Как из голосового сообщения сделать текст

Почему голосовое проще прочитать, чем прослушать

Запись на полторы минуты нельзя пробежать глазами: чтобы понять, о чём она, придётся отдать ей эти полторы минуты целиком. Текст в этом смысле честнее — по нему сразу видно объём, в нём работает поиск, из него копируется адрес или номер заказа.

Ситуации, в которых расшифровка выручает, у всех примерно одинаковые:

• совещание или занятие — включать звук нельзя, а наушники остались дома;
• транспорт: в шуме половина слов теряется, приходится переслушивать по три раза;
• дома спит ребёнок, и громкая связь отменяется;
• собеседник назвал цифру, адрес или фамилию где-то в середине записи, и теперь это надо найти;
• войс пришёл по работе, а дальше его нужно передать текстом — в задачу, в почту, в общий чат;
• сообщений подряд четыре, суммарно минут на десять, и по второму разу вы их точно слушать не станете.

Отдельная причина — архив. Переписку за год можно поднять поиском по одному слову, а записи за год не ищутся никак: чтобы найти нужную, придётся открывать их подряд и слушать начало каждой.

Способов извлечь текст из голосового сообщения несколько, и они не равноценны:

1. Встроенная расшифровка самого мессенджера.
2. Голосовой ввод и диктовка средствами телефона.
3. Онлайн-сервисы и программы, куда загружают файл.
4. Пересылка записи телеграм-боту прямо в чате.
5. Перепечатать вручную.

Ниже разобран каждый: где он удобен, где мучителен и во что обходится. В конце — сравнительная таблица и подсказка, что выбрать под свою ситуацию.

Способ 1. Встроенная расшифровка в мессенджере

Самое очевидное — попросить показать текст то же приложение, в котором пришла запись. Ничего никуда не пересылается, аудио не покидает переписку, результат появляется прямо под сообщением. Там, где эта кнопка есть и доступна, все остальные способы можно не читать.

Как из голосового сообщения сделать текст в телеграмме

Получить текст из голосового сообщения в телеграме можно двумя путями, и первый встроен в само приложение. У голосовых и у кружков есть кнопка расшифровки, по которой под сообщением разворачивается текст. Ограничение одно, зато существенное — функция входит в платную подписку. Без подписки кнопка либо не появляется, либо приводит к предложению её оформить.

Отсюда простая развилка. Если подписка у вас уже оплачена, ничего лучше искать не нужно: два нажатия, текст на месте, история сохраняется вместе с чатом. Если подписки нет и брать её ради двух-трёх записей в неделю не хочется, вариант отпадает — платить абонентскую плату за расшифровку пары войсов невыгодно.

Условия подписок время от времени меняются, поэтому проверять их лучше не по чужим статьям, а нажатием на само сообщение: приложение честно покажет, доступна кнопка или нет.

Как из голосового сообщения сделать текст в вацапе

В части мессенджеров расшифровка тоже появилась и включается в настройках чатов, но работает она не для всех языков и не на всех версиях приложения. Надёжный способ проверить ровно один: зайти в настройки, поискать пункт про расшифровку голосовых и попробовать его на любой записи. Есть — отлично, пользуйтесь. Нет — переходите к остальным способам.

Общий минус встроенных средств: они привязаны к своему приложению. Аудио, которое лежит вложением в почте, скачано с диктофона или прислано в мессенджере без такой функции, им не скормишь. И перенести расшифровку из одного приложения в другое тоже нельзя — каждое умеет только своё.

Способ 2. Голосовой ввод и диктовка на телефоне

Клавиатура телефона умеет писать под диктовку: значок микрофона рядом с пробелом. Ход мысли напрашивается сам собой — включить запись на громкой связи и дать клавиатуре её послушать.

Работает это плохо, и вот почему. Диктовка рассчитана на чистую речь вблизи микрофона: вы говорите в телефон, он пишет. Когда между говорящим и микрофоном оказывается динамик соседнего устройства, добавляются эхо, шум комнаты и искажения. Даже разборчивая речь превращается в набор приблизительных слов, и вычитывать такой результат дольше, чем послушать оригинал.

Есть и мелочи, которые раздражают отдельно: диктовка обрывается на паузах, тихую запись приходится выкручивать на полную громкость, а любой посторонний звук она принимает за речь.

Где голосовой ввод действительно хорош — когда вы не расшифровываете чужое, а надиктовываете своё. Ответить голосом, но текстом, чтобы собеседник не мучился с наушниками, — вполне рабочая привычка. Только задача тут решается противоположная.

Совсем ручной вариант

Перепечатать самому. Точность максимальная, инструменты не нужны, стоит ноль. Но времени уходит заметно больше, чем длится сама запись: приходится останавливать, отматывать назад, переслушивать неразборчивое место по нескольку раз.

Для одного важного разговора, где важна каждая формулировка, это оправданно. Для потока рабочих сообщений — нет: вы потратите на расшифровку больше, чем сэкономил отправитель, записав вместо текста аудио.

Способ 3. Онлайн-сервисы и программы для расшифровки аудиосообщений

Категория большая: сайты, куда загружают файл, и программы, которые ставят на компьютер. Внутри они разные, но снаружи логика у всех одна.

1. Сохранить запись как файл — в мессенджере через меню сообщения, иначе взять готовый файл с диктофона.
2. Открыть сервис или запустить программу.
3. Загрузить файл и дождаться обработки.
4. Скопировать получившийся текст к себе.

С компьютера это нормальный рабочий путь, особенно когда записей много и они длинные: лекции, интервью, планёрки. Многие сервисы умеют больше простой расшифровки — расставляют паузы по времени, отмечают говорящих, дают выгрузку в файл.

С телефона та же цепочка превращается в мучение. Скачать вложение, найти его в памяти устройства, открыть браузер, загрузить файл через мобильную форму, дождаться, скопировать текст из окна с рекламой — на всё это уходит больше времени, чем на прослушивание.

Что стоит держать в голове, выбирая программу для перевода голосового сообщения в текст:

• бесплатные тарифы обычно ограничены минутами или числом файлов, а дальше начинается оплата;
• почти везде нужна регистрация, а иногда и привязка карты для пробного периода;
• файл уходит третьей стороне — для рабочих разговоров и всего, что касается клиентов, это отдельный вопрос, который лучше решить до загрузки;
• программы для компьютера требуют установки и заметных ресурсов: на слабом ноутбуке распознавание идёт долго и греет машину;
• интерфейсы рассчитаны на большой экран, мобильные версии часто урезаны.

Вывод простой: сервисы и программы хороши, когда расшифровка — регулярная работа и вы сидите за компьютером. Для случайного войса, прилетевшего в чат, это стрельба из пушки по воробьям.

Способ 4. Переслать голосовое телеграм-боту прямо в чате

Промежуточный вариант между встроенной кнопкой и онлайн-сервисом: файл никуда не скачивается, но и подписка не нужна. Запись просто пересылается в другой чат — к боту.

1. Найдите нужное сообщение в переписке и нажмите «Переслать».
2. Выберите чат с ботом @homyak_video_bot.
3. Дождитесь ответа — бот покажет, что получил запись, и предложит кнопки.
4. Нажмите «Текст».
5. Заберите расшифровку сообщением в том же чате.

Распознать речь в присланной записи бот берётся сам — настраивать язык, качество или формат не требуется. Скачивать, переименовывать и искать вложение в памяти телефона тоже не нужно: бот принимает запись как есть, а формат определяет по содержимому, а не по расширению. Поэтому ему одинаково годятся и голосовые из чата, и файлы с диктофона, и переименованное кем-то аудио с непонятным окончанием в имени.

Если запись пришла не в Telegram, а, скажем, вложением в почте, схема почти та же: сохраните файл и отправьте его боту обычным вложением. Один шаг добавляется, остальное совпадает.

Видеокружки распознаются так же

Кружок — та же запись со звуком, только с картинкой. Для бота разницы нет: пересылается он тем же способом, кнопка та же, текст приходит так же. Это заметно выручает в рабочих чатах, где кружками отвечают на длинные вопросы, — прочитать ответ на планёрке можно, а посмотреть нельзя.

Тем же способом обрабатывается и обычное аудио: пересланный из канала подкаст, записанный на встрече файл, музыкальный трек с речью.

Сколько это стоит и чего ждать

Бесплатно, без регистрации и без оплаты: ни абонентской платы, ни счётчиков, ни ввода карты. Аккаунт в Telegram у вас и так есть, больше ничего не требуется.

Что действительно стоит держать в голове — очередь. Распознавание речи требует вычислений и идёт по одной задаче за раз, общей на всех. В спокойное время короткий войс возвращается текстом почти сразу, в час пик ответ может задержаться на несколько минут. Следить за экраном при этом не нужно: бот пришлёт расшифровку в чат сам, даже если вы успели переключиться на другие дела. Поэтому разгребать накопившиеся записи удобнее пачкой — переслали подряд и вернулись к чату, когда тексты уже пришли.

Ещё пара вещей, которые бот не делает. Речь на другой язык он не переводит: текст приходит на языке оригинала. И это не редактор — обрезать запись по таймкоду или склеить несколько войсов в один не получится.

Из свежего есть краткая выжимка содержания и разделение по ролям — обе функции в состоянии беты, работают, но появились недавно. Бот спрашивает, сколько человек в записи, и возвращает текст репликами: видно, где чья мысль. Берёт до четырёх собеседников и записи не длиннее сорока минут. Точность пока около трёх четвертей: структура разговора видна, но отдельные реплики могут уйти не тому человеку.

Сравнение способов: что выбрать

Из голосового сообщения в текст ведут разные дороги, и выбирают между ними не по качеству распознавания — оно у современных инструментов сопоставимое, — а по тому, где вы находитесь, есть ли подписка и как часто эта задача возникает.

Как это раскладывается на практике:

• подписка уже оплачена, запись в Telegram — встроенная кнопка, ничего лучше не нужно;
• подписки нет, а войсы прилетают регулярно — пересылка боту, бесплатно и без скачивания;
• десятки записей с диктофона, вы за компьютером — специализированный сервис или программа;
• надиктовать своё вместо набора текста — голосовой ввод клавиатуры;
• нужен идеально вычитанный текст для публикации — любой машинный способ плюс ручная правка, без вариантов.

Что получится на выходе

Тут важно заранее договориться об ожиданиях, иначе результат разочарует.

Знаков препинания не будет

Распознанная речь приходит сплошным потоком слов без точек и запятых. Это свойство технологии, а не недоработка конкретного инструмента: машина слышит звуки, а пунктуация живёт в смысле, а не в звуке.

На практике это значит следующее. Понять, что сказал собеседник, по такому тексту легко. Найти в нём адрес, сумму или фамилию поиском — тоже. А вот вставить кусок в письмо, отчёт или статью без правки не выйдет: сначала придётся расставить знаки и разбить полотно на предложения. Готовый вычитанный текст ни один автоматический способ не выдаёт.

Что ещё влияет на качество

• Шум и запись на ходу. Улица, метро, ветер в микрофон — распознавание проседает у всех инструментов одинаково.
• Имена, названия и термины. Редкая фамилия или профессиональный жаргон часто превращаются в похожее по звучанию слово. Такие места видно сразу, они выбиваются из фразы.
• Быстрая и невнятная речь. Проглоченные окончания машина восстанавливает хуже, чем человек, который знает контекст разговора.
• Двое говорящих одновременно. Наложенные голоса разбираются плохо: когда люди перебивают друг друга, разметка путается. Само разделение по ролям у бота есть в бете и берёт до четырёх собеседников.

Что делать с текстом дальше

Расшифровка остаётся у вас в чате обычным сообщением, и дальше с ней работают как с любым текстом: переслать коллеге, скопировать в задачу, сохранить в заметки, найти через месяц поиском по переписке. Именно ради этого всё и затевалось — по голосу поиск не работает, по тексту работает.

Если запись длинная и вникать в неё целиком не хочется, у бота есть краткая выжимка — функция свежая, в бете. Она не заменяет расшифровку, но помогает понять, стоит ли читать целиком.

И последнее, про привычку. Голосовые никуда не денутся: людям быстрее сказать, чем напечатать. Смысл не в том, чтобы отучить собеседников от войсов, а в том, чтобы у вас всегда была под рукой кнопка, превращающая их в текст за пару нажатий, — тогда чужая манера общения перестаёт быть вашей проблемой.

Частые вопросы