Как перевести аудио в текст с помощью ИИ — пошагово

Смотри, где ломаются почти все с первого раза: у API транскрипции лимит 25 МБ на файл. Это лимит на вес, а не на длину.
Из-за этого получается парадокс. Трёхминутная запись с диктофона в WAV не влезет — там под 30 МБ. А трёхчасовой подкаст влезет спокойно, если сжать его правильно. Одна команда — и проблема исчезает.
Разберём весь путь: от файла до текста с таймкодами.
Что понадобится
- Аудиофайл:
mp3,m4a,wav,webm,mp4,mpegилиmpga. - API-ключ — возьмём OpenAI как самый ходовой вариант.
- Терминал и установленный
ffmpeg(для сжатия и нарезки).
Шаг 1. Посмотри, сколько весит файл
ls -lh запись.wav
Если меньше 25 МБ — переходи к шагу 3. Если больше (а так будет почти всегда с WAV или длинным интервью) — шаг 2.
Шаг 2. Сожми аудио в моно 16 кГц
Ключевой момент, который экономит и время, и деньги: модели транскрипции всё равно приводят звук к моно 16 кГц. Стерео, 48 кГц и высокий битрейт для них — просто лишние байты. Отдаём сразу в нужном виде:
ffmpeg -i запись.wav -ac 1 -ar 16000 -b:a 16k запись.mp3
Что тут происходит: -ac 1 — один канал вместо двух, -ar 16000 — частота 16 кГц, -b:a 16k — битрейт 16 кбит/с.
Арифметика становится приятной: такой mp3 весит примерно 120 КБ на минуту речи. То есть в 25 МБ помещается около трёх с половиной часов. Разборчивость речи при этом не страдает — модель слышит ровно то, что ей нужно.
Шаг 3. Отправь файл на расшифровку
curl https://api.openai.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F file="@запись.mp3" \
-F model="gpt-4o-mini-transcribe"
В ответ придёт JSON с полем text — это и есть расшифровка.
Пара слов про выбор модели. Линейка обновляется, поэтому перед прогоном загляни в актуальные доки — но общая логика такая:
gpt-4o-mini-transcribe— дешёвый рабочий вариант на каждый день;whisper-1— классика, тариф простой и предсказуемый: $0.006 за минуту аудио;- отдельная модель с диаризацией — если нужно различать говорящих («кто что сказал»).
Русский язык понимают все перечисленные, отдельно указывать его не нужно — язык определяется сам.
Если ты уже подключал API раньше, ничего нового: тот же ключ в заголовке, только тело запроса — файл, а не JSON.
Шаг 4. Получи таймкоды, если нужны субтитры
Простой text — это сплошная простыня. Для субтитров или навигации по записи проси подробный формат:
curl https://api.openai.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F file="@запись.mp3" \
-F model="whisper-1" \
-F response_format="verbose_json"
Теперь в ответе есть массив segments: у каждого куска текста — начало и конец в секундах. Из этого собирается файл субтитров, кликабельное оглавление подкаста или поиск по видео.
Шаг 5. Если аудио всё равно не влезает — режь
Четырёхчасовая запись даже в сжатом виде перевалит за лимит. Нарезаем на куски по 20 минут:
ffmpeg -i запись.mp3 -f segment -segment_time 1200 -c copy часть_%03d.mp3
Дальше отправляешь части по очереди и склеиваешь текст. Важная деталь: режь по тишине, а не вслепую, если можешь — иначе слово на стыке разорвётся пополам. И если собираешь таймкоды из частей, не забудь прибавить смещение: у второго куска время начинается с нуля.
Что получится
На выходе — текстовый файл, где час разговора превращается в 8–10 тысяч слов. Дальше начинается самое полезное: этот текст можно отдать модели и попросить выжимку, список задач или ответы на вопросы по записи. Собственно, так и работают все «саммари созвонов» — сначала расшифровка, потом обычный промпт.
По деньгам: час аудио на whisper-1 — это около $0.36. Дешевле чашки кофе за то, на что человек потратил бы полдня.
Кстати, транскрипция — частный случай мультимодальности: модель принимает не текст, а звук. Тот же принцип работает с картинками и видео.
Как расшифровать аудио бесплатно?
Возьми локальную версию Whisper (например, whisper.cpp или faster-whisper) — она работает у тебя на машине и не стоит ничего, кроме времени. На ноутбуке без видеокарты час записи считается десятками минут, но качество сопоставимо с облаком.
Почему в расшифровке путаются имена и термины?
Модель угадывает по звуку и часто пишет фамилии и названия продуктов как попало. Лечится подсказкой: в запрос можно передать поле prompt со списком имён, терминов и правильных написаний — дальше модель ориентируется на него.
Можно ли расшифровывать прямо во время разговора?
Да, для этого есть отдельный режим потоковой транскрипции: звук идёт кусочками, текст появляется почти сразу. Обычный эндпоинт для файлов такое не умеет — он ждёт готовую запись целиком.
Курс «Профессия 2027: ИИ-архитектор»: шаг за шагом от основ компьютера до своего приложения и первых клиентов. 543 коротких урока на телефоне.





