Расшифровка аудио и субтитры

Как распознавание речи читает запись

Инструмент Расшифровка аудио в текст использует Whisper — модель распознавания речи, которую OpenAI выпустила в 2022 году под лицензией MIT. Согласно карточке модели (model card), Whisper обучен на 680 000 часах аудио и расшифровок, собранных в интернете; около двух третей из них — на английском.

Whisper не слушает весь файл сразу. Он читает аудио по 30 секунд, преобразованное в спектрограмму (картинку того, какие частоты звучат громко в каждый момент), и пишет самый вероятный текст для этого отрезка — кусочек слова за кусочком — вместе с отметками времени. Поэтому длинная запись делится на окна. Инструмент ставит каждый разрез в самую длинную паузу ближе к концу окна, чтобы не рвать предложения, и пропускает окна с тишиной.

Прежде чем что-то написать, модель может определить язык речи: первое, что она предсказывает, — метка языка. Если оставить «Определить автоматически», инструмент делает это предсказание по первым 30 секундам речи и затем использует один язык для всего файла.

Какую модель выбрать

Whisper бывает нескольких размеров. Инструмент предлагает три: base и small работают на процессоре в любом современном браузере, а large-v3-turbo — на видеокарте, если браузер поддерживает WebGPU.

* Измерено на одном настольном компьютере в браузере: base и small с 8-битными весами на процессоре, large-v3-turbo с 4-битными весами на видеокарте. Более медленные устройства работают дольше. Каждая модель скачивается один раз и затем хранится в браузере, пока вы не удалите её в инструменте.

Разница в качестве больше всего заметна в языках кроме английского. В нашем тесте с минутной корейской записью, прочитанной синтезатором речи, base написал 후회 («сожаление») вместо 회의 («совещание») и 머료일 вместо 월요일 («понедельник»); small в этих двух случаях не ошибся, но написал 무늬 («узор») вместо 문의 («запрос»), а large-v3-turbo не сделал ни одной ошибки. Выбирайте large-v3-turbo, если браузер его предлагает; иначе начните с base и переходите на small, если ошибок слишком много.

Large-v3-turbo — оптимизированная для скорости версия large-v3, самой большой модели Whisper. Ей нужна видеокарта: на одном процессоре расшифровка заняла примерно в 13 раз больше длительности записи, поэтому инструмент показывает эту модель только там, где есть WebGPU, например в свежих версиях Chrome и Edge на компьютерах и в Safari на новых Mac. Ей также нужно гораздо больше памяти, чем base, а у многих телефонов её нет.

Как получить расшифровку лучше

• Записывайте ближе к микрофону. Расстояние, эхо и фоновый шум снижают точность сильнее всего.
• Избегайте музыки и наложения голосов. Whisper пишет один поток текста и не различает говорящих.
• Выбирайте язык сами, если запись начинается с музыки, тишины или приветствия на другом языке.
• Будьте готовы править имена и термины. Модель угадывает написание по звучанию и предпочитает распространённые слова.
• Следите за выдуманным текстом. Карточка модели предупреждает, что Whisper может писать то, чего не говорили, и повторяться — чаще всего в тихих или шумных местах. Сверяйте эти фрагменты с записью.
• Делите очень длинные файлы. Час аудио после декодирования занимает около 220 МБ памяти, а всё выполняется на вашем устройстве.

Файлы субтитров: SRT и VTT

Файл субтитров — это обычный текст: список реплик (cues), у каждой есть время начала, время конца и показываемые слова. Два распространённых формата выглядят почти одинаково.

SubRip (.srt) нумерует каждую реплику и ставит запятую перед миллисекундами:

1
00:00:00,000 --> 00:00:02,300
Доброе утро, коллеги.

2
00:00:02,300 --> 00:00:05,600
Подведу итоги сегодняшнего совещания.

WebVTT (.vtt) — формат W3C для субтитров на веб-страницах, его использует элемент HTML <track>. Файл начинается со слова WEBVTT, во времени ставится точка, а номера необязательны:

WEBVTT

00:00:00.000 --> 00:00:02.300
Доброе утро, коллеги.

00:00:02.300 --> 00:00:05.600
Подведу итоги сегодняшнего совещания.

В WebVTT текст реплики не может содержать -->, а символы & и < нужно записывать как & и <; инструмент делает это сам. У SRT нет официальной спецификации, но видеоредакторы и плееры читают показанную выше форму. Выбирайте формат, который требует ваш плеер или платформа.

Как сделать субтитры удобными для чтения

Сегменты Whisper следуют его собственному представлению о предложении, поэтому некоторые получаются длинными. Перед публикацией просмотрите субтитры вместе с видео, разделите сегменты, которые слишком долго висят на экране или занимают больше двух строк, и проверьте, что каждая реплика появляется вместе со словами. Большинство редакторов субтитров открывают файлы SRT и позволяют сдвигать и делить реплики.

Расшифровка на устройстве и в облаке

Онлайн-сервисы расшифровки обычно загружают запись на свои серверы, где её быстро обрабатывают большие модели. Инструмент в браузере оставляет запись на вашем устройстве: аудио декодируется и расшифровывается прямо на странице, а скачиваются только файлы модели. Взамен скорость зависит от вашего процессора, а размер модели ограничен тем, что может вместить браузер.

Кто бы ни обрабатывал запись, с чужими голосами нужно обращаться бережно. Карточка модели Whisper предостерегает от расшифровки записей людей, сделанных без их согласия; спрашивайте разрешения, прежде чем записывать или расшифровывать разговор.

Частые вопросы

Источники

Источник: OpenAI, Whisper (README) · Дата проверки: 13 октября 2026 г.

Источник: OpenAI, Model Card: Whisper · Дата проверки: 13 октября 2026 г.

Источник: W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · Дата проверки: 13 октября 2026 г.