Подработка на расшифровке аудио в текст: как устроен этот рынок

Подработка на расшифровке аудио — заказчик присылает запись, исполнитель слушает её и печатает текст, обычно с оплатой за минуту звучания, а не за час работы. Раньше расшифровку делали целиком руками; сейчас чаще прогоняют запись через инструмент распознавания речи и правят черновик — так быстрее, хотя ошибки распознавания правят вручную: например, у «Потока» (potok.now) их 2,1% на бенчмарке GolosTest.

Расшифровка аудио в текст — устойчивая подработка: юристам нужны стенограммы заседаний, исследователям — текст интервью, подкастам — субтитры, а компаниям — протоколы созвонов. Раньше это была чисто ручная работа: слушать в наушниках, останавливать запись, печатать, перематывать назад непонятое слово. Сейчас в эту цепочку почти всегда встроен инструмент распознавания речи — он не заменяет исполнителя целиком, но избавляет от печати с нуля и ускоряет самую нудную часть работы. Весь список программ для диктовки — в разделе программы для голосового ввода.

Как устроена расшифровка аудио как подработка

Заказчик присылает файл или ссылку на запись — интервью, лекцию, судебное заседание, созвон. Исполнитель получает не голосовой ввод в реальном времени, а готовый файл, который нужно прослушать от начала до конца, иногда не один раз: непонятные слова, наложение голосов, технические термины требуют повторного прослушивания с перемоткой. Итоговый текст оформляют по правилам заказчика — с таймкодами, разметкой, кто говорит, а иногда и без знаков препинания, если это черновик для другого редактора.

Раньше единственным способом было печатать всё руками, слушая запись в наушниках. Сейчас чаще есть промежуточный шаг: запись сначала прогоняют через инструмент распознавания речи и получают черновой текст, а дальше сверяют его со звуком и правят — это быстрее, чем печатать с нуля, но не отменяет прослушивание целиком, потому что нейросеть путает похожие слова и иногда «слышит» то, чего не говорили, особенно на тихом звуке или при наложении голосов.

Не любой инструмент распознавания годится для этой схемы: важно, чтобы он умел принимать готовый аудиофайл, а не только слушать микрофон в реальном времени. Voisty, например, прямо предлагает бесплатную транскрипцию для оценки качества — то есть рассчитан именно на загрузку записи, а не только на диктовку с хоткеем. Программы, заточенные под живую диктовку в активное поле, — например, GigaType или WhispeRu, — для расшифровки чужого файла не годятся вовсе: им нечего слушать, кроме микрофона в моменте.

Оплата за такую работу обычно привязана к длительности записи, а не к затраченному времени, — час сложной записи с наложением голосов может стоить исполнителю заметно больше усилий, чем час чистой одноголосой речи, хотя оплачивается одинаково.

Где ИИ-черновик экономит время подработчику, а где мешает

ИИ-черновик экономит время не при любой записи — вот где он действительно ускоряет работу, а где скорее мешает.

• Одна речь без наложения — интервью один на один, лекция одного спикера, ровный темп без пауз — черновик от нейросети получается почти готовым текстом, редактировать нужно по мелочи.
• Несколько говорящих одновременно, перебивают друг друга — определить, кто что сказал (диаризация), умеют не все инструменты распознавания, и черновик придётся размечать по голосам вручную, слушая запись заново.
• Плохое качество записи — телефон, шум, дальний микрофон — здесь нейросеть чаще путает слова и «слышит» лишнее, а исправлять такой черновик иногда дольше, чем печатать с нуля.
• Специализированная терминология — суд, медицина, узкая техническая тема — без личного словаря нейросеть заменит незнакомый термин на похожее по звучанию общее слово, и это придётся ловить построчно.
• Дословная расшифровка с заиканиями и словами-паразитами — если заказчику нужен точный протокол «как было сказано», а не гладкий текст, обычный черновик от распознавания речи не годится: такие инструменты, наоборот, чистят речь и убирают запинки.
• Разовая короткая запись на пять-десять минут для собственного блога или заметки — печатать вручную иногда быстрее, чем настраивать инструмент распознавания, загружать файл и потом сверять черновик со звуком.
• Конфиденциальная запись под NDA — если заказчик требует не загружать аудио ни в один облачный сервис, распознавание речи в облаке не подходит вовсе, и расшифровку приходится делать вручную или локальным инструментом без передачи звука наружу.

Когда лучше печатать или взять другой инструмент

Для самой расшифровки аудио на подработке Поток не подходит вообще: это инструмент для диктовки в реальном времени в активное поле, а не для загрузки готовых файлов — расшифровки записей у него нет в принципе. Поток — облачный сервис, распознавание идёт на серверах в России, и без интернета он не работает, так что даже для собственных заметок в дороге без связи он не выручит. Голосовых команд и правки текста голосом в нём тоже нет: надиктованный текст, как и любой другой черновик, редактируют руками. Нет версий для Android и iPhone — надиктовать что-то с телефона между заказами не получится, только с компьютера на Windows или macOS. Тем, кто берёт подработку на расшифровке файлов, нужен отдельный инструмент транскрибации, который умеет принимать аудио целиком, а не хоткей для живой диктовки.

Частые вопросы

Первоисточники: yandex.ru · vc.ru · speech2text.ru · audio-2-text.ru