Palatine Speech
Транскрибация подкастов
Транскрибация подкастов: расшифровка выпусков в текст с тайм-кодами и делением на спикеров. WER 7,10%, от 0,29 ₽/мин, ~100 языков, API и Telegram-бот.
- Точность 92,9% (WER 7,10%)
- Тайм-коды и спикеры
- ~100 языков
- 152-ФЗ · данные в РФ
- от 0,29 ₽/мин
Транскрибация подкастов
Транскрибация подкастов превращает аудиовыпуск в текст: расшифровка идёт в языке оригинала, с делением на спикеров и тайм-кодами. Один загруженный файл - и час разговора становится текстом для подкаста, из которого удобно собрать показ-ноты, статью или субтитры.
Что такое транскрибация подкаста
Подкаст - это аудиопрограмма, выходящая выпусками. Транскрибация подкаста - это преобразование звучащей речи эпизода в текст в языке оригинала. Результат называют по-разному: расшифровка подкаста, подкаст в текст, текстовый подкаст, но смысл один - звук становится читаемым текстом. Это частный случай задачи транскрибация аудио в текст, настроенный под формат «ведущий и гости».
Как расшифровать подкаст в текст
- Загрузка файла выпуска. Загрузите аудиофайл (mp3, wav, m4a) в дашборд. Приём по ссылке на хостинг не поддерживается: со стриминга вроде Звук выпуск сначала скачивают, затем загружают файлом - так закрываются запросы «звук подкасты» и «подкасты звук», не путая расшифровку с публикацией эпизода.
- Через API. API транскрибации - OpenAI-совместимый:
POST /audio/transcriptions, файлы обрабатываются через polling. Аудио подкаста обрабатывается за ~1-2% длительности файла, то есть часовой выпуск - примерно за 1-2 минуты. - Быстрый способ - бот. Telegram-бот @VoicePalatineBot даёт до 100 бесплатных транскрибаций в день: перешлите войс, аудио или видео - получите текст.
Подкаст — это диалог, поэтому для расшифровки выпуска важна не только точность слов, но и корректное деление на спикеров. Мы отдаём текст с тайм-кодами и разметкой по ролям, чтобы из часа разговора за минуты собрать показ-ноты, статью или субтитры. Английский выпуск при этом остаётся английским текстом — мы расшифровываем речь, а не переводим её на другой язык.
Точность распознавания речи в подкасте
Транскрибация подкастов Palatine имеет среднюю точность WER 7,10% и WAcc 92,9% на бенчмарке из 7 датасетов. На чистой студийной записи выпуска результат обычно выше среднего, телефонные вставки 8 кГц - около 90%.
| Сервис | WER (ниже - лучше) |
|---|---|
| Palatine Speech | 7,10% |
| ElevenLabs | 6,88% |
| AssemblyAI | 7,03% |
| Whisper-large-v3 | 7,44% |
Деление на спикеров и тайм-коды
Сервис делит выпуск на спикеров через диаризацию и проставляет автоматические тайм-коды. Это важно потому, что подкаст - диалог ведущего и гостей: без ролей текст читается как сплошной поток, а с разметкой реплики каждого участника видно отдельно, и по эпизоду легко навигировать.
Форматы расшифровки: text, json, srt, vtt
Расшифровка выпуска отдаётся в форматах json, verbose_json, text, srt и vtt. Черновик статьи удобно брать в text, тайм-коды по сегментам - в verbose_json, а srt и vtt - это готовый генератор субтитров для видео-версии подкаста. Формат json подходит для интеграции текста для подкаста в CMS или контент-пайплайн.
Языки подкастов и расшифровка иноязычных выпусков
Сервис поддерживает ~100 языков, включая русский и языки СНГ. Расшифровка иноязычного выпуска идёт в его собственном языке: англоязычный подкаст превращается в английский текст. Кросс-языкового перевода речи на другой язык нет - «перевести подкаст в текст» здесь означает сделать текстовую версию звучащей речи, а не переводить её на русский.
Стоимость транскрибации подкаста
Транскрибация подкаста стоит от 0,29 ₽/мин по модели pay-as-you-go: платите за фактическую длительность, секунды округляются вниз, баланс не сгорает. Оплата - МИР, СБП или счёт, без VPN. Часовой выпуск обходится примерно в 17 ₽.
Безопасность и хранение аудио
Аудио клиентов хранится в 4 ЦОД Tier III в РФ по 152-ФЗ, соединение защищено TLS, и модели на данных клиентов не обучаются. Из готовой расшифровки удобно собрать саммари из аудио и видео для показ-нот, статью из эпизода или поиск по архиву выпусков.
Начните в дашборде speech.palatine.ru/dashboard или пришлите первый выпуск боту @VoicePalatineBot.
Ответы на вопросы
Не нашли ответ на свой вопрос? Напишите нам
Как расшифровать подкаст в текст?
Загрузите аудиофайл выпуска (mp3, wav, m4a) в дашборд или отправьте его через API `POST /audio/transcriptions` — сервис вернёт текст с тайм-кодами и делением на спикеров. Приём выпуска по ссылке на хостинг (Звук, VK, Rutube) не поддерживается: сначала скачайте файл, затем загрузите.
Сколько стоит транскрибация подкаста?
От 0,29 ₽/мин по модели pay-as-you-go: платите только за фактическую длительность, секунды округляются вниз, баланс не сгорает. Выпуск на час обходится примерно в 17 ₽.
Насколько точно распознаётся речь в подкасте?
Средняя точность на бенчмарке из 7 датасетов — WER 7,10% и WAcc 92,9%. На чистой студийной записи подкаста результат обычно выше среднего; телефонные вставки 8 кГц распознаются примерно на 90%.
Можно ли разделить реплики ведущего и гостей?
Да, диаризация автоматически размечает выпуск по спикерам и проставляет тайм-коды, поэтому диалог ведущего и гостей в расшифровке разложен по ролям.
Можно ли перевести англоязычный подкаст на русский?
Сервис делает расшифровку в языке оригинала: англоязычный выпуск превращается в английский текст, русский — в русский. Кросс-языкового перевода речи на другой язык нет; «перевести подкаст в текст» означает получить текстовую версию звучащей речи.
В каких форматах отдаётся расшифровка?
json, verbose_json, text, а также srt и vtt — субтитры для видео-версии выпуска. Через verbose_json доступны тайм-коды по сегментам.
Есть ли бесплатный способ попробовать?
Telegram-бот @VoicePalatineBot даёт до 100 бесплатных транскрибаций в день: перешлите ему войс, аудио или видео выпуска и получите текст.
Сколько языков поддерживается?
Около 100 языков, включая русский и языки СНГ, что покрывает и русскоязычные подкасты, и выпуски с иноязычными гостями.