MP3 в текст онлайн — загрузите файл, получите транскрипт

Максимум 500 МБ на файл. Стандартный MP3 при 128 kbps весит ~1 МБ в минуту — значит 500 МБ это около 8 часов аудио. На практике ограничение срабатывает только для очень больших файлов. Если ваш файл больше 500 МБ: конвертируйте в MP3 с битрейтом 64-96 kbps через Audacity или FFmpeg (качество для транскрибации не пострадает), или разделите на части. Также ограничение по длительности — 6 часов.

Да, но порог довольно низкий. При 64 kbps и выше — точность 97-98%, разницы почти нет. При 32 kbps — лёгкое снижение до 94-96%, слышны артефакты сжатия. При 16 kbps и ниже (голосовые кодеки для телефонии) — точность может падать до 88-92%, особенно на сложных именах и терминах. Для подкастов (обычно 128-320 kbps) и диктофонных записей (64-192 kbps) — никаких проблем. Рекомендуем не конвертировать ниже 64 kbps.

Конвертировать не нужно — Dicto принимает все популярные аудиоформаты напрямую: WAV, FLAC, OGG, M4A, AAC, WebM. Видеоформаты тоже: MP4, MOV (из них извлекается аудиодорожка через FFmpeg). Загружайте файл в том формате в каком он у вас есть. Единственное исключение — форматы с DRM-защитой (например защищённые M4P из iTunes) — они не поддерживаются и не могут быть расшифрованы.

Для точности распознавания речи разницы практически нет — Voxtral одинаково хорошо работает с mono и stereo. Для diarization (разметки спикеров) stereo иногда даёт преимущество: если разные спикеры пишутся на разные каналы (например в Zoom или профессиональных диктофонах), алгоритм может использовать это для более точного разделения. В mono diarization работает по акустическим характеристикам голоса — чуть менее точно, но обычно приемлемо.

Голосовые сообщения Telegram сохраняются в формате OGG (Opus), WhatsApp — тоже OGG. Чтобы расшифровать: в Telegram — нажмите на голосовое → три точки → «Сохранить в загрузки» — получите файл OGG. В WhatsApp — удерживайте голосовое → «Поделиться» → сохраните. Файлы OGG напрямую принимаются Dicto без конвертации. Качество голосовых из мессенджеров обычно 8-16 kHz — точность транскрибации 90-94%.

Аудиофайл MP3 хранится на серверах Selectel (Россия) 7 дней после загрузки, затем автоматически удаляется. Текстовый транскрипт хранится до тех пор пока вы его не удалите или не закроете аккаунт. Данные не передаются третьим лицам и не используются для обучения моделей. Всё соответствует 152-ФЗ о персональных данных. Если вам нужно удалить файл раньше 7 дней — есть кнопка удаления в интерфейсе транскрипта.