Саммари и конспект из видео и аудио нейросетью

Загрузите запись - нейросеть Palatine Speech сделает саммари и конспект из видео и аудио. На входе лекция, встреча, подкаст или видео. На выходе готовый результат поверх транскрипта: обработанный конспект, без голой расшифровки. Работаем мы именно с вашей загруженной записью - звук берём из вашего файла, не из готового текста или презентации. Внутри две модели в одной цепочке: ASR распознаёт речь, дальше модель суммаризации сворачивает транскрипт в структурированный конспект.

Что выдаёт нейросеть: саммари, тезисы, протокол, задачи

Сервис выдаёт краткое содержание, тезисы, протокол с решениями и action items - готовый результат, который вы сразу пускаете в дело.

Краткое содержание и тезисы

Краткое содержание - это запись, ужатая до 3-5 предложений: о чём вообще шла речь на лекции или встрече, без воды. Тут же, рядом, ключевые тезисы - списком, разбитые на подзаголовки по темам. А под капотом всё это собирает модель суммаризации: она сворачивает транскрипт в структурированный конспект на чистом тексте, и часовая запись превращается в понятный видео конспект вместо стены слов.

Протокол с решениями и action items

Для встреч у сервиса есть протокол с решениями - видно, кто что предложил и что в итоге приняли. Спикеров по тайм-кодам размечает диаризация, поэтому протокол помнит, кто именно что сказал. Рядом лежат action items: список конкретных дел с исполнителями, готовый to-do прямо из разговора. И вот так резюме встречи становится рабочим документом, который вы рассылаете участникам.

AI-чат по записи

AI-чат по записи отвечает на вопросы по содержимому и даёт ссылку на тайм-код в транскрипте. Спросите «что решили по бюджету?» или «перечисли возражения клиента» - ответ придёт с указанием места в записи, и пролистывать её целиком вам не нужно.

Как сделать конспект из видео или аудио

Чтобы сделать конспект, вам не нужно копировать текст между сервисами - всё происходит в одном окне.

Загрузка файла записи

Загрузите файл (MP4, MOV, MP3, WAV, M4A, OGG) - звук мы извлечём автоматически. Так вы получаете и пересказ видео, и краткое содержание видео с ютуба: загрузили запись, забрали тезисы. Это конспект из видео, собранный нейросетью без ручной расшифровки.

Три шага: запись → распознавание → саммари

Чтобы получить готовый конспект, пройдите три шага:

1. Запись - загрузите файл лекции или встречи.
2. Распознавание - ASR-движок расшифровывает речь и размечает спикеров по тайм-кодам.
3. Саммари - модель сворачивает транскрипт в краткое содержание, тезисы, протокол и action items.

Транскрибация и суммаризация в одном сервисе

Цепочка объединяет транскрибацию и суммаризацию в одном сервисе: вы не переносите текст из одного инструмента в другой.

Две модели в одной цепочке

Сначала ASR-движок Palatine Speech распознаёт речь, затем модель суммаризации сворачивает транскрипт в конспект - это генератор конспектов на двух моделях. Из полуторачасовой лекции выходит конспект на одну страницу, и копировать между сервисами вам не приходится. Нужна только расшифровка? Тогда отдельно доступна транскрибация аудио или видео в текст.

Точность распознавания = качество саммари

Точность распознавания напрямую задаёт качество саммари. ASR-движок Palatine Speech распознаёт русскую речь с точностью WAcc 92,9% (WER 7,10%) по бенчмарку на семи датасетах - точнее Whisper-large-v3 с его 7,44%. На чистом транскрипте нейросеть строит конспект без ошибок распознавания, так что тезисы и решения не искажаются. Онлайн-суммаризаторы видео из выдачи берут готовые субтитры чужого ролика, а мы распознаём именно ваш файл - со своей диаризацией и протоколом.

Кому подходит: лекции, встречи, подкасты, интервью

Саммари из видео и аудио закрывает разные сценарии - от учёбы до деловых созвонов.

Студенты и преподаватели (конспект лекции)

Студенты получают конспект лекции нейросетью вместо ручной писанины. Загрузили запись пары на 1,5 часа - забрали конспект на одну страницу с тезисами и тайм-кодами. Готовый конспект экономит вам время: переслушивать всю запись не нужно.

Команды (протокол встречи)

Команды загружают созвон в Zoom или Telemost и получают протокол встречи со спикерами, решениями и action items. Это саммари встречи, которое вы сразу рассылаете участникам. Для звонков с решениями у нас есть отдельная страница - протоколы звонков.

Контент и журналисты

Контент-мейкеры загружают ролик и получают пересказ ютуб видео с тезисами для постов и описаний. Журналисты собирают саммари длинных интервью и пресс-конференций: главные цитаты и факты, без прослушивания записи целиком.

Форматы, языки и длинные записи

Сервис принимает видео и аудио, работает с записями на несколько часов.

Видео/аудио на входе, выгрузка DOCX/TXT/MD

Сервис принимает MP4, MOV, MP3, WAV, M4A, OGG - звук извлекаем автоматически. Транскрипт и саммари вы выгружаете в DOCX, TXT и Markdown, для видео есть субтитры SRT/VTT. Любой результат копируется в один клик.

~100 языков и записи на 1,5-3 часа

Суммаризация работает на ~100 языках, включая русский и языки СНГ. Язык записи мы определяем автоматически, и конспект формируется на языке записи. Лекцию или встречу на 1,5-3 часа сервис обрабатывает за минуты - скорость около ~1-2% длительности файла.

Безопасность: данные в России

Записи лекций и встреч мы обрабатываем в России - без передачи третьим лицам.

152-ФЗ и 4 ЦОД Tier III

Записи мы обрабатываем по 152-ФЗ в 4 ЦОД уровня Tier III в РФ. Передача идёт по TLS, а оплата проходит картами МИР и через СБП, без VPN.

Не обучаем модели на ваших записях

Мы не обучаем модели на ваших записях. Загруженные файлы идут только на то, чтобы сделать вам саммари и конспект, и третьим лицам мы их не отдаём. Короткую запись или войс быстрее расшифровать в Telegram-боте - а длинные лекции и встречи с саммари вы обрабатываете через аплоадер на странице.

Саммари, конспект и резюме встречи: в чём разница

Саммари путают с конспектом, конспект с протоколом, а резюме встречи со стенограммой, хотя из одной и той же записи выходят четыре разных документа. Саммари это самый короткий из них: сжатый пересказ в несколько предложений о том, о чём вообще была лекция или встреча, без цитат и деталей. Его читают за полминуты, чтобы решить, нужно ли вообще разбираться с записью дальше или тема мимо.

Конспект от саммари отличается структурой. Он держит тезисы, подзаголовки по темам и тайм-коды, по которым легко вернуться к нужной минуте. Протокол встречи, он же резюме встречи, устроен строже и фиксирует, кто что предложил, какие решения приняли и какие задачи повесили на конкретных спикеров. Дословная стенограмма не сжимает ничего и передаёт речь слово в слово, так что из полуторачасового звонка набегает несколько десятков страниц. Palatine собирает из одной загруженной записи и краткое содержание, и тезисы, и протокол с решениями, и список action items; про то, чем протокол отличается от дословной стенограммы, есть отдельный разбор.

Как сделать конспект видео из YouTube, VK или Rutube

Конспект видео с ютуба, из VK или Rutube собирается в два действия, потому что ссылку на чужой ролик сервис на вход не берёт. Приём идёт только файлом или напрямую с микрофона, поля «вставьте ссылку» для YouTube, VK, Rutube или Яндекса тут нет. Порядок простой: сначала скачиваете ролик из плеера площадки, затем загружаете получившийся файл в аплоадер, и уже по нему нейросеть распознаёт речь и собирает конспект с тезисами и тайм-кодами.

Распознаётся именно ваша загруженная запись со своей диаризацией по спикерам, а не субтитры, которые площадка прикрутила к ролику: их мы не забираем и на них не опираемся. Звук из видео извлекается автоматически, отдельно вытаскивать аудиодорожку не нужно, на вход идут MP4, MOV, MP3, WAV, M4A и OGG. Пересказ ролика с рутуба или ютуба получается тем же путём, что и конспект записи собственного вебинара, разницы в обработке между чужим и своим файлом нет.

Конспект по файлу и что реально бесплатно

Конспект по файлу означает ровно то, что написано: выжимка строится по загруженной записи, а не по вставленной ссылке или набранному тексту. Файл это точный вход сервиса, будь то запись пары на 1,5 часа, экспортированный созвон или аудиозапись подкаста в текст из mp3. Полуторачасовая лекция после загрузки сворачивается в конспект на одну страницу с тезисами и тайм-кодами за считанные минуты, потому что распознавание идёт со скоростью около 1–2% от длительности записи.

Бесплатно и быстро расшифровать короткую запись можно в Telegram-боте @VoicePalatineBot: он берёт до 100 расшифровок в день и нормально справляется с войсами и короткими роликами. Длинные лекции и часовые встречи бот целиком не суммирует, для них сделан веб-сервис с аплоадером, где для теста выдают минуты по запросу, без обещаний безлимитного бесплатного пакета. Дальше работает pay-as-you-go от 0,29 ₽/мин, оплаченный баланс не сгорает и не привязан к календарному месяцу.

Чем конспект из записи отличается от конспекта текста в ChatGPT

Конспект текста в ChatGPT и других текстовых конспектерах начинается с того, что текст уже набран: на вход такие сервисы принимают готовые символы, а не аудио- или видеозапись. Чтобы получить в них выжимку часового созвона, запись сперва нужно где-то расшифровать в текст, а потом вставить его в окно, и это отдельный шаг с отдельным инструментом. Гпт-конспект по статье или переписке они соберут, а вот саму дорожку с речью не услышат.

Palatine принимает саму запись и делает оба шага в одной цепочке из двух моделей: сначала распознавание речи, потом суммаризация распознанного. Качество выжимки здесь упирается в качество распознавания, а оно держится на WAcc 92,9% (WER 7,10%), поэтому ошибки расшифровки не перетекают в тезисы и решения. Произвольный набранный текст на вход мы при этом не берём, инструмент заточен под запись, а не под замену текстового редактора.

Что нейросеть вытаскивает из речи в видео

Анализ видео нейросетью здесь означает разбор того, что в видео сказано, а не того, что в кадре показано. Сервис работает с речевой дорожкой и превращает произнесённое в структуру: краткое содержание, тезисы по темам, протокол с решениями и список action items. Описание видео нейросетью строится по словам спикеров, а диаризация размечает их по тайм-кодам, чтобы в разборе было видно, кто именно что сказал.

Визуальный ряд остаётся за границей: распознавания объектов и сцен в кадре, текста со слайдов и эмоций по лицам сервис не делает. Если весь смысл ролика в том, что показано без слов, например немой график или таблица на экране без комментария диктора, разобрать его по речи не выйдет, потому что разбирать нечего. Там, где спикер проговаривает содержание вслух, из полуторачасовой записи собирается конспект на страницу с тезисами и тайм-кодами.