
РазборЕвгений12 мин чтения
Транскрибация видео: как получить текст с таймкодами и проверить ошибки
Как перевести видео в текст с таймкодами: онлайн-сервисы, бесплатный Whisper офлайн, API и субтитры YouTube. Команды ffmpeg и Whisper и чек-лист проверки ошибок.
Содержание · 10 разделов
Транскрибация видео переводит речь из ролика в текст. Сплошного текста обычно мало: нужна расшифровка с таймкодами, чтобы найти цитату, сделать субтитры или смонтировать ролик по словам. Ниже разберём четыре способа, бесплатный путь к файлам TXT, SRT и VTT на своём компьютере и проверку результата, ведь ошибки бывают у любого сервиса.
Команды из статьи для неё не запускались. Флаги сверены с документацией 29 октября 2026 года, а сервисы руками не тестировались.
Какой результат нужен на выходе
От формата зависит выбор инструмента, поэтому начните с него.
- TXT — только текст. Подходит для статьи, конспекта или поиска по словам.
- SRT и VTT — субтитры, то есть фразы с временем начала и конца. Нужный формат выбирайте по требованиям плеера или редактора.
- Таймкоды слов — время для каждого слова. Они нужны, когда вы монтируете по тексту или режете ролик точно по фразе.
- Спикеры — метки «кто говорит». Эта функция называется диаризацией и работает отдельно: таймкоды сами по себе не говорят, чья это реплика.
Если нужны только субтитры к своему ролику, хватит встроенных функций видеоредактора или YouTube. Для точной расшифровки интервью с несколькими людьми смотрите на диаризацию и на то, насколько удобно проверять текст руками.
Четыре способа перевести видео в текст
| Способ | Где идёт распознавание | Когда подходит |
|---|---|---|
| Онлайн-сервис | на сервере сервиса | нужно быстро, файл не секретный |
| Локальная программа (Whisper и её версии) | на вашем компьютере | бесплатно, офлайн, запись нельзя отдавать наружу |
| Облачный API | на сервере провайдера | много файлов, нужна автоматизация |
| Субтитры в редакторе или на YouTube | в редакторе или на платформе | нужны субтитры к своему ролику |
В изученном мной срезе выдачи по этому запросу встречались в основном сервисы: Speech2Text, Any2Text, Транскрипта, Guru Scribe, Teamlogs, Conspecto, tl;dv, TurboScribe. По лендингам схема выглядит похоже: загружаете запись и получаете текст, но форматы экспорта и ограничения у каждого свои. Проценты точности на лендингах обычно даны без методики и тестовой записи, поэтому по ним нельзя понять, как сервис справится именно с вашей записью, её шумом, терминами и именами. Так что проверять результат придётся в любом случае.
Whisper для бесплатной расшифровки офлайн
Whisper — открытая модель распознавания речи от OpenAI. В репозитории прямо сказано: «Whisper's code and model weights are released under the MIT License». Модель работает на вашем компьютере, русский язык в ней есть.
Варианты Whisper
- openai-whisper — исходная версия на Python с командой
whisperв терминале. - faster-whisper — отдельная реализация Whisper на CTranslate2, библиотека для Python. В примере из README модель запускается на процессоре, а таймкоды слов включаются параметром
word_timestamps=True. - whisper.cpp — версия на C++. В README она описана как «fully offline, on-device», а программа командной строки умеет сохранять SRT, VTT и TXT.
- Buzz — программа с окном для тех, кто не хочет в терминал. По описанию в репозитории она расшифровывает «offline on your personal computer», экспортирует в TXT, SRT и VTT и даёт просмотрщик с поиском и управлением воспроизведением.
Ограничения
Таймкоды отдельных слов в Whisper помечены как экспериментальные. Надёжность разметки спикеров у базовой модели оценкой не подтверждена: в описании модели сказано, что такие задачи «have not been robustly evaluated», поэтому без проверки на неё лучше не рассчитывать. В whisper.cpp разметка спикеров через tinydiarize тоже экспериментальная, а faster-whisper отсылает за диаризацией к отдельным проектам вроде WhisperX. Для интервью с несколькими людьми понадобится отдельный инструмент или ручная разметка.
Из видео в SRT через ffmpeg и Whisper
Подготовка нужна один раз, и для неё нужен интернет:
- Установите ffmpeg по инструкции из README Whisper: он есть в большинстве менеджеров пакетов.
- Установите Whisper:
pip install -U openai-whisper. - Скачайте модель заранее. При первом запуске Whisper сам загрузит выбранную модель в кэш, по умолчанию
~/.cache/whisper. Проще всего один раз прогнать короткий файл с нужной моделью, например--model turbo, пока есть сеть.
После этого распознавание работает офлайн, пока вы используете ту же модель. Повторюсь, команды ниже собраны по документации и не запускались.
Шаг 1. Достать звук
Сохраните исходное видео и вытащите из него звук: одна дорожка, моно, 16 кГц. Похожую связку параметров приводит README whisper.cpp. Пример подходит для обычной записи. Если на интервью каждый участник записан в свой канал, не сводите их в моно сразу: сохраните исходные каналы или извлеките каждый в отдельный файл и распознавайте по отдельности.
ffmpeg -i "input.mp4" -map 0:a:0 -vn -ac 1 -ar 16000 -c:a pcm_s16le "audio.wav"
Здесь -map 0:a:0 берёт первую звуковую дорожку первого файла (ffmpeg считает с нуля), -vn отбрасывает видео, -ac 1 делает моно, -ar 16000 задаёт частоту. Если в ролике несколько дорожек, сначала проверьте, на какой из них речь. WAV здесь промежуточный формат и сам по себе качество не улучшает.
Шаг 2. Запустить распознавание
whisper "audio.wav" --language ru --model turbo --task transcribe --output_format all --output_dir "transcript"
--task transcribe оставляет текст на языке оригинала, а translate перевёл бы его на английский. С --output_format all Whisper сохранит все доступные форматы, включая txt, srt и vtt. На выходе ожидаются файлы transcript/audio.txt, transcript/audio.srt и transcript/audio.vtt. Если нужен один формат, укажите его вместо all.
Шаг 3. Подсказать термины и включить таймкоды слов
Если в записи много терминов и имён или нужны таймкоды отдельных слов, лучше сразу запускать расширенную команду вместо команды из шага 2. Повторный запуск заново распознаёт весь файл.
whisper "audio.wav" --language ru --model turbo --task transcribe --output_format all --output_dir "transcript" --word_timestamps True --initial_prompt "Kubernetes, SpeechKit, Иван Петров."
Слова в кавычках — условный пример. Подсказка --initial_prompt действует на первое окно распознавания, то есть на начало записи. Она повышает шанс, что модель напишет эти слова правильно, но ничего не гарантирует. Вписывайте только те имена и термины, которые действительно звучат в записи.
С --word_timestamps True Whisper считает время каждого слова, но в SRT по-прежнему попадают фразы. Сами интервалы слов лежат в JSON: в каждом сегменте есть список words, у каждого слова поля start и end в секундах. Поэтому в команде стоит --output_format all, а не только srt. Если нужно, чтобы в субтитрах подсвечивалось произносимое слово, добавьте --highlight_words True, это работает для SRT и VTT. Таймкоды слов, напомню, экспериментальные.
Наличие файла SRT ещё ничего не доказывает. Откройте видео рядом с субтитрами и переходите к проверке.
Облачные API для большого объёма
API нужен, когда расшифровок десятки и их надо делать автоматически. Ниже то, что написано в документации на 29 октября 2026 года.
- OpenAI рекомендует модель
gpt-transcribeи принимает файлы до 25 МБ, в том числе mp4. Таймкоды слов и субтитры SRT и VTT в таблице возможностей указаны дляwhisper-1, а для новой модели такой же набор форматов в документации не подтверждён. Старые модели, включаяwhisper-1, объявлены устаревшими и отключатся 26 февраля 2027 года. Локальной библиотеки Whisper это не касается. - ElevenLabs Scribe принимает аудио и видео, поддерживает русский, даёт таймкоды слов и разделяет до 32 спикеров в пакетном режиме. Лимиты на размер файла в разных разделах документации расходятся (3 ГБ и 5 ГБ), так что перед внедрением уточните их для своего метода.
- Yandex SpeechKit распознаёт русский по умолчанию. Асинхронно он берёт файлы до 4 часов, а по таблице лимитов файл в бакете может весить до 1 ГБ, в теле запроса API v3 до 60 МБ. В ответе есть время начала и конца каждого слова, но готовый экспорт в SRT или VTT в проверенных материалах не подтверждён. Есть ли он, стоит уточнить, а как один из вариантов эти тайминги можно преобразовать в SRT или VTT самостоятельно. Дикторов сервис определяет в режиме
FULL_DATA, только на моно-записи и не больше двух. - Google Cloud Speech-to-Text поддерживает русский. Пакетное распознавание в API V2 работает только с файлами из Cloud Storage длительностью до 8 часов и умеет сразу писать SRT и VTT. Синхронный запрос ограничен 10 МБ или минутой звука. Совместимость каждой функции с русской моделью стоит проверить отдельно.
Цены у всех меняются, их смотрите на сайтах провайдеров. Доступность в вашем регионе тоже проверяйте на сайте сервиса.
Субтитры в редакторе и на YouTube
YouTube публикует автоматические субтитры к загруженному ролику, если они доступны, и русский в списке языков есть. Для прямых трансляций автосубтитры работают только на английском. Владелец ролика может поправить текст и время и скачать файл субтитров. Речь только о своих роликах, доступа к чужим записям это не даёт.
CapCut делает автосубтитры из речи и экспортирует их в SRT или TXT. Поддержку русского проверьте в своей версии: в собранных материалах она отдельно не подтверждена. В справке CapCut прямо сказано, что распознавание может ошибаться из-за шума, акцента, быстрой речи и плохого звука.
Adobe Premiere Pro умеет расшифровывать речь, русский в списке языков есть, языковые пакеты можно скачать, а субтитры выгружаются в SRT.
Для субтитров к собственному ролику этого обычно достаточно. Отдельную расшифровку интервью или лекции удобнее делать в Whisper или в сервисе с редактором.
Как проверить расшифровку
Готовый файл ещё не значит правильный текст. Слова и время проверяйте отдельно.
| Что ломается | Как проверить |
|---|---|
| Термины и аббревиатуры | сверить с официальным написанием, потом со звуком |
| Имена | сверить с титрами или списком участников, неразборчивое пометить [имя неразборчиво, 12:40] |
| Числа, даты, отрицания | переслушать каждое: «пятнадцать» и «пятьдесят», «можно» и «нельзя» |
| Похожие по звучанию слова | сверять со смыслом и звуком, а не только с грамматикой |
| Перебивания | искать пропущенные реплики и реплики не того спикера |
| Шум, музыка, паузы | искать текст, которого в записи нет |
| Таймкоды | проверить начало, середину и конец; после обрезки ролика учесть смещение |
Таблица собрана как редакторский чек-лист, а не как результат замеров. Опора у неё есть: OpenAI в руководстве по транскрибации советует отдельно тестировать имена, числа, даты, буквенно-цифровые строки и термины, а также шум и качество микрофона.
Строка про шум и паузы особенно важна для Whisper. В описании модели сказано, что в результате могут оказаться «texts that are not actually spoken in the audio input», и это прямо названо галлюцинацией. Поэтому места с тишиной, музыкой и шумом стоит переслушать в первую очередь. Почему нейросети вообще так делают, разобрано в статье про галлюцинации нейросетей.
Прогнать текст через другую нейросеть «на исправление» без прослушивания можно, но это ничего не доказывает. Она может сделать текст глаже, но что было сказано на самом деле, не узнает. Языковая модель полезнее на следующем шаге, когда текст уже сверен со звуком. О таких сценариях есть отдельная статья про то, как пользоваться ИИ.
Порядок работы
- До запуска составьте список терминов и имён и передайте его подсказкой.
- После расшифровки откройте видео рядом с SRT.
- Пройдитесь по местам с числами, именами и цитатами, затем по тишине и музыке.
- Записывайте правки в формате «таймкод → было → стало», чтобы потом было видно, что и почему исправлено.
- Сомнительное оставляйте помеченным, а не угадывайте.
Выборочная проверка не гарантирует чистоту всего файла, поэтому важные цитаты и числа переслушивайте все.
Что такое WER и почему его мало
Точность распознавания обычно меряют через WER, долю ошибочных слов. По определению Google складывают замены, пропуски и лишние вставки и делят на число слов в эталонном тексте. WER 5% значит, что на сто слов эталона пришлось пять ошибок.
Для вашей задачи одной цифры мало. Ошибка в имени гостя или в сумме важнее десяти ошибок в междометиях, а время и спикеров WER не оценивает вовсе. OpenAI тоже советует следить за ошибками, которые важны для вашей задачи, и не полагаться на один WER.
Приватность записи
Если в видео переговоры, личные данные или закрытая информация, сначала решите, можно ли отдавать запись наружу и согласны ли на это участники.
- В API OpenAI данные по умолчанию не используются для обучения моделей, если вы сами не согласились ими делиться. Это правило API, на сторонние сервисы поверх него оно не переносится.
- Google Cloud Speech-to-Text по умолчанию не логирует аудио и расшифровки. Файлы, которые вы загрузили в Cloud Storage, к этому правилу не относятся, это отдельное хранилище.
- Yandex SpeechKit хранит результат асинхронного распознавания на сервере 3 суток. Для исходника в вашем бакете и для логов этот срок не обязательно тот же.
- У ElevenLabs по умолчанию включено сохранение истории. В проверенной документации режим без хранения (Zero Retention Mode) указан для корпоративных клиентов и только для API. Если данные сохранены без этого режима, после удаления элементы базы данных могут оставаться в резервных копиях до 30 дней.
«Не обучают на данных» и «не хранят данные» обещают разное. Для чувствительных записей проще всего локальный Whisper или Buzz с локальной моделью, тогда файл не нужно никуда отправлять. Облачные модули в таких программах лучше не подключать. О том, как запускать нейросети у себя, есть отдельная статья про локальные нейросети.
Частые вопросы
Как бесплатно перевести видео в текст
Локально через Whisper: у него открыты код и веса модели, нужны только установка и ресурсы компьютера. Buzz даёт для этого графический интерфейс, для офлайн-распознавания выберите в нём локальную модель. Для своего ролика подойдут автосубтитры YouTube.
Какой сервис лучше распознаёт русский
Независимого сравнения на одной записи здесь нет. Русский поддерживают Whisper, Yandex SpeechKit, ElevenLabs Scribe и Google. Проверьте два или три варианта на куске своей записи с терминами и именами.
Как получить текст с таймкодами
Сохраните результат в SRT или VTT. В Whisper это --output_format srt или --output_format vtt.
Чем таймкоды отличаются от спикеров
Таймкод говорит, когда прозвучала фраза или слово, а метка спикера говорит, кто её произнёс. Для второго нужна диаризация.
Почему в расшифровке есть фразы, которых не было
Это галлюцинации модели. Ищите их при проверке прежде всего на тишине, музыке и шуме и удаляйте.
Почему длинный файл не загружается
У сервисов разные лимиты: у OpenAI 25 МБ на файл, у Google в пакетном режиме до 8 часов, у Yandex до 4 часов в асинхронном режиме. Если упираетесь в размер файла, запись можно сжать. Если в длительность, сжатие не поможет: режьте на части и после нарезки учитывайте смещение таймкодов.
Чем субтитры отличаются от расшифровки
Расшифровка нужна для чтения и работы со словами. Субтитры содержат тот же текст, только разбитый на короткие фразы с временем показа.
Читайте также
- Галлюцинации нейросети: что это и как я ловлю их у своих ИИ-агентов
- Локальная нейросеть на ПК: как запустить локальный ИИ и какую модель выбрать
- Как пользоваться ИИ: пять правил из 800 сессий с ИИ за месяц
- Нейросеть для написания текста: черновик по источникам и проверка
- ИИ для создания приложений: как работать с агентами и проверять результат
Источники
- Whisper
- Whisper model card
- faster-whisper
- whisper.cpp
- Buzz
- FFmpeg documentation
- OpenAI speech to text
- OpenAI transcription guide
- OpenAI your data
- ElevenLabs speech to text
- Yandex SpeechKit STT
- Yandex SpeechKit limits
- Google Speech-to-Text languages
- Google speech accuracy and WER
- Google data logging
- CapCut auto captions
- Adobe Premiere speech to text