Palatine Speech
Транскрибация аудио в текст онлайн
Загрузите запись - нейросеть Palatine Speech переведёт её в текст с таймкодами и делением на спикеров. Точность 92,9%, 23+ форматов, файлы от 10 часов, от 0,29 ₽ за минуту.
- Точность 92,9% (WER 7,10%)
- Таймкоды по словам
- До 5 спикеров
- Файлы 10+ часов
- 152-ФЗ · данные в РФ
Транскрибация аудио в текст преобразует речь из аудиофайла в готовую стенограмму с пунктуацией, абзацами и таймкодами. Сервис Palatine Speech распознаёт аудио с точностью 92,9% (WER 7,10%) и автоматически делит запись на спикеров. Это онлайн-инструмент для интервью, созвонов, подкастов и диктофонных записей: он не озвучивает текст, не распознаёт картинки и не ищет музыку. Чтобы перевести аудио в текст онлайн, загрузите файл или вставьте ссылку - нейросеть для транскрибации вернёт расшифровку аудиозаписи, готовую к скачиванию.
Как перевести аудио в текст: 3 шага
Расшифровка аудио занимает три действия и не требует ручной разметки.
- Загрузите файл или вставьте ссылку. Перетащите запись в окно или укажите URL - сервис принимает 23+ форматов, включая аудиодорожки видео.
- Дождитесь обработки. Нейросеть распознаёт речь со знаками препинания и абзацами; обработка файла занимает 1-2% длительности - около 25 секунд на 30-минутный файл.
- Скачайте стенограмму. Заберите текст в TXT, DOCX, SRT или VTT, а по API - в CSV, XLSX или JSON.
Загрузить файл или вставить ссылку (23+ форматов)
Источником ввода служит загрузка файла через drag&drop или вставка ссылки. Сервис принимает MP3, WAV, M4A, OGG, AAC, FLAC и аудиодорожки видео - этого хватает, чтобы преобразовать аудио в текст с любого диктофона, мессенджера или записи звонка. Один файл может длиться 10+ часов и обрабатывается целиком, без деления на части.
Что вернёт нейросеть (текст с пунктуацией, абзацами, спикерами)
На выходе вы получаете не сырой поток слов, а структурированный текст: знаки препинания и абзацы расставлены автоматически, реплики разнесены по говорящим, а у каждого слова есть таймкод. Такую расшифровку аудио в текст с таймкодами и спикерами удобно вычитывать, цитировать и собирать в субтитры.
Нейросеть для транскрибации аудио: точность и бенчмарк
ИИ-транскрибация аудио опирается на собственную модель Palatine, обученную на 700 000 часов аудио. Это объясняет, почему автоматическая транскрибация аудиозаписей здесь точнее многих открытых решений.
Точность транскрибации: WAcc 92,9% и WER 7,10% по семи датасетам
Palatine распознаёт аудио с точностью WAcc 92,9% при WER 7,10% - замер проведён на семи открытых датасетах. По этому показателю модель опережает Whisper-large-v3 (WER 7,44) и distil-large-v3 (7,52). Мы даём честную метрику: это лучшая точность среди доступных в РФ сервисов по цене ниже 0,3 ₽/мин, а не абстрактные «95-99%».
Точность на шуме и телефонии
Для зашумлённых каналов и телефонии 8 кГц работает отдельная модель - точность держится около 90%. Поэтому транскрибация аудио со знаками препинания остаётся читаемой даже на записях колл-центра или диктофона в людном месте.
Кастомный словарь и числа
Кастомный словарь терминов подтягивает отраслевые названия, имена и аббревиатуры, а числа, даты и суммы распознаются точно. Назовите спикеров и термины в начале записи - и расшифровка аудиозаписи будет ещё аккуратнее.
Деление на спикеров и таймкоды по словам
Диаризация (деление на спикеров) и таймкоды превращают сплошную запись в читаемый диалог с навигацией.
Диаризация до 5 дикторов
Диаризация размечает реплики до 5 спикеров по тайм-кодам. Реплики подписываются «Спикер 1», «Спикер 2» и переименовываются вручную, поэтому интервью или рабочий созвон читаются как диалог, а не как поток.
Word-level таймкоды для цитат и субтитров
Таймкоды проставляются для каждого слова. По тексту с таймкодами вы быстро находите нужную цитату, монтируете фрагмент и собираете субтитры SRT/VTT из тех же отметок времени.
Какие форматы аудио можно перевести в текст
Матрица форматов закрывает и вход, и выход: любой источник звука превращается в стенограмму нужного вида.
Вход (MP3, WAV, M4A, OGG, AAC, FLAC…)
Сервис принимает 23+ форматов: MP3, WAV, M4A, OGG, AAC, FLAC и аудиодорожки видео. Перевести AAC в текст или расшифровать редкий контейнер можно так же, как и привычный MP3.
Выход (TXT, DOCX, SRT, VTT, CSV, XLSX, JSON)
Результат экспортируется в TXT, DOCX, SRT и VTT, а по API - в CSV, XLSX и JSON. Для статьи берите DOCX, для субтитров - SRT/VTT, для аналитики - CSV или XLSX.
Сколько стоит транскрибация аудио
Цена прозрачна и без подписки: вы платите только за обработанные минуты.
От 0,29 ₽/мин и бесплатные минуты по запросу
Транскрибация аудио стоит от 0,29 ₽ за минуту - это 17,4 ₽ за час и самая низкая ставка среди доступных в РФ сервисов. Новым пользователям 1000 минут бесплатно выделяем по запросу - чтобы проверить точность на своих файлах.
Pay-as-you-go, баланс не сгорает
Биллинг работает по модели pay-as-you-go: баланс не сгорает, секунды округляются вниз, а оплата проходит картами МИР и через СБП без VPN. Полный разбор цены и правил - на странице /tarify/.
Кому пригодится перевод аудио в текст
Расшифровка аудио экономит время везде, где речь нужно перечитать или процитировать.
Интервью, подкасты, лекции
Журналист загружает аудио интервью на час и за ~1 минуту получает расшифровку со спикерами и таймкодами, затем скачивает DOCX. Подкастер загружает выпуск на 2 часа, получает стенограмму и собирает шоуноты и субтитры SRT/VTT из таймкодов; лекцию так же удобно превратить в конспект.
Созвоны, диктофон, исследования
Продакт загружает запись созвона на 30 минут и читает текст с разметкой по говорящим вместо повторного прослушивания. Исследователи расшифровывают диктофонные интервью, а из готовой стенограммы собирают саммари. Для длинных видеозвонков есть отдельная страница видео в текст.
Безопасность данных и 152-ФЗ
Записи остаются в российском контуре и не используются для обучения.
4 ЦОД Tier III в РФ
Данные обрабатываются в 4 ЦОД уровня Tier III на территории РФ с отказоустойчивостью 99,982% - это соответствует 152-ФЗ. Передача идёт по TLS, оплата проходит без VPN и зарубежных сервисов.
Не обучаем модели на ваших файлах
Мы не обучаем модели на ваших записях, не храним и не анализируем их после выдачи, а для бизнеса заключаем договор и NDA. В отличие от части сервисов в выдаче, мы публикуем реальные лимиты файла и честную метрику точности, а не маркетинговые «95-99%» без методики.
API транскрибации для разработчиков
Транскрибацию легко встроить в продукт без переписывания интеграции. API совместим с SDK OpenAI: достаточно заменить базовый адрес (base_url) на адрес Palatine и вызвать метод POST /audio/transcriptions. Ответ приходит в JSON с полями text, speakers и пословными words - те же таймкоды и деление на спикеров, что и в веб-интерфейсе. Поддержаны асинхронный polling статуса задачи, потоковая транскрибация по WebSocket и выгрузка в SRT, VTT, CSV и XLSX. Подробности - на странице speech-to-text API и в документации docs.speech.palatine.ru.
Короткие голосовые сообщения и войсы из мессенджеров быстрее расшифровать в боте, а для диктовки текста голосом в реальном времени используйте диктовку голосом.
Звук в текст: распознаём речь в звуковом файле
Звук в текст мы получаем из речи внутри звукового файла: сервис ищет в записи проговорённые слова и отдаёт текст из звука с пунктуацией и таймкодами по словам. Звуковой файл на входе бывает MP3, WAV, M4A, OGG, AAC или FLAC, а ещё звуковой дорожкой видео, всего 23+ форматов. Распознать звук и распознать аудио для сервиса одно и то же: он расшифровывает речь, а не разбирает сам сигнал.
Граница тут простая. Мы распознаём речь в звуке, но не классифицируем неречевые звуки: лай собаки, сирену или шаги за стеной в подпись система не превратит, трек по образцу тоже не опознает, это не Shazam. Вокал песни стоит особняком, и если нужен именно текст песни по вокалу, под эту задачу есть отдельная посадочная, а минусовку и инструментал сервис не расшифровывает.
| Что в звуковом файле | Распознаём в текст | Комментарий |
|---|---|---|
| Речь: интервью, созвон, диктофон | да | основная задача, WER 7,10% на чистой записи |
| Речь на шуме и телефонии 8 кГц | да, около 90% | отдельная модель для плохого канала |
| Звук-событие: лай, сирена, шаги | нет | неречевые звуки не размечаем |
| Музыка, поиск трека по образцу | нет | это не Shazam |
| Вокал песни в текст | отдельная страница | вынесен на посадочную про текст песни |
Онлайн-расшифровка аудиозаписи и чем она отличается от стенограммы
Онлайн-расшифровка аудиозаписи это автоматическое преобразование звучащей речи в письменный текст прямо в браузере: вы загружаете файл, а через время порядка 1–2% его длительности забираете готовый текст аудиозаписи. Получасовая запись обрабатывается примерно за 25 секунд, час укладывается в минуту. Расшифровать аудио можно с диктофона, из мессенджера или со звонка, и аудиозапись в текст переводится целиком, даже когда она идёт больше десяти часов. От стенограммы такая расшифровка отличается происхождением: расшифровку собирает алгоритм, а стенограмма это дословная запись устной речи, оформленная по регламенту, с ремарками и регистром, и обычно её готовит человек. Разбор терминов мы вынесли в блог, там показано, чем стенограмма отличается от обычной расшифровки.
Старая или некачественная запись это отдельный случай. Для шумного канала и телефонии 8 кГц включается отдельная модель, она держит точность около 90%, а кастомный словарь подтягивает архивные термины, фамилии и аббревиатуры, на которых базовая модель спотыкается. Оцифровываете кассету или диктофонную плёнку из девяностых, назовите спикеров и специфические слова в начале файла, так расшифровка аудиозаписи выйдет чище. Бытовые записи с диктофона разобраны на своей странице подробнее.
Юридический сценарий мы держим отдельно намеренно. Если аудиозапись пойдёт в дело как доказательство, у оформления есть свои требования, и они собраны на отдельной странице про запись как доказательство в суде. Здесь задача проще: преобразовать разговор, планёрку или интервью в текст, который удобно перечитать, найти в нём цитату и отправить коллеге.
Работает в браузере: скачивать программу не нужно
Программу для расшифровки скачивать не нужно: транскрибация аудио в текст работает в браузере, вы открываете страницу на Windows, macOS или Linux и загружаете файл, ничего не устанавливая. Когда ищут программу для аудио в текст или .exe под Windows, обычно ждут десктопное приложение, но у нас веб-сервис: обновления приезжают сами, без переустановки и админских прав.
Каналов на деле три, и выбор зависит от задачи. Онлайн в браузере закрывает обычные файлы, для чувствительных данных есть установка в контуре заказчика (On-Premise), а короткие голосовые быстрее прогнать через Telegram-бот. Настольного приложения с ярлыком на рабочем столе мы не выпускаем, так что если нужно сравнить именно программы под установку, посмотрите обзор приложений для транскрибации в блоге.
Перевод аудио в текст: расшифровка речи, а не перевод на другой язык
Перевод аудио в текст чаще всего означает расшифровку, то есть перенос звучащей речи в буквы того же языка, а не перевод с одного языка на другой. Межъязыкового перевода сервис не делает: говорят в записи по-русски, на выходе русский текст, говорят по-английски, английский.
Иноязычные записи мы отдаём на языке оригинала. Английское аудио в текст превращается английскими словами, запись на языке СНГ, немецком или испанском своими, всего сервис распознаёт речь примерно на 100 языках с автоопределением. Поэтому аудио в текст на русском и английское аудио в текст это две настройки одного распознавания, а не переводчик: русское интервью останется русским текстом, а английский подкаст английским.
Для бизнеса важна не только точность расшифровки, но и то, что записи переговоров остаются в России. Мы обучили модель на 700 000 часов русской речи и держим данные в ЦОД на территории РФ – поэтому транскрибация получается точной, быстрой и без риска утечки за рубеж.
Palatine Speech против ручной расшифровки и зарубежных сервисов
| Palatine Speech | Ручная расшифровка | Зарубежные сервисы | |
|---|---|---|---|
| Цена за час | 17,4 ₽ | 600-1200 ₽ | 60-360 ₽ (в валюте) |
| Скорость на час аудио | ~1 минута | 4-6 часов | 5-10 минут |
| Деление на спикеров | да, до 5 | вручную | частично |
| Таймкоды по словам |  | частично | |
| Данные в РФ / 152-ФЗ | да, 4 ЦОД Tier III | | |
| Оплата из РФ без VPN | МИР/СБП/счёт | - | требует карты/VPN |
| Минуты сгорают | нет (pay-as-you-go) | - | часто да (подписка) |
Цена за час
- Palatine Speech
- 17,4 ₽
- Ручная расшифровка
- 600-1200 ₽
- Зарубежные сервисы
- 60-360 ₽ (в валюте)
Скорость на час аудио
- Palatine Speech
- ~1 минута
- Ручная расшифровка
- 4-6 часов
- Зарубежные сервисы
- 5-10 минут
Деление на спикеров
- Palatine Speech
- да, до 5
- Ручная расшифровка
- вручную
- Зарубежные сервисы
- частично
Таймкоды по словам
- Palatine Speech
- Ручная расшифровка
- Зарубежные сервисы
- частично
Данные в РФ / 152-ФЗ
- Palatine Speech
- да, 4 ЦОД Tier III
- Ручная расшифровка
- Зарубежные сервисы
Оплата из РФ без VPN
- Palatine Speech
- МИР/СБП/счёт
- Ручная расшифровка
- -
- Зарубежные сервисы
- требует карты/VPN
Минуты сгорают
- Palatine Speech
- нет (pay-as-you-go)
- Ручная расшифровка
- -
- Зарубежные сервисы
- часто да (подписка)
Ответы на вопросы
Какая точность у транскрибации аудио в текст?
Средний WER 7,10% (точность по словам 92,9%) – замер на семи открытых датасетах; в бенчмарке мы выше Whisper-large-v3 (7,44) и distil-large-v3 (7,52). На чистой записи точность выше, на телефонии и шуме – около 90% за счёт отдельной модели; кастомный словарь подтягивает термины, имена и аббревиатуры, числа распознаются точно.
Сколько стоит перевести аудио в текст?
От 0,29 ₽/мин – это 17,4 ₽ за час; диаризация (спикеры) – от 0,30 ₽/мин; новым пользователям – 1000 бесплатных минут по запросу; pay-as-you-go без подписки, баланс не сгорает, секунды округляются вниз. Полные тарифы и правила биллинга – на /tarify/.
Какие форматы аудио можно расшифровать?
23+ форматов: MP3, WAV, M4A, OGG, AAC, FLAC и другие, включая аудиодорожки видео. Результат скачивается в TXT, DOCX, SRT, VTT, а по API – CSV, XLSX, JSON.
Как быстро обрабатывается запись?
1-2% от длительности файла: 30 минут ≈ 25 секунд, час аудио ≈ минута. Для сравнения, у большинства сервисов в рунете час занимает 5-7 минут.
Сервис различает нескольких говорящих?
Да, диаризация делит текст до 5 спикеров с таймкодами реплик, работает на многоканальном аудио и в шуме. Реплики подписываются «Спикер ½…», их можно переименовать.
Это безопасно? Куда попадают мои записи?
Обработка в 4 ЦОД уровня Tier III на территории РФ (отказоустойчивость 99,982%), передача по TLS, соответствие 152-ФЗ. Мы не обучаем модели на ваших файлах, не храним и не анализируем их; для бизнеса – договор и NDA.
Можно ли расшифровать подкаст или лекцию длиной несколько часов?
Да, сервис принимает файлы от 10+ часов без деления на части; таймкоды и саммари помогают навигировать по длинной записи и собирать шоуноты.
А короткие голосовые и войсы из мессенджеров?
Их удобнее расшифровать в Telegram-боте @VoicePalatineBot: перешлите голосовое – получите текст со спикерами за секунды, 100 расшифровок в день бесплатно.
Можно ли встроить транскрибацию в своё приложение?
Да, API совместим с SDK OpenAI – достаточно заменить base_url; есть асинхронный polling с выгрузкой SRT/VTT/CSV/XLSX и потоковая транскрибация по WebSocket. 1000 бесплатных минут по запросу хватит на интеграцию и тест.
Можно ли распознать звук из звукового файла, а не только аудио?
Да, мы распознаём речь внутри звукового файла или звуковой дорожки и возвращаем текст с пунктуацией и таймкодами по словам. Звуки-события вроде лая, сирены или шагов и музыку по образцу сервис не определяет: это распознавание речи, а не классификатор любых звуков.
Чем расшифровка отличается от стенограммы?
Расшифровка это автоматическое преобразование звучащей речи в письменный текст, его делает алгоритм за время порядка 1–2% длительности файла. Стенограмма отличается тем, что это дословная запись, дополнительно оформленная по регламенту, с ремарками и регистром. Развёрнутый разбор терминов лежит в блоге, ссылку мы даём в блоке про онлайн-расшифровку аудиозаписи.
Нужно ли скачивать программу или всё работает онлайн?
Всё работает в браузере, устанавливать ничего не нужно, операционная система не важна. Для чувствительных данных есть установка в контуре (On-Premise), для коротких войсов Telegram-бот @VoicePalatineBot, а обзор десктопных программ мы вынесли в блог.
Вы переводите аудио на другой язык?
Нет, межъязыкового перевода нет. Мы расшифровываем речь на языке оригинала: английское аудио отдаём английским текстом, русское русским. Всего распознаём речь примерно на 100 языках с автоопределением.
Можно ли перевести песню или музыку в текст?
Инструментал и поиск трека по образцу мы не распознаём. Текст песни по вокалу это отдельная задача, для неё есть своя посадочная про распознавание текста песни, ссылку даём в блоке про звук в текст.