Транскрибация: видео и аудио в текст

Транскрибация нейросетью — это перевод речи из аудио или видео в текст моделью распознавания. Рабочий бесплатный вариант — Whisper, открытая модель OpenAI: она запускается локально, распознаёт русскую речь с таймкодами и не ограничивает длину записи. Видео сначала превращают в аудиодорожку через ffmpeg, голосовые и диктофонные записи распознаются как есть.

Часть 1 · Выбор

Чем транскрибировать: три уровня

• Встроенные функции. Telegram Premium расшифровывает голосовые кнопкой, Zoom пишет текст созвона сам, у YouTube есть автоматические субтитры. Быстро, но без контроля качества и не для своих файлов.
• Whisper локально. Открытая модель OpenAI: любая длина, русская речь, таймкоды, запись не покидает компьютер. Единственный способ бесплатно транскрибировать часовое интервью без ограничений — разбор ниже.
• Скил в агенте. Если записи идут потоком, Whisper подключают к Claude Code скилом: агент сам достаёт дорожку, распознаёт и сразу работает с текстом — пересказывает, чистит, нарезает.

Отдельный случай — рабочие встречи: там после расшифровки нужен протокол с решениями и задачами. Этот сценарий целиком разобран в гайде нейросеть для расшифровки созвонов.

Часть 2 · Практика

Транскрибация через Whisper

• Шаг 1. Поставьте whisper-cpp и скачайте модель. На Mac: brew install whisper-cpp, затем скачайте модель ggml-large-v3-turbo.bin (~1.5 ГБ) из репозитория ggerganov/whisper.cpp на Hugging Face — она лучшая по соотношению скорости и качества для русской речи.
• Шаг 2. Извлеките аудиодорожку из видео. Whisper принимает аудио: из видеофайла дорожку достаёт ffmpeg одной командой (WAV 16 кГц моно). Для голосовых сообщений и диктофонных записей шаг пропускается.
• Шаг 3. Запустите распознавание. Команда whisper-cli -m модель -l ru -otxt файл.wav вернёт текст; флаг -osrt даст субтитры с таймкодами. Всё работает локально и бесплатно, запись никуда не отправляется.

# 1. Ставим whisper-cpp (один раз):
brew install whisper-cpp
# модель ggml-large-v3-turbo.bin — с Hugging Face (ggerganov/whisper.cpp)

# 2. Достаём аудио из видео (WAV 16 кГц моно):
ffmpeg -i lecture.mp4 -ar 16000 -ac 1 lecture.wav

# 3. Распознаём русскую речь:
whisper-cli -m ggml-large-v3-turbo.bin -l ru -otxt lecture.wav
# -osrt вместо -otxt — субтитры с таймкодами

Час записи на современном ноутбуке распознаётся за несколько минут. Качество упирается в звук, а не в модель: близкий микрофон и минимум фоновой музыки дают текст, который почти не нужно править.

Часть 3 · Агент

Скил транскрибации для Claude Code

Готовый навык — карточка audio-transcriber в каталоге: скил учит агента прогонять аудио и видео через Whisper и возвращать чистый текст. Ставится как любой навык — папка со SKILL.md в ~/.claude/skills/, разбор процесса — в гайде как установить skill. Формат открытый, тот же скил работает в Cursor и Codex.

Главное преимущество перед онлайн-сервисами — конвейер: агент не просто отдаёт транскрипт, а сразу делает следующую операцию — «расшифруй интервью и собери из него статью», «найди в записи все цифры и сведи в таблицу». Как это выглядит в реальной работе — в разборе агентного офиса, где голосовые сообщения расшифровываются этим же пайплайном.

Часть 4 · Продолжение

Что делать с текстом дальше

• Пересказ и протокол. Текст созвона отдают языковой модели за резюме с решениями и задачами — промпты в гайде про расшифровку созвонов.
• Субтитры на видео. Формат -osrt — готовые субтитры с таймкодами; как их оформить и вшить в ролик — в гайде про нейросеть для субтитров.
• Монтаж по транскрипту. Из расшифровки длинного ролика агент находит смысловые куски и собирает монтажный лист — разбор в гайде про монтаж видео скилами Claude.

Вопросы

Частые вопросы

Читать дальше

Соседние гайды