные темы, выводы. 3) Копируете транскрипт в ChatGPT/GigaChat с промптом «Переработай этот подкаст в статью 1500 слов с заголовками H2 и H3, сохраняя ключевые цитаты». 4) Получаете черновик за 30 секунд. 5) Редактируете руками — добавляете личный стиль, ссылки, проверяете факты. Время на полноценную статью: 30-45 минут вместо 4-6 часов вручную.

Да, это одна из основных функций. После расшифровки нажмите «Экспорт» → «SRT». Получите файл с таймкодами и текстом, который YouTube Studio принимает в раздел «Субтитры». Также SRT работает в Premiere Pro, Final Cut, DaVinci Resolve для вшивания субтитров в видео. Кодировка UTF-8, таймкоды правильные, разбивка на блоки 1-3 секунды по умолчанию (можно настроить).

Идеально. Diarization распознаёт до 10 разных голосов и помечает каждого цветовой меткой («Говорящий 1», «Говорящий 2» и т.д.). Вы переименовываете их в реальные имена («Ведущий», «Гость Иван Петров», «Гость Ольга Иванова»). На выходе — текст разделён по репликам с указанием кто что сказал. Это критично для длинных интервью на 2-3 часа: иначе разобраться кто что говорил невозможно.

AI игнорирует музыку без слов автоматически. Музыка с вокалом (например, заставка с песней) может частично распознаться как речь — обычно это очевидно по контексту, и легко удаляется в редакторе. Короткие джинглы (3-5 секунд) обычно пропускаются без проблем. Если в подкасте звучит музыка фоном под голос (например, lo-fi бит для атмосферы), точность распознавания речи остаётся 95-97% — модель устойчива к фоновому шуму.

60 минут × 0,83 ₽ = 50 ₽ на тарифе Старт (500 ₽/мес за 600 минут). На бесплатном тарифе — бесплатно (180 минут хватает на 3 часовых эпизода). Для регулярного выпуска (1-2 эпизода в неделю по 1-2 часа) хватает Старта. Для серий длинных интервью (4-6 часов) лучше тариф Про (820 ₽/мес за 1500 минут, 0,55 ₽/мин). Сравните: фрилансер расшифровщик берёт 300-600 ₽ за час, плюс 1-2 дня ожидания — нерационально.

Да, через RAG-чат. После расшифровки эпизода он индексируется в векторной базе. На странице эпизода можно задавать вопросы: «Что говорил гость про инвестиции?», «Когда обсуждали книгу X?», «Какие инструменты упоминались?». AI выдаёт ответ с цитатами и точными таймкодами. Поиск работает по семантике, а не точным словам — то есть на запрос «инвестиции» найдёт фрагменты со словами «вложения», «бизнес», «деньги», даже если буквального слова «инвестиции» не было.

Descript и Riverside — комбайны: запись, монтаж, расшифровка, публикация. У них транскрибация — одна из функций. Dicto специализирован только на расшифровке, но делает это глубже: 98% точности на русском против 94% у Descript, поддержка 13 языков с автоопределением (Descript только английский+несколько), RAG-чат по содержимому (которого нет у Descript). Если нужен полный пайплайн от записи до публикации — Descript или Riverside. Если уже есть свой workflow и нужна только качественная расшифровка с AI-обработкой — Dicto.