Транскрибация для журналистов

Интервью записано, а в номер нужен текст с точными цитатами. Загрузите запись с диктофона или телефона, и транскрибация для журналистов переведёт её в текст: мы распознаём речь с точностью WER 7,10% и раскладываем реплики по говорящим. Часовой разговор становится текстом примерно за минуту, а не за половину смены ручной расшифровки.

И это не только сама расшифровка интервью. Мы ставим тайм-код к каждой реплике, поэтому нужную фразу вы находите за секунды и сверяете формулировку с аудио перед публикацией. Устанавливать ничего не нужно, а язык записи остаётся прежним: сказали по-русски – получите русский текст.

Что даёт транскрибация для журналиста

Транскрибация для журналиста – это распознавание речи под конкретную задачу: интервью, диктофонную запись или пресс-конференцию мы превращаем в редактируемый текст на том же языке. Распознаётся около 100 языков, включая русский и языки СНГ, но перевода на другой язык здесь нет. Перевести интервью в текст значит расшифровать его, а не переложить на английский.

Работать при этом можно с чем угодно, где есть звук. Диктофон, телефон, видеозапись брифинга, микрофон в браузере – мы одинаково расшифровываем и загруженный файл, и живую диктовку. Из видео берётся звуковая дорожка, так что формат исходника роли не играет: значение имеют разборчивость речи и фоновый шум.

Телефонное интервью – отдельный случай, и его мы обрабатываем моделью под телефонию. На узком канале 8 кГц, где универсальные движки проседают, точность держится около 90%, поэтому запись разговора по телефону тоже превращается в пригодный для правки текст, а не в кашу.

Расшифровка интервью: спикеры и тайм-коды

Расшифровка интервью для журналиста нужна не просто «текстом», а с разметкой, кто что сказал. Диаризация делит реплики по говорящим и ставит тайм-код к каждой, поэтому в готовом тексте видно, где вопрос журналиста, а где ответ собеседника. Не приходится вручную помечать реплики и переслушивать запись по второму кругу.

Тайм-код экономит время именно на сверке цитат. Вы находите нужную минуту записи по тексту, открываете её в один клик и проверяете точную формулировку перед тем, как поставить её в кавычки. Для часового интервью это разница между парой минут и получасом перемотки на слух.

Пресс-конференции и панели: много говорящих

На пресс-конференции или панельной дискуссии говорят несколько человек, и обычная расшифровка сливает их в сплошную стену текста. Мы раскладываем такую запись по спикерам, поэтому реплики модератора, спикеров и вопросы из зала не смешиваются. Даже на записи в полтора-два часа видно, кто автор конкретной фразы.

Дальше по тексту работает поиск и те же тайм-коды. Нужен фрагмент про одну тему из длинного брифинга – находите его по слову, а не пролистываете запись целиком. Если материал большой, соберите из расшифровки саммари из аудио с тезисами и цитатами, чтобы быстрее собрать заметку.

Точные цитаты и скорость под дедлайн

Под дедлайн решают две вещи: насколько точно распознана речь и как быстро готов текст. Точность распознавания у нас – WER 7,10% и WAcc 92,9% по бенчмарку на 7 датасетах, так что на выходе связный текст, а не черновик, который переписываешь заново. Ниже – сравнение по WER с другими движками.

Скорость тоже измеримая: обработка идёт примерно за 1–2% от длительности файла. Часовая запись превращается в текст за минуту-другую, запись пресс-конференции на два часа – за пару-тройку минут. Успеваете вычитать и поставить цитаты, а не сидеть смену с наушниками над диктофоном.

Форматы записи и экспорт

Расшифровка диктофонной записи, телефонного разговора или видео идёт по одному сценарию, а вот выгрузка зависит от материала. Текст отдаём в txt, json, verbose_json, srt и vtt: первые – для заметки и правки, srt и vtt – как готовые субтитры к видео-репортажу. Тайм-коды сохраняются во всех форматах с временем.

Таблица ниже подсказывает, что под какую задачу подходит.

Если исходник – ролик с платформы, сначала скачайте его и загрузите файлом: приёма по ссылке у нас нет. Отдельно лежит расшифровка диктофона с разбором форматов записи.

Безопасность записей и защита источников

Интервью нередко содержит то, что защищает источник, поэтому хранение записей важно не меньше точности. Записи обрабатываются и хранятся в 4 ЦОД уровня Tier III на территории РФ по 152-ФЗ, соединение защищено TLS. На данных клиентов модели не обучаются, так что материал не утекает в обучающую выборку.

Работа с текстом остаётся у вас. Готовую расшифровку вы выгружаете себе и удаляете из сервиса, а внутри редакции распознавание подключается через OpenAI-совместимый API (POST /audio/transcriptions) – и для готовых файлов, и для потока по WebSocket.

Сколько стоит и как попробовать бесплатно

Расшифровка тарифицируется от 0,29 ₽/мин по модели pay-as-you-go: вы платите только за обработанные минуты, баланс не сгорает, а секунды округляются вниз. Часовое интервью обходится в считанные рубли, отдельная подписка не нужна.

Для коротких записей есть бесплатный вход. Перешлите аудио или войс в Telegram-бот расшифровки @VoicePalatineBot – он обрабатывает до 100 записей в день без регистрации. Так удобно расшифровывать короткие комментарии и голосовые прямо с телефона, а длинные интервью загружать в основной сервис.