Транскрибация нейросетью: как превратить аудио и видео в текст
Автор: Александра Купринова, Автор AI Vision: видео и музыка. Обновлено 2026-11-05.
Транскрибация — первое, ради чего я начала пользоваться нейросетями в журналистике. До этого я расшифровывала интервью вручную: час записи — три-четыре часа работы, с наушниками и паузой каждые пять секунд.
Транскрибация — это перевод речи в текст. Нейросети для распознавания речи, например Whisper от OpenAI, превращают аудио и видео в текст за минуты, понимают русский, английский и десятки других языков и расставляют знаки препинания. Точность на чистой записи высокая, но на шумных записях с несколькими собеседниками текст придётся вычитать. А дальше чат-модель сделает из расшифровки конспект, протокол или статью. Покажу, как это делается пошагово.
Транскрибация — это перевод устной речи в письменный текст. Раньше её делали вручную или с помощью простых программ распознавания, которые плохо справлялись с акцентами, шумом и пунктуацией. Современные нейросети обучены на сотнях тысяч часов речи на разных языках и распознают её почти как человек.
Whisper — открытая модель распознавания речи от OpenAI, опубликованная в 2022 году. Она поддерживает десятки языков, включая русский, автоматически определяет язык и расставляет пунктуацию. Старшая версия, Whisper Large, даёт наилучшую точность.
- Встречи и созвоны — для протокола и списка задач.
- Интервью — для статьи или исследования.
- Лекции и вебинары — для конспекта. Подробнее об учёбе с нейросетями — в статье про нейросеть для учёбы.
- Подкасты и видео — для субтитров и текстовой версии.
- Голосовые сообщения — чтобы прочитать вместо прослушивания.
- Диктовку — наговорить мысли и получить черновик текста.
1. Подготовьте файл. Подойдут распространённые форматы аудио и видео: MP3, M4A, WAV, MP4. Если файл очень большой, вырежьте только нужный фрагмент или сожмите аудио.
2. Загрузите файл в сервис с моделью распознавания речи.
3. Укажите язык, если модель не определила его автоматически. Это повышает точность, особенно если в записи встречаются иностранные слова.
4. Получите текст и вычитайте его. Обращайте внимание на имена, термины, цифры.
5. Обработайте текст чат-моделью: сделайте конспект, протокол или статью.
- Чистый звук. Записывайте ближе к источнику, без фоновой музыки и шума.
- Один говорящий за раз. Перебивания и одновременная речь снижают точность.
- Хороший микрофон. Даже простая гарнитура лучше встроенного микрофона ноутбука на другом конце стола.
- Термины и имена. Если в записи много специальных слов, после расшифровки проверьте их и исправьте поиском с заменой.
- Разделение говорящих. Не все модели сами помечают, кто говорит. Если это важно, попросите чат-модель разметить реплики по смыслу, но проверьте результат.
Хорошая расшифровка начинается до записи. Я всегда записываю на два устройства, кладу телефон ближе к собеседнику, а не к себе, и стараюсь выбрать тихое место — кафе с музыкой убивает точность.
После расшифровки сверяю с аудио три вещи: имена, цифры и цитаты, которые пойдут в материал. Имена и названия компаний распознаются с ошибками чаще всего. Цитату в текст беру только после того, как переслушала её сама. Это правило, которое у меня было с первого дня в профессии, и нейросеть его не отменила.
Сырая расшифровка — это поток речи с повторами, оговорками и «эээ». Чат-модель превратит его в полезный документ.
Протокол из расшифровки
Составь протокол встречи по расшифровке.
О чём встреча: обсуждение бюджета на квартал.
Участники: перечислите имена и роли, если в расшифровке они не названы.
Структура:
1. Участники.
2. Обсуждённые вопросы — коротко, по одному абзацу.
3. Принятые решения.
4. Задачи: что, кто, срок — таблицей.
5. Открытые вопросы.
Не добавляй ничего, чего нет в тексте. Если ответственный или срок не назван, пиши «не назван». Неразборчивые места помечай.
[вставьте расшифровку]
Конспект лекции
Сделай конспект лекции по расшифровке.
Тема: история дизайна, модерн.
Для чего: подготовка к зачёту.
Объём — не больше двух страниц.
1. Основные идеи — по разделам с подзаголовками.
2. Определения — выделены отдельно.
3. Примеры, имена и даты — как в лекции.
4. В конце — 5 вопросов для самопроверки.
Не добавляй фактов, которых не было в лекции. Если в расшифровке похоже на ошибку распознавания, отметь это место.
[вставьте расшифровку]
Статья из интервью
На основе этой расшифровки интервью напиши статью от третьего лица на 5000 знаков.
Герой: основательница сети пекарен.
Сохрани прямые цитаты, но убери оговорки и повторы. Факты — только из расшифровки.
[вставьте расшифровку]
Фраза «не добавляй ничего, чего нет в тексте» важна: без неё модель может дописать правдоподобные, но выдуманные детали. Подробнее о работе с текстами — в статьях как написать текст нейросетью и как улучшить текст нейросетью. Если запись на иностранном языке, расшифровку можно сразу перевести — подробнее в статье про перевод нейросетью.
Ручная расшифровка часа записи занимает три-четыре часа внимательной работы. С нейросетью тот же час превращается в текст за несколько минут, а вычитка занимает ещё 15–30 минут в зависимости от качества звука. Если затем попросить чат-модель сделать протокол или конспект, весь путь от записи до готового документа укладывается меньше чем в час. Для тех, кто регулярно проводит встречи или интервью, это несколько свободных рабочих дней в месяц.
Записи встреч и интервью часто содержат личные данные и коммерческую информацию.
- Предупреждайте участников о записи и расшифровке.
- Не загружайте записи с паролями, номерами карт и медицинскими данными в сервисы, которым не доверяете.
- Удаляйте файлы после обработки, если они больше не нужны.
Подробнее — в статье про безопасность данных в нейросетях.
Читайте такжемузыка без авторских прав нейросетью.
Частые вопросы
Можно ли сделать транскрибацию бесплатно?
Whisper — открытая модель, её можно запустить на своём компьютере, но для этого нужны технические навыки и мощная видеокарта. Онлайн-сервисы обычно дают бесплатно только короткие записи.
Насколько точна транскрибация на русском?
На чистой записи с одним говорящим — очень высокая. На шумной записи с несколькими собеседниками понадобится вычитка.
Можно ли расшифровать видео с YouTube?
Технически да, если у вас есть файл. Уважайте авторские права и используйте расшифровку для личных целей.
Расставляет ли нейросеть знаки препинания?
Да, Whisper расставляет пунктуацию и заглавные буквы автоматически.
Расшифровка и обработка в одном окне
В AI Vision можно загрузить аудио или видео в Whisper Large и получить текст, а затем в том же окне попросить GPT, Claude или Gemini сделать из расшифровки протокол, конспект или статью. Не нужно переносить текст между разными сервисами.
Расшифровать запись в AI Vision