01 Простыми словами
Транскрибация — перевод звука в текст: модель слушает аудиозапись и построчно превращает речь в письменный текст, отмечая, кто и когда говорил, — слово в слово, без пропусков.
Транскрибацию часто путают с суммаризацией — это разные шаги: сначала звук переводят в текст полностью, слово за словом, и только потом при необходимости этот текст можно сократить до короткого пересказа.
02 Как это работает
Типичный конвейер транскрибации на практике состоит из нескольких последовательных шагов.
- Аудио или видео нарезается на короткие сегменты, если запись длинная.
- Специализированная модель распознавания речи вроде Whisper переводит звук каждого сегмента в текст.
- Отдельный алгоритм разделяет реплики по говорящим — эта задача называется диаризацией.
- Языковая модель дочищает результат: расставляет знаки препинания, убирает слова-паразиты и оформляет абзацы.
Для самого распознавания речи почти всегда берут специализированную модель вроде Whisper, потому что именно она принимает на входе звук, — универсальные языковые модели рассчитаны на текст. Финальную чистку текста и разбивку на смысловые абзацы обычно поручают недорогой языковой модели вроде GigaChat или DeepSeek. Итоговый файл обычно сохраняют с таймкодом по каждой реплике — это даёт возможность позже быстро перейти к нужному месту записи вместо прослушивания её заново с начала. Открытые модели вроде Whisper можно запустить на своём сервере, тогда как облачные сервисы берут плату за каждую минуту записи — выбор зависит от объёма звонков в месяц и наличия своей инфраструктуры. При небольшом потоке записей самостоятельный запуск редко окупается — проще и быстрее подключить готовый сервис.
03 Где применяется
- Продажи. Звонок менеджера расшифровывается и сверяется со скриптом продаж для последующего разбора.
- Контакт-центр. Расшифровка звонков используется для проверки качества обслуживания и поиска частых причин обращений.
- Медицина. Приём врача переводится в текст для истории болезни без ручного набора после каждого пациента.
- Кадровые интервью. Расшифровка собеседования становится частью профиля кандидата вместе с остальными материалами отбора.
- Онлайн-образование. Запись вебинара получает текстовые субтитры и становится доступной для поиска по содержанию урока.
- Юридический отдел. Расшифровка переговоров перед сделкой сохраняется как текстовый протокол вместо одной лишь аудиозаписи в архиве.
04 Правка спорной фразы звонка
Фрагмент переписки менеджера с системой транскрибации после звонка клиенту, с комментарием, что происходит на каждом шаге.
- Система: присылает готовую расшифровку с пометкой низкой уверенности на одной реплике клиента — конец фразы про следующий созвон прозвучал невнятно из-за шума на линии: то ли «в четверг», то ли «в четыре».
- Менеджер: открывает именно этот момент записи по таймкоду вместо прослушивания звонка с начала и слышит настоящее слово на слух буквально за десять секунд.
- Менеджер: правит расшифровку вручную и отмечает фрагмент как проверенный человеком.
- Система: сохраняет отметку рядом с этим фрагментом — при повторном обращении к записи видно, что текст здесь уже сверен с оригиналом вручную, а автоматическое распознавание тут было лишь черновиком.
Без таймкода на фрагменте с низкой уверенностью менеджеру пришлось бы заново слушать весь получасовой звонок целиком в поисках тех самых десяти секунд с неясной фразой.
05 Ограничения
- Фоновый шум, несколько говорящих одновременно и сильный акцент заметно снижают точность распознавания.
- Разбивка по говорящим иногда путает реплики при быстром обмене короткими фразами.
- Специфичные термины отрасли — медицинские, юридические, узкоотраслевые — распознаются менее точно без дополнительной настройки словаря, для локального запуска в такой ситуации часто берут модель Whisper с доученным словарём терминов.
- Одновременная запись двух и более языков в одном разговоре заметно усложняет и распознавание речи, и последующую разбивку по говорящим.
- Запись разговора для расшифровки стоит заранее согласовывать со второй стороной — в части сценариев такое согласование прямо требует закон, а вежливость тут вторична.
Сколько стоит транскрибация на практике — в статье честная вилка цен на транскрибацию встреч нейросетью. Что делать с расшифровкой дальше — в разделе про суммаризацию и на странице автоматизации бизнес-процессов.