Голос в текст: диктовка и расшифровка встреч

Если вам нужен только набор текста голосом на одном компьютере — не читайте дальше, берите «Диктовку» за 5 000 ₽. Это готовая коробка: поставили с флешки, нажали горячую клавишу, диктуете. Здесь речь про другое — про внедрение в компании: расшифровка встреч, словарь ваших терминов, несколько машин, закрытый контур.

Что решает

Два разных мучения, но лечатся они одним и тем же.

Первое: вы диктуете мысль вслух за двадцать секунд, а набираете её пять минут. Письма, комментарии в CRM, ответы в чатах, черновики документов — всё это медленнее речи в разы.

Второе: после планёрки остаётся только память. Кто что пообещал, к какому числу, что решили по спорному вопросу — через неделю у каждого своя версия. Записать на диктофон легко, но час аудио никто потом не переслушивает.

Ставлю распознавание речи прямо на ваш компьютер или сервер. Диктовка — вместо печати. Расшифровка — вместо переслушивания.

Диктовка вместо печати

Нажали горячую клавишу, сказали фразу, отпустили — текст появился там, где стоит курсор. В письме, в документе Word, в поле CRM, в чате, в форме на сайте. Системе всё равно, какая программа перед вами: она печатает так же, как печатали бы вы.

Интернет не нужен вообще. Работает в самолёте, на даче с плохой связью, в закрытом контуре без выхода наружу.

Практика простая: сначала непривычно, через неделю ловите себя на том, что длинные письма уже не набираете руками. Особенно заметно тем, кто печатает двумя пальцами — а таких среди руководителей больше, чем принято думать.

Расшифровка встреч и звонков

Загрузили запись планёрки, созвона, интервью или разговора с клиентом — получаете текст с разделением по говорящим: видно, где реплика одного, где другого.

Дальше из текста собирается короткое резюме: о чём был разговор и до чего договорились. Отдельно — список договорённостей с ответственными и сроками, если они звучали вслух. Это и есть то, ради чего всё затевалось: не стенограмма на сорок страниц, а полстраницы, которые можно разослать участникам.

Час записи обрабатывается заметно быстрее, чем длится сам час. Точное время зависит от железа — на нормальном рабочем компьютере расшифровка готова, пока вы завариваете чай.

Что ещё умеет тот же движок

• Папка целиком. Скинули в одну папку все записи за неделю — система разберёт их подряд, без вашего участия. Удобно тем, у кого записи копятся, а руки до них не доходят.
• Субтитры прямо в видео. Файл MP4 на входе — файл MP4 с вшитыми субтитрами на выходе. Пригодится, если снимаете обучающие ролики для сотрудников или ведёте канал.
• Около 99 языков. Не только русский: если у вас звонки с иностранными партнёрами или сотрудники говорят на разных языках, это тот же самый инструмент, а не отдельная покупка.

Внедрение, а не просто установка

Разница между этой страницей и коробочной «Диктовкой» — в том, что настраивается под вас:

• Словарь ваших слов. Фамилии сотрудников, названия продуктов, аббревиатуры, профессиональный жаргон. Без этого распознавание честно пишет то, что услышало, и специфические слова коверкает. После настройки — не коверкает.
• Несколько машин. Ставлю не на один компьютер, а на всех, кому нужно: отдел, руководители, помощники.
• Закрытый контур. Если по правилам компании машины не выпускают в интернет — это не помеха, а обычный сценарий. Установщик приносится файлом и разворачивается на месте.
• Формат резюме под ваши встречи. У планёрки, собеседования и разговора с клиентом на выходе нужны разные вещи. Настраиваем так, чтобы итог можно было сразу переслать участникам.

Почему локально, а не в облаке

Распознавание идёт на open-source модели Whisper, у вас на машине. Запись не улетает на чужие серверы, не попадает в чужую базу и не участвует в обучении чужих моделей.

Для части профессий это не приятный бонус, а условие входа. Юрист не может отправить запись беседы с доверителем в облако. Врач — приём пациента. Переговоры о сделке, зарплаты, разбор конфликта внутри компании — то же самое. Вопрос «а где физически лежит эта запись» имеет ровно один правильный ответ: у вас.

Второй довод — деньги. Облачные сервисы расшифровки берут абонентскую плату каждый месяц, и платить её придётся столько, сколько вы этим пользуетесь. Здесь вы платите один раз за внедрение, а дальше пользуетесь без счётчика.

Ставится офлайн-установщиком — на месте интернет не нужен даже для установки. Приношу или присылаю файл, он разворачивается на закрытой машине как есть.

Где это уже работает

Коробочная «Диктовка» под Windows — это моя же работа и первая ступень этого продукта: офлайн-установщик, ставится с флешки, работает без сети и без подписок. Горячая клавиша, речь, текст в любом поле — я собрал это и пользуюсь сам каждый день.

Расшифровка встреч — второй сценарий на том же движке Whisper: отличается только тем, что на вход идёт файл записи, а не микрофон. То есть основа не пишется с нуля под вас — она уже работает, а платите вы за то, чтобы она встала в вашу компанию и говорила вашими словами.

Опыт склейки локального распознавания с чужими программами у меня есть и на других проектах: в платформе BizControl документы распознаются локальным OCR на своём сервере, без облака и внешнего AI — по той же причине, что и здесь.

Сколько стоит и что входит

От 25 000 ₽. Итог зависит от того, что нужно: только диктовка, только расшифровка встреч или оба сценария, на сколько машин ставим, нужна ли работа в закрытом контуре без интернета.

Входит: подбор и настройка модели под ваше железо, офлайн-установщик, настройка горячей клавиши и словаря ваших терминов (фамилии, названия, профессиональный жаргон — чтобы распознавалось без ошибок), формат резюме и списка задач под ваши встречи, месяц поддержки после запуска. Код остаётся у вас.

Абонентской платы нет ни мне, ни кому-либо ещё: система целиком ваша и работает без интернета.

«Голос в текст» или «Диктовка» — что брать

Движок один и тот же, поэтому продукты и путают. Разница — в объёме работы, а не в качестве распознавания.

«Диктовка», 5 000 ₽ — коробка. Один компьютер, один сценарий: говорите — появляется текст. Ставится с флешки за несколько минут, настраивать нечего. Ничего, кроме набора текста голосом, она не делает.

«Голос в текст», от 25 000 ₽ — внедрение. То же самое плюс расшифровка встреч и звонков по говорящим, резюме и список договорённостей, словарь ваших фамилий и терминов, пакетная обработка папок, субтитры в видео, установка на несколько машин, работа в закрытом контуре.

Проверьте себя тремя вопросами. Нужно ли разбирать записи встреч, а не только диктовать? Ставим больше чем на один компьютер? Есть ли слова, которые обычное распознавание точно переврёт — фамилии, марки, аббревиатуры? Хотя бы одно «да» — вам сюда. Три «нет» — берите коробку и не переплачивайте, я скажу то же самое.

С чего начать

Оставьте заявку и скажите, что болит сильнее — печатать долго или встречи забываются.

Дальше так: беру вашу настоящую запись — планёрку или голосовое сообщение — и расшифровываю до всякой оплаты. Вы смотрите на текст и на резюме, и уже по ним решаете, нужно ли это вам. Работаю этапами, предоплата возвращается, если результат не подошёл.