Транскрибация аудио и видео в текст — онлайн-сервис Dicto

Транскрибация — преобразование аудио- или видеозаписи в письменный текст с сохранением структуры речи, пунктуации и разделения по спикерам. Нужна журналистам для обработки интервью, юристам для стенограмм заседаний, преподавателям для конспектов лекций, подкастерам для транскриптов эпизодов, бизнесу для протоколов совещаний. Текстовый формат удобнее для поиска, цитирования и хранения, чем аудиофайл.

Это синонимы. «Транскрибация» — профессиональный термин, принятый в индустрии и лингвистике. «Расшифровка» — более бытовое слово, понятное широкой аудитории. «Перевод аудио в текст» — описательное выражение без специфической коннотации. На практике все три слова описывают один процесс: AI слушает запись и выдаёт текст. Никакой разницы в функциях или качестве нет.

Три тарифа. Free: 180 минут при регистрации, без карты и без автосписания. Старт: 500 ₽/мес — 600 минут (10 часов), то есть 0,83 ₽ за минуту. Про: 820 ₽/мес — 1500 минут (25 часов), то есть 0,55 ₽ за минуту. Для сравнения, фрилансер-транскрибатор берёт 5-10 ₽ за минуту и делает это за 1-2 дня, а не за 2 минуты.

На студийной или микрофонной записи без фонового шума точность достигает 98-99%. На записях со смартфона или ноутбука — 95-97%. На телефонных переговорах или конференциях с эхом — 90-94%. Точность измеряется через WER (Word Error Rate) — долю неверно распознанных слов. Отраслевой стандарт для профессиональной транскрибации — WER < 5%, то есть точность выше 95%.

Аудио: MP3, WAV, FLAC, OGG, M4A, AAC, WebM. Видео: MP4, MOV — мы извлекаем аудиодорожку через FFmpeg, платить за видео не нужно дороже. Максимальный размер файла 500 МБ, максимальная длительность 6 часов. Также принимаем публичные ссылки на YouTube, VK Video, Rutube, OK и Яндекс.Дзен.

Скорость: 2 минуты против 4-6 часов на каждый час записи. Стоимость: от 0,55 ₽/мин против 5-10 ₽/мин у фрилансера. Масштаб: можно загрузить несколько файлов одновременно. Дополнительные функции: ручной транскрибатор даст только текст, а Dicto добавит AI-саммари, тезисы, action items и RAG-чат. Недостаток автоматической транскрибации — специфическая узкоотраслевая терминология и сильные акценты иногда распознаются хуже.

Файлы хранятся в S3-хранилище Selectel в России (ЦОД ru-7) с шифрованием TLS 1.3 при передаче. Аудиозаписи удаляются автоматически через 7 дней, текст транскрипции хранится до удаления аккаунта. Данные не используются для обучения моделей (DPA с поставщиком). Сервис работает в соответствии с 152-ФЗ о персональных данных.