Транскрибация интервью

Транскрибация интервью начинается в неприятный момент: беседа кончилась, на диске файл на 90 минут, а текст сдавать надо. Мы возвращаем расшифровку с делением на спикеров и тайм-кодами, час записи превращается в текст за минуту.

Принимаем мы файл в mp3, wav, m4a, ogg или aac либо запись с микрофона в браузере. Голосовое из мессенджера приходит в ogg, диктофон iPhone пишет m4a: оба грузятся как есть.

Что даёт расшифровка интервью

Как найти в записи одну фразу про второй раунд инвестиций? В тексте это ctrl+F, а тайм-код возвращает вас к нужной секунде звука. Глубинное интервью укладывается в типовые 45–90 минут и разворачивается в десятки стандартных страниц по 1800 знаков с пробелами.

В тематическом анализе Брауна и Кларк (2006) первая из шести фаз это знакомство с данными, и транскрибирование авторы относят прямо к ней: пока текста нет, кодировать нечего. Ориентир по объёму дала работа Геста, Банс и Джонсон (2006): насыщение выборки наступало примерно к двенадцатому интервью, основные темы проявлялись к шестому.

Запрос «перевести интервью в текст» означает расшифровку на том же языке: речь превращается в символы. Перевода на другой язык у нас нет, а языков распознаём около 100, русский и языки СНГ внутри.

Как расшифровать интервью: четыре шага

Модели распознавания работают на моно-дорожке 16 кГц, и вход всё равно приводится к ней: писать интервью в 44,1 кГц стерео смысла нет, речевой mp3 на 64 кбит/с моно (около 28 МБ на час против 115 МБ у несжатого wav) читается не хуже.

Расшифровка интервью онлайн устроена короче ручного набора: действий четыре.

• Сохраните беседу файлом или включите микрофон, если интервью идёт прямо сейчас.
• Загрузите файл в кабинет.
• Подождите. Мы тратим 1–2% от длительности записи.
• Выгрузите текст и пройдитесь глазами по именам собственным.

Телефонный канал живёт в стандарте G.711 (ITU-T, 1972): дискретизация 8 кГц, полоса примерно от 300 до 3400 Гц. Шум трения в согласных «с», «ш», «ф», «щ» лежит выше 4 кГц, ровно там, где канал отрезал сигнал, поэтому такие звуки путаются и точность на телефонной дорожке держится около 90%.

Точность и скорость: WER 7,10% против конкурентов

Расшифровка аудио интервью упирается в одну метрику. WER считают как сумму замен, пропусков и вставок, поделённую на число слов в эталонной расшифровке, а WAcc это то же самое с другой стороны, 100% минус WER. У нас 7,10% и 92,9% соответственно.

Разрыв в десятые доли процента решает меньше, чем микрофон. Разговорная речь в метре от него это около 60 дБ, фон в кафе даёт 70 дБ и выше.

Получасовое интервью отдаём примерно за 25 секунд, у Yandex SpeechKit на таком файле уходит порядка двух минут, у OpenAI около десяти.

Спикеры, тайм-коды и форматы выгрузки

Диаризация делит запись по говорящим, и расшифровка интервью с делением на спикеров читается как диалог, а не полотном. Качество деления мерят метрикой DER. Методические руководства держат фокус-группу в шесть-десять человек и полтора-два часа, перебивания там норма жанра, и такой транскрипт интервью придётся один раз пройти руками.

Про субтитры оговорка: практика титрования держит строку в пределах 40 знаков и двух строк на экран, а реплика респондента их перерастает почти всегда. Тот же набор отдаёт наш speech-to-text API, документация на docs.speech.palatine.ru, поток идёт по WebSocket.

Сколько стоит транскрибация интервью онлайн

Транскрибация интервью онлайн считается поминутно, от 0,29 ₽/мин, секунды мы округляем вниз. Часовая беседа обходится примерно в 17 ₽.

Бот бесплатный, поэтому первую запись логично отправить ему. А серию лучше сразу вести в кабинете.

Кому нужен сервис для расшифровки интервью

Журналисту нужна дословная цитата и возможность её защитить: скажет герой «я такого не говорил», и тайм-код выведет вас на конкретную секунду. Статья 49 закона о СМИ (№ 2124-1 от 27 декабря 1991 года) обязывает журналиста ставить собеседника в известность об аудиозаписи.

А зачем рекрутёру расшифровка, если собеседование он вёл сам? Затем, что конспектировать на ходу не надо: к тексту вы вернётесь вечером, когда кандидаты после нескольких встреч слились в памяти в одного. Заодно по разметке видно, кто говорил больше: если интервьюер занял половину слота, ответов кандидата у вас, считай, нет.

UX-исследователь обращается с расшифровкой как с данными: кодирует ответы и переносит цитаты дословно, пересказ по памяти всегда мягче. «The Mom Test» Роба Фицпатрика (2013) требует спрашивать о прошлом поведении, а не о будущих намерениях, и в транскрипте видно, где вы сорвались в гипотетику.

Перед полевым этапом посмотрите, как проводить интервью. Когда расшифровок накопится десяток, пригодится разбор, как анализировать интервью. Записи с диктофона заводите через диктофон в текст, планёрки закрывает транскрибация встреч и совещаний.

Чего сервис не делает и где хранит записи

Ссылку на ролик вставить нельзя, мы принимаем файл или запись с микрофона. И смысловые акценты за вас никто не расставит: расшифровка остаётся сырьём.

Безопасно ли грузить записи с персональными данными? Согласие на обработку требует статья 9 закона № 152-ФЗ от 27 июля 2006 года, и берёте его вы, до начала записи. Наша часть проще: файлы лежат в четырёх ЦОД уровня Tier III на территории РФ, соединение шифруется по TLS, на записях клиентов модели не обучаются.

А если запись шумная? Вот с неё и начните: прогоните через бота беседу, где респондент частит и шумит кафе. Устроит текст, загружайте остальные файлы в кабинете.