WAV в текст — расшифровка несжатого звука

Да, такой файл обрабатывается как обычный, только чуда от него ждать рано: несжатый контейнер сохраняет ровно то качество, которое было в исходнике, и WAV, собранный из телефонной записи или слабого MP3, звучит так же, как они. Загружайте оригинал в родном формате — результат будет тем же при меньшем весе, а точность определят микрофон, шум и разборчивость речи.

На практике разница невелика: для распознавания речи хватает и MP3 от 128 kbps. Преимущество WAV проявляется на сложном материале — тихий голос, дальний микрофон, наложения: несжатый сигнал сохраняет нюансы, которые агрессивное сжатие срезает. Если исходник уже записан в WAV, загружайте его как есть; специально переводить MP3 в WAV бессмысленно: утраченное при сжатии качество такая конвертация назад вернуть неспособна.

Пережмите файл во FLAC (сжатие без потерь, минус 40-60% веса) или в MP3 320 kbps — для речи такое сжатие на точности почти не отражается. Годится любой бесплатный инструмент: Audacity, fre:ac, ffmpeg. Второй вариант — разрезать запись на части по 2-3 часа и загрузить их по очереди; таймкоды в каждой части пойдут от нуля, это стоит учесть при склейке текста.

Да, EdWord принимает WAV с любой стандартной разрядностью и частотой дискретизации — от диктофонных 16 бит/44.1 кГц до студийных 24-32 бит/96-192 кГц. Перед распознаванием сигнал приводится к рабочей частоте модели, так что сверхвысокие параметры на точность текста уже влияния не окажут — зато и вреда от них никакого, качайте оригинал.

Каналы смешиваются в моно перед распознаванием, текст получается общий. Если у вас интервью с разведением голосов по каналам (гость слева, ведущий справа), а нужны отдельные стенограммы — выгрузите каждый канал в свой файл в аудиоредакторе и расшифруйте их по отдельности. Автоматического разделения по говорящим в EdWord нет, реплики размечаются вручную при вычитке.

Тарификация идёт по длительности записи: вес WAV-файла на цену никак влияния не оказывает. Для аккаунта может быть доступен стартовый лимит до 30 минут без карты. Дальше пакеты от 390 ₽ за час; крупные объёмы выгоднее — 10 часов стоят 2 990 ₽, 50 часов — 12 900 ₽. Минуты хранятся на балансе бессрочно.

Расшифровка оплачивается разовыми пакетами: 1 час за 390 ₽ (6.50 ₽/мин), 3 часа за 990 ₽ (5.50 ₽/мин), 10 часов за 2 990 ₽ (4.98 ₽/мин). Для команд и компаний — пакеты до 100 часов от 9 900 ₽. Подписки нет: купленные минуты не сгорают и списываются только за реально обработанное аудио.

Качество зависит от исходной записи: фонового шума, расстояния до микрофона, разборчивости речи и одновременных реплик. Проверьте результат на своём файле и вычитайте имена, числа и профессиональные термины. Язык определяется автоматически; также можно выбрать русский, английский, немецкий, французский или испанский.

Файлы передаются по HTTPS. Для распознавания медиа передаётся внешнему STT-провайдеру, описанному в Политике конфиденциальности. Временная копия на сервере EdWord автоматически удаляется после завершения обработки, а текст хранится в личном кабинете, пока вы не удалите его.

Максимальный размер файла — 2 ГБ, максимальная длительность одной записи — 3 часа. Этого хватает на большинство совещаний, интервью, лекций и подкастов. Более длинную запись разбейте на части перед загрузкой.

Если аккаунту доступен стартовый лимит, после регистрации появится до 30 минут — этого хватает, чтобы проверить качество на своей записи. Карта не нужна. Быстрее всего начать в Telegram-боте: открыть @mywhisperedbot.