Расшифровка аудио в текст на русском

Способов четыре, и выбирают не по точности — она у всех примерно одинаковая. Выбирают по тому, что происходит с текстом дальше и куда уезжают ваши данные.

Вручную: дорого и всё ещё нужно

Час записи набирается за три-четыре часа работы. Это по-прежнему самый точный способ, и там, где ошибка стоит дорого, иначе нельзя: человек понимает контекст, слышит перебивающих друг друга собеседников и не выдумывает слов, которых не было.

Для обычных рабочих встреч это не подходит по деньгам. Разбор одного часового совещания стоит дороже самого совещания, а решение устаревает раньше, чем расшифровка готова.

Локальные модели на своём компьютере

Есть модели распознавания, которые запускаются на своей машине: без интернета и без оплаты за минуту. Русский они понимают прилично.

Цена такого решения не в деньгах, а в трёх вещах. Нужна видеокарта, иначе час записи обрабатывается час. Нужен человек, который это настроит и будет чинить. И на выходе получается сплошной текст без разделения на говорящих — то есть простыня, которую всё равно разбирать руками.

Разумный выбор, когда записей много, они однотипные и есть кому этим заниматься. Плохой — когда надо просто узнать, о чём была вчерашняя встреча.

Облачное распознавание

Это не готовый продукт, а кирпич для разработчиков: отправляете файл, получаете текст, платите за минуты.

Качество на русском у крупных поставщиков сегодня сопоставимое. Разница видна только на плохом звуке и когда говорят одновременно. Разделение по говорящим есть почти у всех.

Момент, о котором вспоминают поздно: где обрабатывается запись. Если в разговоре звучат имена, должности и условия сделок — это персональные данные. Отправлять их за границу нельзя без отдельного уведомления Роскомнадзора, и выяснять это лучше до того, как решение встроено в работу.

Готовые сервисы: расшифровка как побочный продукт

Здесь распознавание не главное. Оно есть у всех и работает примерно одинаково, а различаются сервисы тем, что делают с текстом дальше: собирают протокол по темам, вытаскивают задачи с исполнителями, ищут по архиву, отдают итоги в трекер.

Поэтому сравнивать их по заявленной точности бессмысленно. Все пишут 95–98 %, и это примерно правда. Сравнивать надо по тому, сколько вашей работы остаётся после того, как текст получен.

От чего на самом деле зависит качество

Не от модели, а от звука. Микрофон в центре стола слышит того, кто ближе, и теряет того, кто у окна. Эхо в переговорной без ковра и штор портит распознавание сильнее, чем разница между поставщиками.

Второе по влиянию — термины. Названия компаний, фамилии и внутренние сокращения модель не угадывает. Там, где можно завести словарь своих слов, вторая и третья записи выходят заметно чище первой.

Третье — перебивания. Когда говорят одновременно, ошибаются все. Если в команде так принято, часть реплик сольётся, и время на правку надо закладывать заранее.

• Класть телефон или микрофон ближе к центру стола, а не к себе
• Проговаривать имена в начале встречи — это помогает и людям, и модели
• Заводить словарь терминов, если сервис это умеет
• Не рассчитывать на чистый текст там, где перебивают

Как выбрать

Если запись нужна раз в месяц, хватит любого сервиса с бесплатным тарифом. Если каждую неделю — считайте не цену минуты, а время на разбор полученного текста: настоящая стоимость прячется там.

И проверяйте на своих записях, а не на показательном примере поставщика. Такие примеры записывают в тишине, с хорошим микрофоном и без перебиваний. Ваша планёрка выглядит иначе.