Расшифровка аудио в текст: MP3, M4A и запись с диктофона через Telegram-бот

Чтобы перевести аудиофайл в текст, отправьте его в Telegram-бот @iscribe888_bot: MP3, M4A, запись с диктофона или видеофайл до 20 МБ. Через минуту-две придёт DOCX с текстом, разбитым на абзацы. Бот сделал я, и ниже то, что важно знать про файлы.

Какие файлы подходят

Бот принимает MP3, M4A, WAV, OGG, FLAC, AAC, OPUS, WMA и видеофайлы MP4 и WEBM. Отправлять можно как аудио, как видео или как документ, результат одинаковый. Файл записи с диктофона телефона обычно уже в одном из этих форматов.

Я отправлял боту видеофайл MP4 на 2,3 МБ: короткий ролик с монологом. Отправил в 20:07, DOCX пришёл в 20:08, с нормальной пунктуацией.

Ограничение 20 МБ

Это ограничение Telegram для ботов, обойти его внутри Telegram нельзя. На практике оно мешает только длинным записям в высоком качестве. Для речи высокое качество не нужно: в 64 кбит/с час записи весит около 28 МБ, а 40 минут около 19.

Если файл больше 20 МБ, есть три пути:

1. Сжать аудио. На компьютере это делается любым конвертером или одной командой:

ffmpeg -i zapis.m4a -ac 1 -b:a 64k zapis.mp3

2. Разрезать запись на две-три части и отправить по очереди.
3. Если запись выложена на YouTube, Rutube или ВКонтакте, отправить ссылку: для ссылок ограничения в 20 МБ нет.

Если файл больше лимита, бот так и напишет, с размером файла.

Что получается на выходе

DOCX приходит сам, файл с абзацами и пунктуацией. Под ним кнопки TXT и PDF, бесплатный конспект и разметка по говорящим. Разметку для загруженного файла нужно запускать в течение примерно двух часов: потом исходник удаляется.

Одна особенность: бот распознаёт всё, что звучит, а не только речь. Я отправил MP3 с песней, и он записал её текст целиком, одним абзацем и почти без знаков препинания. Если в вашей записи фоном играет музыка со словами, они тоже попадут в текст.

Что влияет на качество

По моим тестам основные ошибки одни и те же: имена и названия, которые звучат не так, как пишутся, и места, где говорят одновременно или играет музыка. Обычная речь распознаётся почти без ошибок. Если пишете запись сами, держите телефон ближе к говорящему и выключите музыку. Подробнее в статье про точность транскрибации.

Сколько стоит

Минуты списываются по длине записи с точностью до секунды. Час аудио стоит от 40 ₽ на пакете Макс до 99 ₽ на пакете Мини. Минуты не сгорают, конспект бесплатный. Если расшифровка не получилась или в записи нет речи, минуты не списываются. Новому пользователю бот даёт 20 минут бесплатно.

Частые вопросы

Какие форматы аудио подходят? MP3, M4A, WAV, OGG, FLAC, AAC, OPUS, WMA, а также видеофайлы MP4 и WEBM. Можно отправлять как аудио, как видео или как документ.

Файл больше 20 МБ. Что делать? 20 МБ это ограничение Telegram для ботов. Сожмите аудио: для речи хватает битрейта 64 кбит/с, тогда в 20 МБ помещается больше 40 минут. Или разрежьте запись на части.

Можно разделить запись по говорящим? Да, под файлом с текстом есть кнопка «Диаризация». Для загруженного файла нажмите её в течение примерно двух часов после загрузки: потом исходник удаляется.

Сколько стоит час аудио? От 40 ₽ на пакете Макс до 99 ₽ на пакете Мини. Минуты списываются по секундам и не сгорают.

Ещё по теме: голосовые в Telegram, транскрибация подкаста, как записать лекцию на диктофон.