Нейросеть для расшифровки аудио и видео

Что нейросеть делает с вашей записью

Над записью работает не одна модель, а несколько — у каждой своя задача.

Сначала модель находит в записи участки с речью и пропускает тишину, шум и музыку. Распознавание не тратит на них время и не пытается разобрать слова там, где никто не говорил.

Затем нейросеть распознавания превращает речь в слова. Она учитывает смысл всей фразы, поэтому сама расставляет знаки препинания и заглавные буквы, а каждой реплике ставит время.

Если нужно разделение по говорящим, отдельная модель сравнивает голоса и подписывает реплики: «Спикер 1», «Спикер 2». Имена потом меняются во всём тексте разом.

Протокол встречи собирает языковая модель: из готовой расшифровки она выбирает решения, договорённости и задачи с исполнителями.

Что умеет ИИ в Звукописи

Как выглядит результат

Фрагмент созвона после расшифровки с разделением по говорящим.

Из такого фрагмента протокол заберёт решение — отчёт в пятницу — и задачу с исполнителем и сроком.

Где нейросеть ошибается

Слабее всего ей даются имена, фамилии, названия компаний и узкие термины: вместо незнакомого слова она пишет похожее по звучанию. Такие места стоит сверить при вычитке.

Когда люди говорят одновременно, страдает и распознавание, и разделение по голосам: чистого куска речи, по которому одного можно отличить от другого, не остаётся.

Дальний микрофон, эхо и музыка под голосом снижают точность. Чем ближе микрофон к говорящему, тем меньше правок после нейросети.

Попробовать нейросеть бесплатно

При первом входе в бота на счёт приходят 45 минут. Этого хватит, чтобы проверить распознавание на своей записи: созвон на 40 минут с разделением по говорящим спишет 44 минуты.

Бесплатно навсегда не получится: нейросети работают на серверах с видеокартами, и каждая минута записи стоит денег. Дальше — пакеты без подписки, от 1,63 ₽ за минуту.

Как расшифровать запись нейросетью

Смотрите также

Что обычно спрашивают