Перевести аудио в текст онлайн — 2 минуты на час записи

Алгоритм состоит из трёх шагов. Первый — VAD (Voice Activity Detection) находит участки с речью и отбрасывает паузы. Второй — основная foundation-модель (нейросеть на 7-15 миллиардов параметров) преобразует аудио в текст. Это не словарное распознавание, а понимание контекста: модель «угадывает» неразборчивые слова по соседним. Третий шаг — постобработка: расстановка пунктуации, разметка спикеров через diarization-модель, форматирование текста.

Да, поддерживаются 13 языков с автоопределением. Это значит — не нужно вручную выбирать язык, AI сам распознает речь любого из поддерживаемых языков. Если в аудио переключаются языки (русский + английский в одной фразе), это тоже работает, но точность может снижаться на 3-5%. Для максимальной точности на конкретном языке можно явно указать его в настройках транскрибации.

Да. Точки, запятые, тире, восклицательные и вопросительные знаки расставляются автоматически. Заглавные буквы тоже — в начале предложений и в именах собственных. AI разделяет текст на абзацы по смыслу. Особенно хорошо это работает для подкастов и интервью, где структура чёткая. Для бытовых записей с множеством «эээ» и «угу» — AI старается их исключить, оставляя только осмысленную речь.

При регистрации мы даём 180 минут бесплатно — это 3 часа аудио. Бонус единоразовый, не сгорает. Не нужно вводить карту, не активируется автоматическая подписка. После того как 180 минут закончатся, либо переходите на платный тариф (от 500 ₽/мес), либо просто перестаёте пользоваться. Бесплатный тариф не отличается по функциям и качеству от платных — урезана только квота.

Аудио: MP3, WAV, FLAC, OGG, M4A, AAC, WebM. Видео: MP4, WebM, MOV — для них мы автоматически вытаскиваем дорожку через FFmpeg. Также можно вставить публичную ссылку на YouTube, VK Video, Rutube, OK или Яндекс.Дзен — yt-dlp скачает аудио. Лимит 500 МБ на файл и 6 часов длительности. Файлы со встроенными субтитрами тоже работают, мы используем именно аудиодорожку (для проверки качества модели).

В интерфейсе Dicto можно отредактировать любую часть текста: исправить ошибки распознавания, переименовать спикеров, добавить пропущенные слова. Изменения сохраняются в реальном времени. Также можно дать AI словарь специфических терминов в настройках транскрипции — например для медицинских или юридических записей. Это улучшает распознавание узкопрофессиональной лексики на 5-15%.

Да, но точность будет ниже из-за низкого битрейта телефонной линии (8 kHz vs 44 kHz у студийного аудио). Ожидайте 92-95% точности вместо 98% на чистой записи. Для лучшего результата сохраняйте звонок в WAV без сжатия. AI хорошо справляется с фоновыми шумами (улица, кафе), но эхо в комнате значительно ухудшает результат — пишите в относительно «глухом» помещении.

Yandex SpeechKit — API без UI, нужно писать код. Whisper — open-source модель, надо ставить на свой сервер с GPU. Dicto — готовый сервис: загрузил файл, через 2 минуты получил текст с дополнительными AI-инсайтами (саммари, тезисы, action items, RAG-чат). По точности на русском Voxtral V2 в Dicto показывает 98%, у YandexSpeechKit ~95%, у Whisper Large v3 ~96%.