Speech2Text — сервис для качественного перевода в текст видео- и аудиофайлов

Рассмотрим сервис Speech2Text, который позволяет переводить аудио- и видеофайлы в текст. Сначала расскажем, кому он может быть нужен, а затем перейдем к интерфейсу и пошаговому порядку работы. В завершение приведем плюсы и минусы сервиса.

Speech2text в первую очередь пригодится «пишущим» людям, которые ежедневно имеют дело с большими массивами текста и расшифровками. Например, журналисту и копирайтеру. Менее очевидно, но он также будет полезен блогеру, пиарщику или ученому.

Примеры ситуаций, когда пригодится Speech2Text:

• Корреспонденту-новостнику — чтобы быстро расшифровать полученный комментарий по горячему событию
• Журналисту бизнес- или лайфстайл-изданий — чтобы не сидеть весь день над расшифровкой большого интервью
• Копирайтеру — при подготовке статьи по мотивам обучающего видео или поста, фактуру для которого прислали в голосовых сообщениях
• Пиарщику — чтобы быстро подготовить пресс-релиз по итогам пресс-конференции
• Автору YouTube-канала — чтобы выложить расшифровку интервью с гостем
• Блогеру, который на ходу начитывает на диктофон фактуру для будущих постов
• А также сценаристу, писателю, ученому и другим специалистам, которые также могут записывать аудио со своими идеями и затем быстро переводить их в текст.

Регистрация в сервисе происходит в привычном порядке. Нужно ввести телефон, e-mail и свое имя. На электронную почту сразу поступит ссылка с логином и паролем, и Speech2Text станет доступен для работы.

Каждому новому пользователю предоставляется бесплатный тестовый период на 3 дня с 3 часами расшифровки в день — как при самом продвинутом персональном тарифе.

Интерфейс сервиса достаточно простой. На экране мы видим 4 вкладки: «Распознавания», «Тарифы», «Контакты» и «Мессенджеры».

Это основное рабочее пространство пользователя, где предлагается загрузить файл или ссылку на него, а также задать основные настройки — язык и количество спикеров. Ниже будут располагаться результаты перевода файлов в текст.

Мы протестировали несколько аудио и видео, а для обзора выбрали интервью на YouTube с врачом Лео Бокерией «Как дольше жить и быть здоровым». Протяженность интервью составляет 1 час и 23 минуты. На его примере по шагам расскажем, как работает сервис.

Шаг 1. Выбор языка распознавания

Можно задать один из нескольких десятков языков распознавания — от азербайджанского до японского. Если ничего не выбирать, система определит язык автоматически. Так и сделали в примере.

Шаг 2. Выбор количества спикеров

Далее предлагается указать количество спикеров. В этом случае Speech2Text более адекватно распознает их реплики. Если ничего не указывать, то система сделает это автоматически в процессе, однако в таком случае возможны ошибки. Сервису придется сложнее, если собеседники говорят тихо, перебивают друг друга, если присутствуют посторонние звуки — музыка, аплодисменты, шумы.

Программа способна распознать до 9 спикеров одновременно. Деление текста на спикеров добавит 20% к общему времени распознавания. Мы выбрали двух спикеров.

Шаг 3. Загрузить видео или аудио

Ссылку на интервью на YouTube скопировали в адресной строке и вставили ее в соответствующее окошко. Можно загрузить аудио- и видеофайлы или, как в нашем примере, вставить ссылку на видео на YouTube.

В течение нескольких минут сервис определяет доступность источника и загружает видео.

Затем появляется сообщение о примерном времени распознавания текста. Еще до результатов расшифровки предлагается скачать источник на компьютер файлом в формате видео и отдельно аудио.

Шаг 4. Просмотр результатов в плеере

Результат распознавания загрузится в интерактивный плеер. В нижней части вкладки «Распознавания», в общем списке, некоторое время будут храниться все ваши расшифровки с датой обработки и ссылкой, чтобы в них проще было ориентироваться.

На этапе просмотра результатов будет предложено ввести имена спикеров. Стоит сначала заглянуть в интерактивный плеер и, сверяясь с таймкодами, определить, какому из спикеров принадлежит та или иная реплика. После ввода имен и нажатия кнопки «Применить» условные «Спикер 1» и «Спикер 2» в тексте плеера заменятся на имена.

Этот этап можно и пропустить, если имена собеседников не важны, либо вы расшифровывается монолог.

Интерактивный плеер дает возможность переслушать или пересмотреть определенные места в аудио или видео по нажатию на таймкоды.

Результатами распознавания можно поделиться прямо из плеера или из общего списка на вкладке «Распознавания». Для этого будет предложено скопировать ссылку на плеер.

Срок хранения результатов распознавания задается по выбору пользователя в личном кабинете. Хранить их можно от дня до месяца, максимальный срок доступен и на бесплатном тарифе.

Шаг 5. Скачивание готовой расшифровки

Сервис предлагает скачать получившуюся расшифровку на компьютер в формате DOCX и SRT (субтитры) с несколькими опциями. Для начала определитесь, нужны ли вам в тексте таймкоды. Они пригодятся, если это, к примеру, научный доклад, который изобилует сложными терминами, либо собеседники говорят очень уж невнятно. Удобно будет проверять корректность распознавания, сверяясь с плеером во время правки текста и прослушивая кусочки со спорными местами.

Расшифровку можно скачать в виде:

• сплошного текста,
• текста с делением на спикеров,
• текста с делением на спикеров и на абзацы.

При наведении курсора на кнопки выбора под плеером сервис выдаст подсказки, какой именно вид файла вы собираетесь загрузить.

Мы выбрали вариант с разбивкой на спикеров и абзацы, и без тайм-кодов, так как собеседники говорили внятно и на общие темы. Загрузка текстового файла на компьютер заняла 1−2 минуты.

Скачанный файл можно редактировать в Word. В тексте имена собеседников выделены жирным шрифтом, верно расставлены знаки препинания, деление на абзацы произведено адекватно. В нескольких местах Speech2Text перепутал собеседников, когда они обменивались короткими репликами.

Сервис предлагает несколько персональных и корпоративных тарифов под разные потребности пользователя.

Тарифы для компаний также предполагают разную нагрузку. Некоторые из них позволяют работать сразу нескольким сотрудникам одновременно, что подойдет для крупных редакций.

И в завершение перечислим преимущества и недостатки сервиса Speech2Text, которые мы отметили в ходе тестирования.

Несмотря на незначительные минусы, сервис эффективен при работе с голосовыми материалами. Рекомендуем попробовать самостоятельно, тем более что Speech2Text предоставляет возможность теста без регистрации, а при регистрации дарит 3 часа распознавания.