Расшифровка голосовых сообщений

Почему голосовые расшифровываются легко

Голосовое сообщение — почти идеальный материал для распознавания: один говорящий, микрофон у рта, запись короткая. На таком файле точность обычно выше, чем на созвоне или лекции, — правки нужны только в именах и терминах.

Сложности начинаются, когда человек диктует на улице, в машине или в метро: фоновый гул съедает окончания, и появляются пропуски.

Форматы, в которых приходят голосовые

• Telegram — ogg (кодек Opus). Принимают почти все сервисы, конвертировать не нужно.
• WhatsApp — тоже ogg, но при пересылке на компьютер иногда сохраняется как m4a.
• iOS «Диктофон» — m4a, самый удобный вариант по качеству.
• Экспорт чата — папка с десятками файлов; их лучше склеить в один перед загрузкой.

Пачка сообщений: как не потерять порядок

Если сообщений много, загружайте их по порядку и просите пронумеровать реплики. Иначе в тексте теряется, где заканчивается одно сообщение и начинается другое, — а именно это чаще всего нужно, когда по переписке восстанавливают договорённости.

Второй вариант — склеить файлы в один трек: тогда получится сплошной текст, но с общей хронологией.

Что делать дальше с текстом

Расшифровка голосовых редко нужна сама по себе. Обычно из неё делают короткий список: о чём договорились, что нужно сделать, к какому сроку. Это удобнее просить сразу — вместе с расшифровкой, одним запросом.

Частые вопросы

Другие задачи