Конвертер MP3 в текст — ИИ-транскрибация

Сжатие, которое вы слышите, — не то сжатие, которое читает движок

MP3 отбрасывает частоты, которые ваши уши не заметят, и распознавание речи охотно живёт по той же логике: то, на чём держится транскрипт, — фонемы, границы слогов, контур интонации фразы — переживает обычное MP3-сжатие неповреждённым. Подкаст, экспортированный на обычном битрейте, всё ещё несёт практически весь лингвистический контент, который нужен движку, поэтому транскрибация из MP3 — вовсе не компромисс. Речь занимает куда более узкую полосу частот, чем музыка, и обычные битрейты сохраняют эту полосу щедро — слышимые артефакты живут в тарелках и хвостах реверберации, а не в том, сказал человек «пятнадцать» или «пятьдесят».

Технически ваш файл сначала декодируется в чистый WAV, и уже на нём работает конвейер транскрибации FunASR. Промежуточный файл вы не видите; он существует, чтобы акустическая модель всегда получала единообразный вход, каким бы битрейтом или частотой дискретизации ни обладал ваш MP3. Для вас формат — просто обёртка; для движка слова всегда были полезной нагрузкой.

Три файла — когда аудио их позволяет

Файл TXT — основной артефакт: полная транскрипция простым текстом, готовая к цитированию, правке или архиву. Каждое успешное задание его создаёт, и для открытия не нужно никакого специального ПО — это формат, который любое приложение заметок, редактор и окно чата принимают не задумываясь.

Файлы SRT и диалога — дополнительные результаты «по возможности», а не обещание. Они опираются на то, что движок может вывести о тайминге и сегментации; редкая речь, перебивания и длинные паузы могут оставить ему слишком мало материала, и один или оба файла могут отсутствовать. Задание, вернувшее только TXT, завершилось успешно — страница не притворяется, что три файла всегда приходят вместе. Когда же они появляются, SRT держит таймстемпы выровненными с аудио, а файл диалога группирует реплики в читаемые блоки.

Если субтитры важны для вашего рабочего процесса, загляните на страницу результата, прежде чем закрыть вкладку: все созданные артефакты перечислены там, а отсутствующий SRT говорит о вашем аудио, а не о задании.

Где движок силён, а где спотыкается

Движок — конвейер FunASR на базе paraformer-zh, модели, оптимизированной под китайский. Китайская речь транскрибируется лучше всего, а китайско-английская смешанная речь — то, как на самом деле звучат технические встречи и обзоры продуктов, — настоящая сильная сторона: модель меняет язык посреди предложения, не теряя нити. Запись, где китайский доклад перемешан с английскими названиями продуктов, упоминаниями API и числами, — ровно тот случай, под который модель настраивалась.

Чисто иноязычное аудио — честно признанная слабость: записи только на английском и на других языках дают ограниченное качество, а шумные помещения и сильные акценты тянут его вниз ещё дальше. Сказать это прямо лучше, чем вручить вам уверенно неверный транскрипт.

Действуют и две границы. Аудио длиннее 30 минут не принимается, поэтому длинные записи разбивайте до загрузки. А информация о говорящих в результатах — как повезёт движку: её может не быть, и сильного обещания разделения спикеров мы не даём.

Сроки, цена и приватность

Большинство конвертаций заканчиваются за несколько минут; потолок задания — около 45 минут, чего хватает самым медленным принятым записям, и прогресс виден, пока движок работает. Декодирование MP3 почти ничего не добавляет ко времени — доминирует транскрибация. Запись на 30 минут — самый тяжёлый принятый случай, и потолок рассчитан именно на него.

Инструмент бесплатный, без регистрации, а загруженный MP3 вместе с каждым созданным файлом автоматически удаляется в течение 24 часов. Загрузка идёт по HTTPS, обработка происходит в памяти конвертационного кластера, и никакая сторонняя рекламная сеть не следит за страницей. Адрес электронной почты не запрашивается ни на каком шаге.