Диктофон в текст: пошагово как расшифровать запись в 2026

В пятницу мне знакомая журналистка прислала в Telegram сообщение: «Нужно расшифровать двухчасовое интервью с экспертом, дедлайн в понедельник. Я обычно набираю с диктофона руками, выходит выходные две — на этой неделе нет ресурса. Что есть быстрого?». Это типичный звонок, по которому видно — у журналистов выходных не отнимают, а вот восемь часов работы можно вернуть за один скачанный M4A.

Расшифровка диктофонной записи в 2026 году — это уже не услуга за деньги ($1-3 за минуту у людей-расшифровщиков), а стандартная операция за пять минут. Whisper Large-v3-turbo от OpenAI закрывает 95-98% точности на чистой русской речи, и десяток сервисов на этой модели делают drag-and-drop'ом без кода. В этом гайде — пошагово, что делать с записью с iPhone, Android или Telegram-голосового, какой сервис выбрать под задачу и где у каждого тонкие места.

Дисклеймер: я делаю Диктуй — российский сервис голосового ввода и транскрибации. В сравнительной таблице ниже мой продукт идёт первым по приоритету для русскоязычной аудитории с рублёвой оплатой, но я отметил три прямых конкурента и сценарии, где они выигрывают по конкретным фичам. Цифры по точности и скорости проверяемы — поставьте бесплатные 30 минут в любом сервисе и прогоните одну свою запись.

Какие форматы у диктофонов и почему это важно

Запись с разных устройств приходит в разных форматах, и половина проблем с расшифровкой начинается на этапе загрузки файла — сервис не принимает контейнер, или принимает, но криво распознаёт.

iPhone Voice Memos пишет в M4A с кодеком AAC по умолчанию. Это стандартный формат, его принимает любой облачный сервис. С iOS 17+ доступна опция Lossless (несжатый WAV) для тех, кому критична максимальная точность на тихих записях с дальним микрофоном. Размер часовой записи в M4A — около 30-50 МБ.

Android-диктофоны — зоопарк. Стандартное приложение Recorder на Pixel пишет в M4A, как iPhone. Samsung Voice Recorder — в M4A или AMR в зависимости от настройки. Старые модели и часть Xiaomi — в AMR (низкий битрейт, заточенный под голос для телефонной записи). Часть кастомных диктофонных приложений — в OGG/Opus или WAV. Совет: до записи проверьте в настройках приложения, в какой формат сохраняется файл, и поставьте M4A или WAV. Это снимает 80% будущих проблем.

Telegram-голосовые сообщения — OGG с кодеком Opus. Кодек хорош для речи (изначально под VoIP оптимизирован), но не все сервисы транскрибации его принимают напрямую. Диктуй, TurboScribe, GuruScribe принимают OGG; ряд других требует предварительной конвертации в M4A.

Профессиональные диктофоны (Zoom H5, Tascam DR-05, Sony PCM-A10) пишут в WAV или MP3 — оба универсально совместимы. Дополнительно у некоторых моделей есть DSS (Digital Speech Standard) — устаревший формат от Olympus и Philips, который придётся конвертировать.

Конвертация любого экзотического в M4A — одна команда ffmpeg:

ffmpeg -i recording.amr -c:a aac output.m4a

Для AMR/DSS/3GP это снимает все проблемы с приёмом файла. Качество речи не страдает: AMR изначально содержит меньше информации, чем M4A способен сжать.

Шаг 1. Скопировать запись с устройства на компьютер

Самая раздражающая часть процесса — у каждой ОС свой путь.

iPhone → Mac через AirDrop: открыли Voice Memos, выбрали запись, кнопка Поделиться, AirDrop, через 3-5 секунд файл на Mac. iPhone → Windows через iCloud Drive: в Voice Memos «Сохранить в Файлы» → iCloud Drive → синхронизация Windows-клиентом iCloud (или web-доступ через icloud.com).

Android → ПК через USB-кабель: подключили в режиме MTP, нашли в /Recordings или /Recorder/ свой файл, скопировали. Альтернативы: загрузить в Google Drive с самого устройства, скачать на ПК. Или воспользоваться Snapdrop / LocalSend для прямой передачи через локальную сеть.

Telegram-голосовое → файл: длинное нажатие на голосовое (iOS) или нажатие меню (Android) → Сохранить в Файлы / Скачать. На десктопном клиенте Telegram — правый клик → Сохранить как.

Профессиональный диктофон: USB-подключение, открыли как обычный диск, скопировали .WAV или .MP3 файл. На современных моделях есть Bluetooth-выгрузка в приложение производителя.

Шаг 2. Подготовить файл к загрузке

Перед загрузкой проверяю три вещи: формат, длительность, аудиодорожку.

Длительность. Большинство облачных сервисов берут файлы до 2 часов или до 500 МБ за один upload. Если интервью три-четыре часа (бывают такие, особенно у журналистов с длинными разговорами) — режу на части ffmpeg одной командой:

ffmpeg -i input.m4a -ss 00:00:00 -t 01:30:00 -c copy part1.m4a

Эта строка делает копию первых полутора часов без перекодирования — занимает 5-10 секунд, не часы.

Аудиодорожка. Бывает, что после копирования файл оказывается без звука или с пустым каналом. Запускаю в плеере 30 секунд — слышу ли. Если в одном канале (например, после неудачной записи через стереомикрофон, где работала одна сторона) — конвертирую в моно командой ffmpeg -i input.m4a -ac 1 output.m4a. Облачный сервис не вернёт «у тебя плохой звук» — он попробует распознать пустоту, спишет минуты с лимита и отдаст пустой текст.

Формат. Проверил по списку выше — если AMR/DSS/3GP, конвертирую в M4A через ffmpeg. Остальные стандартные форматы (M4A, MP3, WAV, OGG, FLAC) принимаются напрямую большинством сервисов.

Шаг 3. Выбрать сервис под задачу

Не люблю формат «топ-10 сервисов транскрибации» — это редко помогает выбрать. Давайте по сценарию.

Подробное сравнение восьми сервисов транскрибации с реальными цифрами WER на разных условиях — в отдельной статье «Транскрибация аудио в текст: сравнение 8 сервисов». Здесь — короткое резюме для диктофонного сценария: на чистой русской речи топ-3 сервиса (Диктуй, GuruScribe, TurboScribe) дают сопоставимую точность 95-97%, расходятся только по платформе, цене и поддержке диаризации.

Что я рекомендую большинству: возьмите 30 минут бесплатно у Диктуй или 60 минут при регистрации в GuruScribe, прогоните одну свою реальную запись с диктофона. Точность измеряйте на своих файлах, не на чужих обзорах — у каждого свой микрофон, манера речи и доменная лексика.

Готовы сразу попробовать на собственной записи? — скачать Диктуй, 30 минут бесплатно навсегда без регистрации карты. Прогоните одну свою запись и сравните точность с тем, что обещают листинги.

Шаг 4. Распознать запись

Покажу на конкретном кейсе. Часовое интервью моей знакомой журналистки — M4A с iPhone, 460 МБ, два спикера, чистая запись в тихом кабинете. Открыли Диктуй, переключились на вкладку Транскрибация, перетащили файл. Прогресс-бар появился через секунду.

Что важно понимать про прогресс. Облачные сервисы сначала загружают файл (20-40 секунд для 500 МБ при нормальном интернете), потом ставят в очередь обработки, и только потом распознают. Очередь у Диктуй обычно не загружена — обработка стартует сразу. Через 4 минуты 20 секунд получили готовый .txt.

В сервисах с миллионами пользователей (TurboScribe, Otter.ai) очередь в час пик может быть 5-15 минут. Если работаете в дедлайне — берите подписку с приоритетной очередью, а не free-тариф популярного сервиса.

На выходе ожидаю четыре файла:

• .txt одной простыни — для прочтения и copy-paste
• .docx с заголовком — для отчёта или официальной публикации
• .srt — субтитры со стандартным форматированием для YouTube/Premiere
• Текст с тайм-кодами — для перепрыгивания к моменту в записи

Если сервис экспортирует только .txt без тайм-кодов — он слабый. Для журналистики и юридической работы тайм-коды критичны: цитата без привязки к записи слабее принимается редактором или судьёй.

Точность сырого текста в моей контрольной выборке (100 случайных предложений) — 96.5%. Нашёл 4 ошибки: 2 раза неправильно распознанное имя собеседника, 1 раз «полтора» вместо «полтора миллиона», 1 раз кривая разбивка фразы. Норма для коммерческой записи без специальной подготовки.

Шаг 5. Очистить и оформить расшифровку

Сырая расшифровка ещё не готовый текст. На моём интервью первая страница выглядела примерно так:

Слушай ну вот ты говоришь что у тебя там э-э-э получилось вытащить эту нишу но я ну я не очень понимаю как ты эту нишу нашёл изначально, ну просто потому что в e-commerce это же не очевидно, ну то есть я в смысле не очевидно что вот эта вот ниша...

Чистый Whisper не убирает «э-э-э», «ну», повторы и заминки. Он распознаёт всё подряд — это его задача. Дальше работа уже редактора.

Три рабочих способа очистить:

Вручную. Берёте текст, пробегаете глазами, удаляете лишнее. На часе записи — 30-40 минут. Подходит, когда вы перфекционист и нужен контроль каждого слова. Для журналистики с цитированием — иногда единственный путь.

Через ChatGPT, Claude, Кими, GigaChat или YandexGPT. Копируете блок текста (не больше 5-7 тысяч слов за раз — modеls теряют связность на длинных), пишете промпт «убери слова-паразиты, повторы и заминки, сохрани смысл и стиль речи спикера». LLM возвращает причёсанную версию. На часовое интервью — 10-15 минут с проверкой.

Режим трансформации голосом (фича Диктуй, аналог Transforms у Wispr Flow и Rewrite у SuperWhisper). Выделили абзац, нажали хоткей, голосом дали инструкцию: «убери заминки и эээ, оставь живые обороты речи, не формализуй». LLM применяет к выделенному тексту in-place, без переключения окон. Подробно, как пользоваться режимом трансформации в реальной работе с длинными текстами, я разбирал в статье про 30-дневный эксперимент с заменой клавиатуры голосом.

Для часового интервью я использую третий способ. Час разбиваю на 12 равных кусков, каждый прогоняю через трансформацию с инструкцией «убери заминки, оставь авторскую интонацию спикера». Заняло 18 минут вместе с проверкой. Текст где видно человека, не отполированный до состояния пресс-релиза.

Кейсы под конкретные профессии

Под одну и ту же расшифровку у разных пользователей разный финальный артефакт.

Журналист с интервью. Расшифровка → выделение цитат для статьи → подбор к ним тайм-кодов из .srt → отправка эксперту на approval. Ключевая тонкость: журналисту нужны точные слова собеседника, не отполированный пересказ. Поэтому чистка минимальная — убирают только явные «эээ», оставляя стилистические особенности речи. Дополнительно, если интервью на двух людях, без диаризации придётся вручную расставлять «—» по голосам, так что выбор сервиса с разделением спикеров (GuruScribe, Sonix) экономит час работы.

Студент с лекцией. Расшифровка → перенос в конспект с собственными комментариями → подсветка ключевых терминов. Для русскоязычной лекции с английскими терминами в IT, медицине или экономике — критичен Whisper, не встроенные ASR (Apple Dictation, Win+H теряют 30-50% точности на mixed RU+EN). Free-тариф 30 минут у Диктуй покрывает 1-2 часовых лекции в месяц без оплаты.

Юрист с записью совещания или допроса. Расшифровка → форматирование в таблицу «время — спикер — высказывание» для подшивания к делу. Здесь критична диаризация (нужно показать, кто что сказал) и точные тайм-коды (для перекрёстной проверки с оригиналом записи). Также важен момент — где хранятся данные. Российские сервисы (Диктуй, Speech2Text, GuruScribe) держат серверы в РФ под 152-ФЗ; зарубежные (Sonix, Otter, TurboScribe) — в США. Для юридически чувствительных материалов первое — соответствие требованиям, второе — иногда блокер.

Маркетолог с записью встречи. Расшифровка → AI-саммари (5-7 ключевых пунктов) → отправка по почте участникам. GuruScribe выдаёт саммари автоматически после расшифровки; в Диктуй и других можно сделать вторым шагом через ChatGPT/Кими промптом «выдели 5 ключевых пунктов и actionable next steps». На часе встречи это сокращает 30 минут на ручное составление протокола.

Программист с голосовыми заметками во время дебага. Архитектурное размышление вслух на прогулке → расшифровка → перенос в Notion или Linear как тикеты. Главная боль здесь — mixed RU+EN: «kubernetes», «postgres», «LangChain», имена методов, аргументов. Apple Dictation и Win+H теряют 30-50% точности на таких терминах; Whisper Large-v3-turbo держит 92-96%. Подробнее как использовать voice в IDE-сценариях — в статье про vibe coding на русском.

Психолог с записью сессии (с письменного согласия клиента). Здесь приватность критична. Единственный совет — локальная модель SuperWhisper на Mac: Whisper работает прямо на устройстве, аудио никуда не отправляется. Облачные сервисы для конфиденциальных сессий не подходят независимо от страны хранения.

Частые проблемы и как их чинить

AMR-файл не принимается сервисом. Конвертируйте в M4A через ffmpeg: ffmpeg -i recording.amr -c:a aac output.m4a. Эта команда работает на Mac, Windows и Linux одинаково.

Распознавание идёт, но в результате — пустой файл. Скорее всего файл без аудио или с моно-каналом, который сервис интерпретировал как тишину. Проверка: запустить файл в обычном плеере, послушать 30 секунд. Если звук есть только в одном канале — конвертация в моно: ffmpeg -i input.m4a -ac 1 output.m4a.

Точность плохая, хотя запись чистая. Слушайте свою запись не «как звучит для меня», а как услышит машина. Если в фоне музыка или эхо — почистите Audacity (Effects → Noise Reduction) или Adobe Podcast Enhance. Если у спикера сильный акцент — попробуйте сервис со словарём пользователя (в Диктуй это отдельная фича — добавляете специальные термины и имена, и точность на них поднимается после первой пары упоминаний).

Сервис распознал, но криво режет на абзацы. Whisper расставляет тайм-коды, но не всегда понимает где «конец смысловой единицы». Решение в текстовом редакторе (VS Code, Notepad++): поиск-замена \.([А-Я]) → .\n\n$1 — разбивает текст по концу предложения с заглавной буквой.

Два спикера склеились в один поток. Это работа диаризации, которой нет в чистом Whisper. Варианты: переходить на сервис с диаризацией (GuruScribe, Sonix, Otter) и заплатить чуть больше за фичу; или вручную расставлять «—» по голосам, прослушивая запись. Я для интервью на трёх и более спикеров использую GuruScribe — диаризация три-четыре спикера держит на 70-85%, что лучше чем 0% у Whisper.

Запись на четыре часа, сервис принимает максимум два. Режьте на части ffmpeg-ом одной командой (см. Шаг 2), грузите кусками, потом склеивайте текст. Альтернатива — Sonix, у которого нет жёсткого лимита по длительности, только по объёму обработанных минут.

Сравнительная таблица: 6 сервисов под диктофонный сценарий

Краткие выводы: для регулярной работы российскому пользователю выгоднее Диктуй (рублёвая оплата + macOS-версия + free 30 минут навсегда). Для разовой расшифровки интервью с двумя спикерами — GuruScribe (диаризация в free-тарифе). Для длинных интервью разово — Sonix ($10 за час). Для шумных записей — Speech2Text.ru профильно. Для регулярного pipeline у разработчиков с десятками часов в месяц — Whisper API через Groq напрямую.

Полный технический разбор всех восьми сервисов транскрибации с методологией WER-тестирования — в статье про сравнение 8 сервисов. Если ваша задача — расшифровка видеозаписи с YouTube или собственного канала — отдельный пошаговый гайд про транскрибацию видео в текст для блогеров.

Цена ошибки на старте

Самая частая ошибка новичка с диктофонной транскрибацией — взять первый попавшийся бесплатный сервис без проверки на своей записи. Получить точность 70-80% (типично для собственных моделей вроде Otter), потратить три часа на ручную чистку и решить, что «вся эта транскрибация — ерунда».

Реальная разница между топ-3 Whisper-сервисами (Диктуй, GuruScribe, TurboScribe) и средним рынком — 15-25 пунктов точности. На часе записи это разница между 30-40 минутами лёгкой чистки и тремя часами полного пересказа. Поэтому первый шаг — попробовать Whisper-based решение на free-тарифе, а уже потом решать.

Если регулярно работаете с диктофоном (журналист с 5+ интервью в месяц, юрист с записью допросов, студент с 3+ парами лекций в неделю) — рекомендация прямая: возьмите Диктуй, 30 минут бесплатно, прогоните одну свою запись. Точность должна быть выше 95% на чистой речи. Если ниже — проблема в записи (микрофон, шум, акцент), не в сервисе. Если выше — Pro 449 ₽/мес покроет 5 часов в месяц, что закрывает большинство сценариев одной профессии.

---

Михаил Воинский — основатель Диктуй. Свой кейс расшифровки записи через Диктуй или другой сервис — пишите на support@diktuy.ru или в @diktuy_help. Подскажу подводные камни на форматах, которые стабильно ломают распознавание.