Транскрибация аудио и видео в текст

Аудиоформаты — MP3, WAV, M4A, OGG, FLAC, AAC, OPUS. Видео — MP4, MOV, MKV, AVI, WEBM и другие распространённые контейнеры. Для видео звуковая дорожка извлекается автоматически, поэтому конвертировать файл заранее не нужно.

Типичные сценарии: расшифровка интервью для статьи, конспект лекции, протокол рабочего созвона, субтитры к ролику, перевод голосовых сообщений в текст. Всё, где проще прочитать, чем прослушивать заново.

Модели уверенно распознают русскую речь и справляются со смешанными записями, где встречаются иностранные термины. Точность зависит в первую очередь от качества записи: чистый звук с одного микрофона распознаётся лучше, чем шумная запись с нескольких говорящих одновременно.

ElevenLabs Scribe — самый экономичный вариант, около 1.65 кредита за минуту записи. Дополнительное преимущество: он принимает видеофайлы напрямую, без промежуточного извлечения звука, что немного ускоряет обработку длинных записей.

Whisper от OpenAI — проверенная временем модель, хорошо известная качеством распознавания на разных языках. GPT-4o Transcribe представляет новое поколение: он лучше держит контекст и точнее справляется с терминами и именами собственными.

GPT-4o mini Transcribe — компромисс: вдвое дешевле старшей версии при достойном качестве. Для длинных записей разница в стоимости становится ощутимой.

Тарификация идёт по длительности записи, а не по объёму файла. Минута аудио стоит примерно от 1.65 до 2.7 кредита в зависимости от модели, то есть часовое интервью обойдётся ориентировочно в сто-сто шестьдесят кредитов.

Длительность определяется автоматически после загрузки, и списывается ровно за фактическое время записи. Никакого округления до пакетов и никакой абонентской платы.