QuillHubQuillHub
EN

Нейросеть для расшифровки аудио в текст бесплатно

Загрузите запись или вставьте ссылку. Одна нейросеть распознает речь, расставит знаки препинания и разделит голоса, другая прочитает текст и соберёт резюме, главы и термины. Файлы до 10 часов.

20 000+часов транскрибировано

60 бесплатных минут при регистрации · Карта не нужна

  • YouTube
  • RuTube
  • VK Видео
  • Яндекс Диск
  • Google Drive
  • Прямая ссылка на файл
  • Файлы MP3, M4A, WAV, OGG, AAC, WMA, MP4

Пример расшифровки

Так выглядит в тексте доклад о распознавании речи на 42 минуты

Настоящая выдача QuillHub без правок руками: запись на 42 минуты, 3 голоса разделены автоматически, у каждой реплики свой таймкод. Над текстом собраны оглавление и резюме. Переключайте вкладки.

Кейс: потоковое ASR в голосовом ассистенте «Маруся» — переход на RNN‑Transducer00:00 / 42:00 · Владимир Гулин, VK, Ведущий, СлушательГотово · 4 документа
  • Владимир Гулин, VK0:08

    Друзья, всем привет! Меня действительно зовут Вова. Я в компании работаю уже больше 12 лет. Исторически долго упорно занимался поисковыми рекомендательными сервисами.

  • Владимир Гулин, VK15:45

    Поэтому мы себе придумали цели в 2023 году. Во-первых, драматически снизить латенсии, снизить ошибку распознавания транскрибации речи и, соответственно, устранить косты на саппорт двух моделей. Давайте поговорим про то, как мы это достигли.

  • Ведущий33:14

    Вова, спасибо большое за потрясающий, очень наполненный деталями доклад. Было очень интересно. Теперь время вопросов. Задавайте, пожалуйста, оффлайн и онлайн. Добрый день. Есть ли, допустим, в аудио несколько голосов?

  • Владимир Гулин, VK33:38

    Дополнительными, да. Тут такая история, что в целом задача разделения спикеров, она на практике сложная. У нас есть там несколько проседаний в этом направлении различных.

  • Слушатель34:43

    Мы старались. Спасибо. Касательно метрик. Вот вы говорите метрики, метрики. Понятно, как их померить на размеченных данных, а как вы меряете там версеры или еще какие-то метрики вот уже в real-time, когда у вас модель работает.

  • Владимир Гулин, VK35:01

    Да, смотрите, тут даже главная фишка как раз в том, что мы… Как вообще любая метрика с production строится? Вы, соответственно, берете свой поток запросов, который вам пролетает в ассистент.

Ещё 97 абзацев — у каждого таймкод, клик по таймкоду перематывает аудио

Речь разобрана по людям

Бесплатное распознавание вернёт один абзац на всю запись. Здесь голоса разделены, а у каждой реплики свой таймкод — текст можно читать, а не расшифровывать второй раз.

  • 3 голоса разделены автоматически, без настроек
  • Владимир Гулин, VK — 93%, Ведущий — 4%, Слушатель — 3% времени
  • Экспорт в TXT, DOCX, SRT и VTT
  • 0:06Введение и обзор голосового ассистента Маруся2 мин
  • 2:14Пайплайн распознавания и обработка сигнала на устройстве2 мин
  • 4:06Потоковое и облачное распознавание: задачи и метрики8 мин
  • 12:25Endpoint detection и предвосхищение ответов (preflight)1 мин
  • 13:51Базовый стек и проблемы: Kaldi и отдельная модель EPD2 мин
  • 15:58Выбор архитектуры: RNN-Transducer (RNN-T) — устройство и принципы4 мин
  • 19:30Данные, предобучение, fine-tuning и аугментации5 мин
  • 24:11Проблемы обучения и инфраструктура: оптимизация, баги и распределённое обучение3 мин
  • 26:46Продакшн: архитектура и inference потокового распознавания5 мин
  • 32:14Итоги, рекомендации и подготовка к вопросам2 мин
  • 34:40Первые вопросы: метрики и организация оценки в продакшне2 мин
  • 36:16Модерация контента: нецензурная и токсичная лексика3 мин
  • 38:52Вопросы и ответы: безопасность, конфиденциальность и особенности распознавания речи2 мин
  • 41:11Вступление и напоминание вопросов1 мин

Ещё 2 главы — каждая со своим таймкодом и длительностью

42 минуты записи видны целиком

Оглавление строится по смыслу, а не по паузам: видно, о чём шла речь в каждой части. Клик по главе — и вы сразу в нужной минуте.

  • 16 глав из 42 минут
  • Каждая глава — ссылка на место в аудио

Доклад о развитии системы распознавания речи в голосовом ассистенте «Маруся»: проблема высоких задержек и низкого качества при каскадной Kaldi‑системе; переход на потоковую архитектуру RNN‑Transducer с LC‑BLSTM энкодером…

  • Потоковое распознавание в ассистенте критично для UX: надо снижать latency определения конца речи и ошибку транскрибации.
  • Каскадная Kaldi‑система показала ограниченное качество и не решала endpoint detection end‑to‑end.
  • RNN‑Transducer (RNN‑T) — выбранная архитектура для потокового ASR, объединяющая энкодер, предиктор и joiner.

Решения, которые вытащил AI

  • Отказ от каскадной Kaldi‑системы в продакшене в пользу унифицированной RNN‑Transducer архитектуры.01
  • Применение LC‑BLSTM в энкодере для улучшения качества распознавания при допустимом увеличении latency.02
  • Использование двухэтапного обучения: pre‑training с Run‑and‑Tell и FastEmit, затем fine‑tuning с MVR Loss.03
  • Внедрение инженерных оптимизаций: бакетинг батчей, meta‑batches, mixed‑precision (fp16/fp32) и распределённое обучение DDP.04
  • Динамическая квантизация int8 и ONNX Runtime для CPU‑инференса в продакшене.05

Чтобы не переслушивать 42 минуты

Резюме собирается из самого разговора: ключевые идеи, числа и решения, которые в нём прозвучали. Его можно отправить в чат команды как есть.

  • 5 решений, вытащенных из разговора
  • 8 тезисов в полном резюме
Конспект на одну страницу

Переход на RNN‑Transducer позволил унифицировать пайплайн и избавиться от поддержки двух отдельных моделей.

из записи
Черновик статьи

«Кейс: потоковое ASR в голосовом ассистенте «Маруся» — переход на RNN‑Transducer»: потоковый ASR, RNN‑Transducer, endpoint detection

из записи
Письмо по итогам

Что обсудили, к чему пришли, что делаем дальше — письмом на команду

шаблон
Список задач

Кто что делает дальше — задачи из записи одним списком

шаблон
Вопрос по записи

«Собери чеклист внедрения RNN‑T в продакшен для Маруси» — чат отвечает по тексту и даёт таймкод

чат
Свой промпт

Заметка в CRM, пост, тезисы для выступления — или любой формат, который вам нужен

как угодно
  • RNN‑Transducer
  • Latency Controlled BLSTM
  • Endpoint detection
  • FastEmit
  • Run‑and‑Tell
  • MVR Loss
  • Trellis Matrix
  • Baketing / meta‑batches
  • FastEmit/Run‑and‑Tell tradeoff

Все действия ИИ входят в тариф «Безлимит» — никаких баллов за каждое нажатие.

Поверх текста — готовые документы

Расшифровка — только начало. Из одной записи можно собрать конспект, черновик статьи или письмо — или задать свой формат.

  • Готовые шаблоны и свои промпты
  • Чат по записи: спросить что угодно по тексту
  • 9 терминов с определениями
Загрузить свою записьСмотреть полный пример(откроется в новой вкладке)60 бесплатных минут при регистрации · Карта не нужна

Пример: доклад Владимира Гулина «Потоковое распознавание речи в Марусе» (Machine Intelligence VK), VK Team, YouTube, лицензия CC BY 4.0. Расшифровка, главы, резюме и тезисы составлены QuillHub.

Как это работает

Как расшифровать аудио нейросетью

Три шага в браузере, на компьютере или с телефона. Ставить программу и настраивать модель не нужно.

  1. 1

    Загрузите аудио

    Перетащите файл в форму или вставьте ссылку на YouTube, RuTube, VK Видео или облако. Записи под рукой нет? Откройте вкладку «Микрофон» и говорите.

  2. 2

    Нейросеть распознает речь

    Язык записи определится сам, один на всю запись. Голоса разделятся на спикеров, у каждой реплики появится таймкод.

  3. 3

    Получите текст и конспект

    Через несколько минут расшифровка откроется в браузере. Скачайте её в Word, TXT или Markdown, а у записей длиннее трёх минут прочитайте резюме и главы.

Что вы получите

Что делает нейросеть с вашей записью

На выходе документ со знаками препинания и абзацами: его можно читать, копировать и отправлять коллегам.

Текст со знаками препинания

Точки, запятые и вопросы расставляются автоматически, длинная речь делится на абзацы по смыслу.

Реплики по спикерам

Голоса разделяются сами, на всех тарифах. Спикеров можно переименовать: имена сохранятся в тексте и выгрузке.

Таймкоды

Клик по реплике перематывает запись к этому месту: удобно переслушать фамилию или цифру.

Резюме, главы и термины

Для записей длиннее трёх минут языковая модель составляет краткое содержание, оглавление с таймкодами, ключевые тезисы и список терминов с пояснениями.

Решения и задачи

Если в записи договаривались, нейросеть выписывает решения и задачи. Кто и к какому сроку, указывается, только если это прозвучало.

Word, Markdown и субтитры

Экспорт в формате DOCX для Word, в TXT и Markdown, субтитры SRT и VTT. Получатель публичной ссылки скачает файлы без регистрации.

ИИ-обработка записи

Спросите нейросеть о записи и получите ответ со ссылкой на минуту

Записали глубинное интервью с покупателем на 47 минут. Не переслушивайте его ради одной цитаты: спросите, что человек сказал о цене, и откройте нужный момент.

Интервью с покупателем · 2 спикера47:05
Что респондент сказал про цену подписки?

Цена его устраивает, но платить сразу за год он не готов: сначала хочет месяц попробовать на своей команде.

Интервью · 31:12 — фрагмент подсвечен на дорожке
Кто ещё из респондентов говорил про оплату за год?

Двое из пяти. Оба просили помесячную оплату на первые три месяца.

5 интервью в архиве
28 октября · интервью 3
30 октября · интервью 4
01

Вопросы по всем записям

Все расшифровки хранятся в личном кабинете, чат ищет ответ во всех сразу: кто что сказал, где прозвучала цифра, что решили в прошлый раз.

02

Материалы по записи

Кнопки «Резюме», «Письмо», «Задачи», «Блог-пост» или свой запрос: из интервью получится отчёт, из лекции конспект.

03

Доступ для ваших агентов

MCP-сервер: Claude и другие ИИ-агенты работают с вашими записями напрямую.

Все действия ИИ входят в тариф «Безлимит» — никаких баллов за каждое нажатие.

Что внутри

Какие нейросети расшифровывают аудио в QuillHub

Расшифровку в QuillHub делает цепочка нейросетей. У каждой модели своя часть работы, и от каждой зависит, что вы увидите в готовом тексте.

ЭтапКакая нейросетьЧто она делаетЧто вы получаетеГде это видно
Распознавание речиМодели распознавания AssemblyAI, модель подбирается под язык записиПереводит звук в слова, определяет язык, ставит знаки препинанияТекст на языке записиВкладка «Исходный текст»
Разделение голосовТа же модель AssemblyAIРазличает говорящих по голосу и делит речь на репликиМетки «Спикер A», «Спикер B», которые можно переименоватьРеплики в тексте, выгрузка DOCX
Проверка результатаПравило QuillHub поверх распознаванияЕсли текст похож на смесь алфавитов, запись распознаётся заново другой модельюМеньше риск получить вместо русской речи «кашу» из чужих буквРаботает само, без настроек
Абзацы и главыЯзыковые моделиДелит текст на абзацы по смыслу, собирает оглавление с таймкодамиТекст, который читается как документВкладка «Саммари»: текст по главам
Резюме и терминыЯзыковые моделиПишет краткое содержание, тезисы, решения, задачи и термины на языке записиКонспект для записей длиннее трёх минутКарточки в окне записи, выгрузка DOCX
Ответы на вопросыИИ-чат на языковой моделиИщет ответ в одной записи или во всём архиве, ссылается на моментОтвет с таймкодом вместо переслушиванияЧат в окне записи

Какие записи чаще всего расшифровывают нейросетью

Везде, где из разговора нужно достать слова, цифры и решения, а переслушивать долго.

Интервью и исследования

Глубинные интервью, фокус-группы и опросы становятся текстом по спикерам. Цитаты берутся дословно, ответы сравниваются через чат по архиву.

Совещания и созвоны

Из записи встречи получаются текст, резюме, решения и задачи, а если ответственных назвали вслух, то и с их именами. Отсюда недалеко до протокола совещания.

Лекции и вебинары

Полтора часа лекции превращаются в текст с главами и конспект, по которому удобно готовиться.

Подкасты и видео

Выпуск с YouTube или RuTube расшифровывается по ссылке: текст пойдёт в статью, описание или субтитры.

Голосовые и диктофонные записи

Длинное голосовое или запись с диктофона проще прочитать, чем слушать. Текст можно переслать или сохранить.

Доклады и конференции

Выступление с вопросами из зала делится на главы: видно, где начинается доклад и где ответы на вопросы.

Для кого

Кому пригодится нейросеть для расшифровки аудио

На ручной расшифровке час записи отнимает полдня. Нейросеть справляется за минуты, а человеку остаётся проверить имена и цифры.

Исследователи и маркетологи

Интервью готовы к анализу

Загрузите пачку интервью и получите расшифровки по спикерам. Чат по архиву найдёт, кто из респондентов говорил о цене или конкуренте.

  • До 50 файлов одной загрузкой
  • Вопросы сразу ко всем интервью
  • Выгрузка в DOCX и Markdown
QuillHub для исследований

Журналисты и редакторы

Цитата находится за минуту

Запись интервью становится текстом с репликами героя и журналиста раздельно. Спорное место переслушивается по таймкоду.

  • Реплики по спикерам
  • Таймкод у каждой цитаты
  • Черновик кнопкой «Блог-пост»
QuillHub для журналистов

Руководители и менеджеры

Решения со встречи не теряются

Запись созвона превращается в резюме, решения и задачи. Письмо по итогам собирается кнопкой «Письмо».

  • Резюме встречи без протоколиста
  • Задачи с ответственными, если их назвали
  • Письмо участникам кнопкой «Письмо»
QuillHub для руководителей

Студенты и преподаватели

Лекция превращается в конспект

Запись пары становится текстом, оглавлением и кратким содержанием. Непонятное место можно спросить у чата по записи.

  • Главы с таймкодами
  • Термины с пояснениями
  • Вопросы к лекции в ИИ-чате

Советы

Как выбрать нейросеть для расшифровки аудио

Подборки «топ нейросетей» сравнивают названия. Полезнее проверить, что сервис делает с вашей записью. Вот на что смотреть.

  • Проверьте на своей записи

    Загрузите 10–15 минут типичного для вас разговора: с вашими фамилиями, терминами и шумом. Обзоры этого не покажут.

  • Смотрите на спикеров

    Для интервью и совещаний разделение голосов важнее процента точности. Без него текст придётся размечать вручную.

  • Нужен ли вам конспект

    Голый текст часовой записи читать долго. Если нужен смысл, а не стенограмма, выбирайте сервис, который сам собирает резюме и главы.

  • Длина и форматы

    Сравните лимит длительности одного файла и форматы, которые сервис поддерживает. В QuillHub файл до 10 часов и 5 ГБ, MP3, M4A, WAV, OGG и видео загружаются как есть, конвертировать не нужно.

  • Куда уйдёт текст

    Проверьте выгрузку: Word для правки, Markdown для заметок, SRT для видео. И можно ли поделиться ссылкой без регистрации.

  • Начните с записи получше

    Нейросеть не вытянет то, чего не слышно. Микрофон ближе к говорящему и тихая комната дают больше, чем смена сервиса.

Без сайта

Нейросеть для расшифровки аудио в Telegram

Голосовое или аудиофайл удобнее отправить с телефона? Отправьте его в Telegram-бот @QuillAI_Bot. Это тот же сервис, а если привязать Telegram к аккаунту, то и тот же аккаунт: расшифровка появится и в веб-версии QuillHub.

Открыть @QuillAI_Bot
  • Голосовые и аудиофайлы отправляются боту прямо с телефона
  • Минуты и тариф общие с сайтом, если привязать Telegram к аккаунту
  • После привязки расшифровки из бота лежат в вашем аккаунте

Тарифы

Чем больше пишете, тем дешевле час

Российские карты и СБП. Для компаний — счёт и закрывающие документы.

Самая выгодная цена
Безлимит

от665 ₽в месяц

Полгода безлимита — 3 990 ₽ разом. Минуты не считаются вообще.

Подключить безлимит

Полгода — 3 990 ₽ одним платежом.

Во что превращается 665 ₽ в месяц

10 часов67 ₽/час
20 часов33 ₽/час
50 часов13 ₽/час

Те же 665 ₽ в разовых пакетах — это около 500 минут, примерно восемь часов записи. Дальше минуты кончаются — в безлимите нет.

Помесячно те же полгода стоили бы 5 940 ₽ — разница 1 950 ₽.

Разовые пакеты минут
от 250 ₽
Не подписка. Минуты не сгорают и суммируются с балансом.
150 минут — 250 ₽350 минут — 490 ₽750 минут — 990 ₽2 950 минут — 2 990 ₽

Минута дешевеет с объёмом: от 1,67 ₽ в самом маленьком пакете до 1,01 ₽ в самом большом.

Старт
0 ₽
60 минут при регистрации
  • 60 минут на пробу, минуты не сгорают
  • Все языки и распознавание спикеров
  • Экспорт в документ
  • Без привязки карты
Начать
Команда

Общее пространство, проекты и роли. Для юрлиц — счёт и закрывающие документы.

1 500 ₽за место в месяц
Собрать команду
  • Российские банковские карты
  • СБП
  • Счёт для юрлиц
Все тарифы и сравнение — открытая страница

Вопросы

Частые вопросы о нейросети для расшифровки аудио

Если здесь нет ответа на ваш вопрос, напишите в поддержку.

Это модель искусственного интеллекта, которая переводит речь из аудио или видео в текст: распознаёт слова, расставляет знаки препинания, делит речь по спикерам и ставит таймкоды. Такую работу ещё называют транскрибацией аудио или автоматической расшифровкой.

Сначала модель распознавания речи превращает звук в слова, определяет язык, ставит знаки препинания, различает голоса и привязывает каждую реплику ко времени. Затем языковая модель делит текст на абзацы и, если запись длиннее трёх минут, составляет резюме, оглавление с главами, тезисы и термины.

Речь распознают модели AssemblyAI: сервис сам подбирает модель под язык записи. Если результат похож на смесь чужих алфавитов, QuillHub распознаёт запись заново другой моделью. Абзацы, главы, резюме и ответы чата пишут языковые модели OpenAI.

Да. При регистрации на сайте вы получаете 60 бесплатных минут, карта не нужна. Этого хватит на часовое интервью или несколько коротких записей. Дальше можно купить пакет минут или подключить «Безлимит» за 990 ₽ в месяц: в нём и все действия ИИ без доплат.

Универсального ответа нет: точность зависит от языка, качества записи и числа голосов. Проверьте сервис на своём файле на 10–15 минут и посмотрите на имена, цифры и разделение спикеров. Для русской речи в QuillHub на это хватит бесплатных минут.

Качество распознавания больше всего зависит от самой записи. Точнее всего распознаётся чистая речь с хорошего микрофона, а точность снижают шум, эхо, одновременная речь и редкие имена. Неразборчивое место легко найти и переслушать: у каждой реплики есть таймкод.

Обычно несколько минут, но точного срока сервис не обещает: время зависит от длины записи и очереди. Доклад на 42 минуты из примера выше был готов вместе с главами и резюме за 5 минут 8 секунд. Когда файл загрузится и вы нажмёте «Начать расшифровку», страницу можно закрыть: текст будет ждать в личном кабинете.

Да. Видеофайлы MP4, MOV, AVI, MKV и WEBM загружаются так же, как аудио, а ролики с YouTube, RuTube и VK Видео можно добавить ссылкой. Нейросеть расшифровывает звуковую дорожку. Подробнее на странице «Видео в текст».

Больше 98 языков. Язык определяется автоматически, один на всю запись, по основной речи. Один из 10 популярных языков, включая русский, можно выбрать вручную в настройках под формой. Резюме и главы пишутся на языке записи, а готовую расшифровку можно перевести кнопкой «Перевести».

Нет. Речь в QuillHub распознаёт AssemblyAI, а не Whisper. Ставить модель, настраивать видеокарту и запускать код не нужно: загрузите файл в браузере.

В DOCX для Word, TXT и Markdown, а также субтитрами SRT и VTT. В документ попадают резюме, тезисы, термины и текст по главам со спикерами.

Да. Отправьте голосовое или аудиофайл боту @QuillAI_Bot. Это тот же сервис, что на сайте, а если привязать Telegram к аккаунту, то и тот же аккаунт: расшифровка появится и в веб-версии QuillHub.

Только вы и те, с кем вы поделились ссылкой: публичная ссылка по умолчанию выключена. Файлы и расшифровки шифруются при передаче и хранении.

Данные

Что происходит с вашими записями

Через QuillHub проходят приёмы врачей, консультации юристов и сессии психологов. Поэтому про данные мы пишем прямо, а не мелким шрифтом в оферте.

Кто участвует в обработке данных

Шифрование — файлы и расшифровки шифруются при передаче и хранении, доступ только у вас и тех, кому вы дали ссылку.

Не учим модели — записи не используются для обучения моделей и не передаются третьим лицам.

Удаление по требованию — запись можно удалить в любой момент вместе с расшифровкой и производными материалами.

Прозрачные подрядчики — список сервисов, участвующих в обработке, опубликован отдельной страницей.

Расшифруйте аудио нейросетью бесплатно

60 минут при регистрации, карта не нужна. Загрузите свою запись: через несколько минут текст, спикеры и конспект будут готовы.