Преобразовать аудио в текст онлайн — нейросетью

Преобразование (или транскрибация, расшифровка) — это перевод устной речи в письменный текст. Технически: foundation-модель (например Voxtral V2 на 7-15 миллиардов параметров) принимает на вход аудиосигнал и выдаёт последовательность слов. Это не пословное распознавание, а понимание контекста: модель «достраивает» неразборчивые места по соседним. Дополнительно работают модули пунктуации, разметки спикеров и автоматического форматирования. На выходе — текст готовый к использованию.

Скорость в 100+ раз: 2 минуты против 4-6 часов на час записи. Стоимость в 6-10 раз ниже: 0,83 ₽ за минуту против 5-10 ₽ у фрилансера. Доступность 24/7 без ожидания. Стабильность точности — нет «человеческого фактора» вроде ошибок в именах или пропущенных фраз. Минус один: AI хуже распознаёт сильно зашумлённое аудио или акценты — на чистой записи он лучше человека, на грязной — наоборот.

На чистом студийном аудио — 98-99%. На записях со смартфона или встроенного микрофона ноутбука — 95-97%. На телефонных разговорах с битрейтом 8 kHz — 92-95%. На сильно зашумлённых или плохо записанных — 80-85%. Точность измеряется через WER (Word Error Rate) — процент слов, которые AI распознал неверно. Сравните: средняя WER у YandexSpeechKit на русском — 5-6%, у Whisper Large v3 — 4-5%, у Voxtral V2 (используется в Dicto) — 2-3% на чистом аудио.

Пока нет — Dicto обрабатывает уже записанные файлы. Real-time транскрибация требует другой архитектуры (стриминговая модель + минимизация задержки). Сейчас минимальное время обработки 30 секунд на короткое голосовое. Для real-time сценариев советуем YandexSpeechKit или Google Speech-to-Text Streaming API. Когда добавим — будет отдельная страница про live-транскрибацию.

Три формата экспорта: TXT (чистый текст без форматирования, подходит для импорта в любую систему), SRT (субтитры с таймкодами для YouTube, видеоредакторов и плееров) и DOCX (форматированный документ Word с структурой, разделением по спикерам, кликабельными таймкодами). Также можно скопировать текст в буфер обмена в один клик. JSON-экспорт пока в работе.

И то, и другое. Для видеофайлов (MP4, WebM, MOV) мы автоматически извлекаем аудиодорожку через FFmpeg и распознаём. Это занимает столько же времени — 2 минуты на час видео. На странице «видео в текст» подробнее про этот сценарий с упором на субтитры. Также работает преобразование по ссылке на YouTube/VK — yt-dlp скачивает аудиодорожку без видео для экономии трафика.

Да. Тарифы Бизнес (60 часов на 5 пользователей, 2 300 ₽/мес) и Премиум (120 часов на 10 пользователей, 4 600 ₽/мес) разработаны для команд: общая база транскрипций, разграничение доступа, выделенный support. Подписываем DPA по 152-ФЗ. Можем выпустить договор-оферту или закрывающие документы — пишите на support@dicto.pro. Для крупных объёмов (1000+ часов в месяц) — индивидуальные условия.

Максимальный размер файла в Dicto — 500 МБ и 6 часов длительности. Для 10-часовой записи разбейте на части по 2-3 часа (через любой видеоредактор, OBS или ffmpeg). Каждую часть преобразовывайте отдельно, потом склейте текст. Альтернатива — пересжатие в MP3 при низком битрейте: 6 часов в 64 kbps mono = 175 МБ, помещается в лимит без проблем. Качество распознавания при битрейте 64+ kbps не страдает.