Palatine Speech
Перевод аудио и видео в текст
Переводим аудио и видео в текст: расшифровка речи в исходном языке с точностью WER 7,10%, тайм-коды, разбивка по спикерам, форматы SRT/VTT. От 0,29 ₽/мин.
- Точность 92,9% (WER 7,10%)
- Тайм-коды и спикеры
- ~100 языков
- 152-ФЗ · данные в РФ
- от 0,29 ₽/мин
Перевод аудио и видео в текст
«Перевести аудио или видео в текст» здесь означает расшифровку: Palatine Speech распознаёт звучащую речь и превращает её в текст на том же языке, на котором говорят в записи. Это не перевод на другой язык и не озвучка - вы получаете дословную текстовую версию сказанного, с тайм-кодами и разбивкой по спикерам. Расшифровка (транскрибация) - это преобразование звучащей речи в письменный текст, и именно её закрывают запросы вроде «перевод аудио», «аудио перевод», «перевод речи» и «перевести речь».
Что значит «перевести аудио и видео в текст»
Перевод аудиозаписи или видео в текст - это speech-to-text, а не смена языка. Мы сознательно не смешиваем распознавание с машинным переводом: когда текст остаётся в исходном языке, он не наследует ошибку перевода и пригоден для цитирования, поиска и субтитров. Если нужно переведи аудио в читаемые строки - загружайте файл, и вы получите точную запись сказанного.
Точность распознавания речи
Точность распознавания составляет WER 7,10% и WAcc 92,9% на бенчмарке из 7 датасетов; на телефонном звуке 8 кГц она держится около 90%.
Сравнение WER с ElevenLabs, AssemblyAI, Whisper
По метрике WER (меньше - лучше) Palatine Speech показывает 7,10% против ElevenLabs 6,88%, AssemblyAI 7,03% и Whisper-large-v3 7,44% - результат на уровне мировых лидеров, но на инфраструктуре в России.
Когда пользователь пишет «перевести аудио в текст», он почти всегда имеет в виду расшифровку — превратить звук в читаемые строки, а не сменить язык. Мы сфокусировались именно на этом: точно распознать речь в её исходном языке, расставить тайм-коды и разделить спикеров. Так текст остаётся дословным и пригодным для цитирования, поиска и субтитров.
Поддерживаемые языки и автоопределение языка речи
Поддержка охватывает около 100 языков, включая русский и языки стран СНГ. Язык записи можно указать вручную или дать платформе определить язык по речи автоматически - это удобно, когда исходный язык заранее неизвестен.
Что можно перевести в текст
Голосовые сообщения и записи разговоров
Перевод голосового сообщения, перевод разговора или диалога с нескольких микрофонов - платформа вернёт текст с разметкой, кто и когда говорит. Для аудиофайлов это тот же процесс, что и транскрибация аудио в текст.
Диктофонные записи и аудиофайлы
Диктофонные записи интервью, лекций и планёрок, перевод аудиозаписи в mp3, wav или m4a - загрузите файл, и речь превратится в дословный текст.
Речь из видеофайлов
Речь из видеофайла извлекается и расшифровывается так же, как звук, - это транскрибация видео в текст без ручного набора.
Как перевести аудио или видео в текст
- Загрузите аудио- или видеофайл в дашборде или запишите звук с микрофона (ссылки на YouTube/VK не принимаются - скачайте видео и загрузите файл).
- Укажите язык записи или включите автоопределение.
- Выберите нужный формат результата.
- Получите готовый текст с тайм-кодами и разбивкой по спикерам.
Скорость обработки - примерно 1-2% длительности файла, поэтому даже часовая запись расшифровывается за минуты.
Форматы результата и тайм-коды
Результат приходит в форматах text, json, verbose_json, а также субтитрами SRT и VTT с тайм-кодами. Субтитры формируются на языке оригинала (same-language) - это готовые дорожки для видео без перевода на другой язык.
Разделение по спикерам (диаризация)
Диаризация размечает, кто и когда говорит, с тайм-кодами - расшифровка разговора превращается в структурированный диалог по репликам.
Стоимость перевода аудио и видео в текст
Стоимость начинается от 0,29 ₽/мин по модели pay-as-you-go: баланс не сгорает, секунды округляются вниз. Оплата - картой МИР, через СБП или по счёту, без VPN. Объёмы для бизнеса выделяем по запросу.
Безопасность и хранение данных
Инфраструктура размещена в 4 ЦОД Tier III в РФ, с соответствием 152-ФЗ и шифрованием TLS. Мы не обучаем модели на данных клиентов.
API для перевода речи в текст
API принимает запрос POST /audio/transcriptions (OpenAI-совместимый), поддерживает диаризацию и тайм-коды; для файлов используется polling. Документация - на docs.speech.palatine.ru.
Telegram-бот для быстрой расшифровки
Telegram-бот @VoicePalatineBot даёт 100 бесплатных расшифровок в день: перешлите войс, аудио или видео - получите текст. Это удобный способ попробовать перевод речи в текст ещё до подключения API, по сути транскрибация бесплатно прямо в мессенджере.
Ответы на вопросы
Не нашли ответ на свой вопрос? Напишите нам
Что значит «перевести аудио или видео в текст»?
Это расшифровка: платформа распознаёт звучащую речь и превращает её в текст на том же языке, на котором говорят в записи. Это не перевод на другой язык и не озвучка — вы получаете дословную текстовую версию сказанного.
Вы переводите речь с английского на русский?
Нет. Palatine Speech делает расшифровку в исходном языке: английская речь станет английским текстом, русская — русским. Кросс-языкового перевода, дубляжа и озвучки нет.
Какие языки поддерживаются?
Около 100 языков, включая русский и языки стран СНГ. Язык записи можно указать вручную или положиться на автоопределение.
Насколько точный результат?
На бенчмарке из 7 датасетов точность составляет WER 7,10% и WAcc 92,9%. На телефонном звуке 8 кГц точность около 90%.
Сколько стоит перевод аудио и видео в текст?
От 0,29 ₽ за минуту по модели pay-as-you-go. Баланс не сгорает, секунды округляются вниз, оплата картой МИР, через СБП или по счёту.
Можно ли расшифровать голосовое сообщение или запись разговора?
Да. Загрузите файл голосового сообщения, диктофонную запись или запись разговора — платформа вернёт текст с тайм-кодами и разбивкой по спикерам. В Telegram-боте @VoicePalatineBot доступно 100 бесплатных расшифровок в день.
В каких форматах приходит результат?
Текст, JSON, verbose_json, а также субтитры SRT и VTT с тайм-кодами. Субтитры формируются на языке оригинала.
Можно вставить ссылку на YouTube или VK?
Нет, обработка идёт по файлу. Скачайте видео и загрузите файл (или запишите звук с микрофона) — платформа извлечёт речь и вернёт текст.