В чём чат-бот хорош
Некоторые чат-боты принимают аудиофайл. Если дать такому боту двухминутное голосовое сообщение с одним чётким голосом, на выходе можно получить вполне пригодный текст. Чат-боты хороши и в том, что идёт после расшифровки: когда текст уже есть, они могут сделать краткое содержание, выделить список задач или превратить его в письмо. Если запись короткая и вам нужна только суть, этого вполне может хватить.
Где всё идёт не так
- Лимиты загрузки. Чат-боты, которые принимают аудио, ограничивают размер и длину файла, а некоторые аудио вообще не принимают. Длинную запись часто приходится резать на куски и загружать по одному.
- Сокращённый текст. Окно чата рассчитано на ответ, а не на сорок страниц текста. На длинной записи чат-бот склонен сжимать текст, пропускать фрагменты или обрываться на полуслове.
- Нет надёжных меток спикеров. В интервью или на встрече важно знать, кто что сказал. Чат-боты не всегда верно отмечают смену говорящего, и каждую смену голоса приходится сверять с аудио.
- Нет надёжных таймкодов. Без времени у каждой реплики не получится вернуться к записи и проверить цитату.
- Нет файла, с которым можно работать. Вы получаете текст в чате, а не документ, который можно кому-то передать.
Сокращённый текст заметить сложнее всего. Сжатая расшифровка читается гладко, и ничто не подсказывает, что десяти минут из середины в ней нет.
Почему так происходит
Чтобы превратить речь в текст, нужны речевая модель и реальное время на обработку аудио. Универсальный чат-бот настроен отвечать на сообщение в рамках ограничений: сколько он может принять и сколько написать в ответ. Длинная запись выходит за оба предела.
Сторону вывода легко недооценить. В нашем тесте четырёх длинных задач на перевод файла субтитров на 85 минут и 1 200 строк каждой модели потребовалось от 38 000 до 56 000 токенов вывода. Полная расшифровка двухчасовой записи — это ответ такого же объёма. Придёт ли он целиком, зависит от того, сколько приложение позволяет вместить в один ответ.
Специализированный инструмент для расшифровки речи устроен наоборот: он обрабатывает весь файл по частям, сохраняет время каждого абзаца и хранит результат как документ, который можно редактировать и экспортировать.
Как проверить самостоятельно
Возьмите знакомую вам запись длиной не меньше двадцати минут, где говорят два человека.
- Попросите чат-бот расшифровать её дословно, с таймкодами.
- Посмотрите, принял ли он загрузку вообще.
- Найдите предложение, которое помните ближе к концу записи, и поищите его в результате.
- Сравните количество слов с примерной оценкой: большинство людей говорит около 130–160 слов в минуту.
Если позднее предложение на месте и число слов укладывается в диапазон, ваша запись относится к простым случаям. Если к концу текст редеет, у вас краткое содержание, а не расшифровка.
Что использовать вместо этого
Используйте инструмент, созданный для длинных записей. Наш инструмент Длинное аудио и видео в текст делит запись на части, полностью расшифровывает каждую часть с таймкодами и склеивает их по порядку. Он принимает аудио- и видеофайлы до 2 ГБ и 6 часов, пишет каждую часть на том языке, на котором звучит речь, и может добавить перевод под каждым абзацем. Скачать можно TXT или Word. Готовый пример смотрите в демо.
Первая часть бесплатно, без регистрации. Вся запись — $5, разовый платёж, без подписки. Unlimited стоит $19 в неделю (продлевается каждую неделю, отменить можно в любой момент), охватывает все инструменты сайта и принимает записи до 12 часов в одной задаче.
Если записи — это голосовые сообщения внутри чата WhatsApp, воспользуйтесь инструментом Чат WhatsApp в PDF: он расшифровывает каждое голосовое сообщение на том месте, где оно было отправлено в переписке.