Транскрибация — это перевод аудио или видео в текст: расшифровка интервью, лекции, созвона или голосового сообщения. Раньше это делали вручную или в сервисах, которые путали говорящих. В ноябре 2026 года NVIDIA выпустила модель Nemotron 3.5 Transcribe: она расшифровывает запись по ролям, ставит время каждого слова и умеет переводить речь. Мы проверили её на реальном примере — с результатами и ошибками.
Что умеет Nemotron 3.5 Transcribe
- Обычная расшифровка — сплошной текст на языке записи.
- Расшифровка по ролям с таймкодами — реплики «Спикер 1», «Спикер 2» и время начала и конца каждого слова. Удобно для интервью, совещаний и субтитров.
- Перевод речи на английский или с английского на другой язык, например на русский.
- Записи до 60 минут и 200 МБ: MP3, WAV, M4A, FLAC, OGG, а также видео MP4, MOV и WEBM — нейросеть берёт из них только звук.
Режим с таймкодами и перевод в одном запуске не совмещаются: для перевода запускайте модель отдельно.
Пример: диалог двух коллег
Мы записали короткий созвон двух людей — 25 секунд, мужской и женский голос:
Расшифровка по ролям — так результат выглядит на promt-photo:
- Спикер 1: Анна, привет. Успеваем выпустить приложение к пятнице?
- Спикер 2: Почти. Дизайн готов, осталось проверить оплату и отправить сборку в магазин приложений.
- Спикер 1: Хорошо, тогда тестирование оплаты беру на себя. К среде будет готово.
- Спикер 2: Отлично. А я в четверг подготовлю описание и скриншоты для страницы приложения.
- Спикер 1: Договорились. Созвонимся в четверг в 10 утра и всё сферем.
Говорящие определены верно во всех пяти репликах, пунктуация расставлена, «десять» записано цифрой. Ошибка одна — в последнем слове: вместо «сверим» получилось «сферем». Поэтому имена, термины и цифры в готовой расшифровке стоит перечитать.
Кроме текста, вы получаете файл с таймкодами: для каждого слова — время начала и конца, а для каждой реплики — номер говорящего. Из него легко собрать субтитры или найти нужное место в длинной записи.
Перевод аудио с одного языка на другой
Ту же запись мы перевели на английский:
Anna, hi. Are we on track to release the app by Friday? Almost. The design is done; we just need to verify the payment and submit the build to the app store. Okay, then I'll take ownership of the payment testing. It'll be ready by Wednesday. Great. I'll prepare the description and screenshots for the app page on Thursday. Deal. Let's hop on a call Thursday at 10 a.m., and we'll get everything moving.
Перевод живой и естественный, но последняя фраза передана вольно: из-за той же ошибки распознавания «всё сверим» превратилось в «запустим всё». Для перевода видео с английского на русский выберите в настройках русский язык — модель переводит в обе стороны, если один из языков английский.
Расшифровка речи из видео
Видео загружается так же, как аудио. Мы проверили звук ролика из гайда про Gemini Omni 1.2 Flash — фраза «Ваш капучино. Хорошего утра» распознана без ошибок.
Как перевести голосовое сообщение в текст
- Сохраните голосовое в файл. В Telegram на компьютере — правой кнопкой по сообщению и «Сохранить как», файл будет в формате OGG.
- Откройте транскрибацию аудио в текст и загрузите файл.
- Для обычного голосового достаточно простой расшифровки. Если говорят несколько человек — включите таймкоды, тогда текст разобьётся по ролям.
- Нажмите «Создать» — текст появится на странице заказа.
Как получить расшифровку без ошибок
- Чистый звук. Один микрофон рядом с говорящими, без музыки и телевизора на фоне.
- Не перебивайте друг друга. Когда говорят одновременно, реплики склеиваются.
- Проверяйте имена и цифры. Редкие фамилии, названия и термины нейросеть пишет на слух.
- Длинную запись режьте на части до 60 минут.
Где сделать транскрибацию
На promt-photo Nemotron 3.5 Transcribe есть в разделе «Создать» — расшифровка аудио и видео в текст. Оплата — по секундам записи, цена видна до запуска, оплата в рублях, VPN не нужен. Текст по ролям появляется прямо в заказе, а файл с таймкодами можно скачать.
Нужно наоборот — превратить текст в голос? Об этом гайд как озвучить текст голосом.
Частые вопросы
Что такое транскрибация?
Перевод речи из аудио или видео в текст. Нейросеть слушает запись и записывает сказанное, а в продвинутом режиме ещё и отмечает, кто говорит.
Как перевести аудио в текст?
Загрузите файл в транскрибацию и нажмите «Создать». Подходят MP3, WAV, M4A, FLAC, OGG и видео MP4, MOV, WEBM до 60 минут.
Может ли нейросеть разделить текст по ролям?
Да. Включите режим с таймкодами — Nemotron разметит реплики как «Спикер 1», «Спикер 2». В нашем примере все реплики приписаны верно.
Можно ли сделать транскрибацию видео?
Да, загрузите видео — модель возьмёт из него только звук.
Переводит ли нейросеть речь на другой язык?
Да, на английский и с английского. Например, английское видео можно сразу получить текстом на русском.
Насколько точно распознаётся русская речь?
В нашем примере ошибка была одна на пять реплик — в последнем слове. Имена, термины и цифры лучше перечитать.