Как перевести видео в текст

Чтобы перевести видео в текст, загрузите файл в сервис расшифровки или скопируйте текст автосубтитров из CapCut или Premiere Pro. Затем проверьте слова по звуку и напишите Claude или ChatGPT: «Расставь знаки и раздели на абзацы, слова не меняй». Если текст нужен для субтитров, сохраните метки времени.

Условие такое. Есть минута речи на видео. Нужен текст: для поста, для описания под роликом, для рассылки. А потом те же слова нужны снова на экране — субтитрами, которые идут под голос.

Задачи две, основа у них одна — расшифровка. Но текст для чтения и текст для видео из неё получаются разные, и если об этом не знать, одну из двух придётся переделывать. Ниже весь путь на пятнадцати секундах настоящей речи: что выдаёт распознавание, что из этого сделать для поста и что оставить для субтитров.

Что такое транскрибация видео

Транскрибация — это перевод речи в текст. Программа слушает звук и записывает слова. В хорошей расшифровке есть ещё и время: с какой секунды по какую звучит каждое слово.

Для поста время не нужно, хватает слов. Для субтитров время и есть главное: по нему слово появляется на экране вместе с вашим голосом. Поэтому, если текст потом пойдёт на видео, выбирайте способ, который сохраняет метки времени.

До: что выдаёт распознавание

Возьмём кусок из середины моего рилса «Карусель за 2 минуты» — то место, где я показываю, как собрать карусель в чате с нейросетью. Вот эти пятнадцать секунд так, как их записала программа распознавания, — дословно:

Сначала берем вот этот архив и закидываем его Клоду в чат Это скилл по дизайну Закинули один раз и дальше Клод все оформляет по нему сам Теперь просто пишем ему Собери карусель на 6 слайдов по моей теме Пишем и ждем минуту Готово

Читать это трудно, хотя ни одно слово не перепутано. Точек и запятых нет. Буквы «ё» нет: «берем», «ждем», а «все» можно прочитать двумя способами. Цифру программа поставила там, где человек сказал «шесть». Слова, обращённые к нейросети, ничем не отделены от остальной речи.

Так выглядит почти любая сырая расшифровка, и это нормально. Одни программы ставят знаки сами, другие нет, но даже первые ошибаются: точка посреди мысли, вопрос без вопросительного знака. До читаемого вида текст доводит уже человек — сам или через нейросеть.

После: текст для поста

Для чтения из сырой расшифровки убираем слова, без которых не обходится устная речь, но которые мешают глазам. Добавляем знаки, «ё», кавычки вокруг слов для нейросети. «Вот» и «просто» здесь лишние: в письме они ничего не добавляют.

Сначала закидываем архив Клоду в чат — это скилл по дизайну. Закинули один раз, дальше Клод всё оформляет по нему сам. Теперь пишем: «Собери карусель на 6 слайдов по моей теме». Ждём минуту — готово.

Из сорока трёх слов осталось тридцать три. Смысл тот же, а читается за пару секунд.

Такую чистку можно отдать чат-нейросети: Claude или ChatGPT. Дайте ей сырой текст и напишите: «Расставь знаки и раздели на абзацы, слова не меняй». Конец фразы не пропускайте — без него нейросеть может пересказать текст своими словами, и в нём появится то, чего вы не говорили.

После: те же слова для субтитров

На видео правило обратное. Субтитры повторяют голос дословно, даже «вот» и «просто»: зритель слышит их и ждёт увидеть. Если слово прозвучало, а на экране его нет, глаз спотыкается.

Зато здесь работают метки времени. Вот как те же пятнадцать секунд делятся на куски по паузам в речи:

Между кусками — короткие паузы, от трети до половины секунды. На них субтитры и меняются: одна мысль ушла, пришла следующая. Длинный кусок с пятой по восьмую секунду на экране лучше разбить на две строки, чтобы зритель успел его прочитать.

Слова в двух колонках почти одни и те же, но это два разных текста. Один читают в своём темпе, другой — в темпе голоса.

Что «вот», «просто» и «ну» делают в речи и стоит ли вырезать их из самого видео — в Как убрать слова-паразиты из видео.

Как сделать транскрибацию: четыре способа

Способов перевести видео в текст много, но устроены они по-разному. Для нашей задачи важны два вопроса: даёт ли способ метки времени и сколько потом править руками.

1. Распознавание в редакторе видео. В CapCut, Premiere Pro и многих других редакторах есть автосубтитры. Текст из них можно скопировать, а время в них уже стоит. Подходит, если видео всё равно монтируете там же.
2. Сервис или бот расшифровки. Загружаете файл или вставляете ссылку — получаете текст. Часто его можно скачать с метками времени. Подходит для записей, которые не нужно монтировать.
3. Готовая расшифровка на площадке. У многих роликов на YouTube текст видео уже есть: он открывается под описанием. Его можно скопировать, но это тоже сырой текст, обычно без знаков.
4. Чат-нейросеть для чистки. Claude и ChatGPT доводят сырую расшифровку до читаемого текста, если написать им об этом, — как в примере выше.

Бесплатно расшифровать короткое видео можно почти любым из этих способов: у многих есть бесплатный объём. Платить имеет смысл, когда записей много или они длинные.

Для часового интервью или подкаста задача другая: там из расшифровки выбирают куски для коротких роликов. Об этом — в Монтаж интервью и подкаста.

Как проверить расшифровку

Распознавание ошибается чаще всего там, где человек и сам бы переспросил. Проверка занимает столько же, сколько само видео: включите его и читайте текст глазами вместе с голосом. Где споткнулись — там ошибка.

Когда я расшифровывал этот ролик, программа в одном месте услышала «клуб» вместо «Клод», в другом — «гажды» вместо «каждый». А короткое «Готово!» пропустила совсем: решила, что там пауза. «Клуб» и пропуск не заметить, если читать текст без звука: оба места выглядят гладко.

Ещё смотрите на места, где написание не следует из звука. «Все» или «всё». «Шесть» или «6». Название продукта латиницей или русскими буквами: в нашем примере программа записала «Клоду», а в посте вы, возможно, захотите «Claude». Для поста это вопрос вкуса, для субтитров — вопрос доверия: ошибку в слове зритель видит сразу.

Вторая половина задачи — в чате

Текст для поста готов. Остаётся вернуть слова на видео — и вот здесь руками выходит дольше всего: каждую строку поставить на свою секунду, проверить, что она ушла вместе с фразой, и так строка за строкой до финала.

Эту часть делает мой монтажёр. Вы один раз подключаете монтажёра к Claude или ChatGPT, и дальше всё идёт в обычной переписке. Вы присылаете ролик, объясняете задачу текстом или вслух, а нейросеть расшифровывает речь и ставит её на экран субтитрами — каждое слово на своей секунде. Посмотрели — поправили там же: «Шесть пиши цифрой», «Название продукта пиши латиницей».

Первую половину задачи можно сделать там же. Попросите: «Пришли расшифровку отдельным текстом» — монтажёр отдаст слова, а почистить их для поста можно, не выходя из чата.

В том же чате ролик можно домонтировать: заголовок на первые секунды, другой фон за спиной, ваша музыка тише голоса. Нейросеть и сама подскажет, чего ещё не хватает в кадре, и объяснит зачем. Какие бывают субтитры и как выбрать вид — в Как сделать автоматические субтитры к видео, а что ещё она делает в монтаже — в Нейросеть для монтажа видео.

Для монтажа понадобится компьютер, а снять видео хватит и телефона.

Если монтаж нейросетью для вас пока в новинку, начните с С чего начать монтаж нейросетью.