Конвертер WAV в текст — ИИ-транскрибация

От сырого аудио к рабочему тексту

WAV — запись в самом честном виде: несжатый PCM, ровно то, что снял микрофон, без кодековых артефактов между движком и волной. Дайте WAV сервису транскрибации — и нет шага декодирования, который мог бы дать сбой, и нет решения о сжатии, которое акустической модели пришлось бы переоценивать. Звук входит, слова выходят, и ничто посередине не успевает их исказить. Не случайно приложения записи по умолчанию выбирают WAV — до старта транскрибации за вас не было принято ни одного решения. Речь занимает куда более узкую полосу частот, чем музыка, и несжатый файл хранит её целиком.

Вы получаете больше, чем стену текста. Рядом с простым TXT, содержащим полную транскрипцию, конвейер может создать SRT-файл субтитров с таймстемпами и вид диалога, раскладывающий текст по сегментам. Эти три артефакта аккуратно ложатся на три обычные судьбы транскрипта: его читают, им субтитруют, в нём потом раскапывают.

Три файла — когда аудио их позволяет

Файл TXT — основной артефакт: полная транскрипция простым текстом, готовая к правке, поиску или вставке куда угодно. Именно его создаёт каждое успешное задание, и он не требует от вас большего, чем любой текстовый редактор.

Файлы SRT и диалога — дополнительные результаты «по возможности», а не гарантия. Они выводятся из того, что движок может предположить о тайминге и сегментации, и некоторые записи — редкая речь, сильные наложения голосов, длинные паузы — оставляют ему слишком мало материала, и тогда один или оба файла могут отсутствовать. Задание, вернувшее только TXT, не провалилось; страница отказывается обещать три файла каждый раз. Когда же они появляются, таймстемпы SRT остаются выровненными с аудио, а вид диалога группирует реплики в читаемые блоки.

Если файл субтитров важен для вашего рабочего процесса, проверьте страницу результата, прежде чем закрыть вкладку. Все созданные артефакты перечислены там, а отсутствующий SRT — заявление 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 — дефолтный регистр стендапов и продуктовых встреч в технологиях, — настоящая сильная сторона: модель переключает язык посреди предложения, не теряя нити.

Чисто иноязычное аудио — честная слабость. Записи только на английском и на других языках работают с ограниченным качеством, а сильные акценты или шумные помещения тянут результат вниз ещё дальше. Мы пишем об этом на странице, потому что уверенно неверный транскрипт хуже честного предупреждения.

Действуют ещё две границы. Аудио длиннее 30 минут не принимается — 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 заданий заканчиваются за несколько минут. Потолок задания транскрибации — около 40 минут, чего хватает самым медленным принятым записям, и прогресс остаётся видимым, пока движок работает. Цифра 40 минут — таймаут задания, а не обещание задержки: короткие записи — обычный случай, и они возвращаются быстро.

Инструмент бесплатный, без регистрации, а загруженный WAV и каждый созданный файл автоматически удаляются в течение 24 часов. Загрузка идёт по HTTPS, обработка происходит в памяти конвертационного кластера, и на сайте нет сторонних рекламных сетей. Адрес электронной почты не запрашивается ни на каком шаге. Транскрипт внутренней встречи заслуживает не меньшего.