Чем расшифровать аудио в текст: 3 способа для русской речи в 2026

Какая у тебя запись и что с ней дальше

Голосовое на минуту и архив из двухсот часов старых созвонов - разные задачи, даже если инструмент один и тот же. Перед выбором стоит понять две вещи про свою запись: сколько она длится и что будет с текстом дальше

Если запись одна и короткая - подойдёт любой из трёх путей, разница будет в паре минут ожидания. Если записей много и они копятся регулярно - каждая минута платного сервиса складывается в заметную сумму, и локальный вариант начинает выигрывать по деньгам уже на первом же месяце архива

Готовый текст обычно нужен не сам по себе, а для следующего шага: конспект лекции, тезисы встречи, черновик статьи. Если тебе именно это и нужно после расшифровки - соседний гайд нейросеть конспект: от часа лекции до тезисов забирает эстафету ровно там, где заканчивается эта статья

Путь 1. Whisper локально: бесплатно навсегда, без интернета после установки

Whisper - это открытая модель распознавания речи от OpenAI, которую можно поставить на свой компьютер и пользоваться ею без единого платежа. По официальной странице репозитория, код и веса модели «released under the MIT License» - и программа, и обученная модель отданы под свободной лицензией, платить за скачивание не нужно никому. Это одна из локальных нейросетей, которые работают прямо на твоём железе - тот же принцип, что у Ollama для текстовых моделей, только для звука

Разница с онлайн-сервисом не в качестве, а в том, где живёт твоя запись. У сервиса файл загружается к нему на сервер и ждёт очереди. У Whisper запись остаётся на твоём диске, а расшифровка идёт прямо на процессоре компьютера - интернет нужен только один раз, чтобы скачать саму программу

Свой прогон: как это выглядит на практике

Я взял короткую тестовую запись голоса и прогнал её через Whisper на своём Маке 3 сентября 2026 года. Результат:

Расшифровка вышла точной на этой записи, но идеальной модель не бывает никогда. У соседней проверки той же модели на другой записи слово «хостинга» распозналось как «хастинга» - для голосовых заметок и конспекта такая мелочь не критична, а для официального документа текст всё равно стоит перечитать глазами перед тем, как отправлять дальше

Что это даёт: расшифровка перестаёт быть услугой, за которую платят каждый месяц, и становится обычной программой на компьютере, как проигрыватель музыки. Если хочется не просто попробовать один раз, а поставить Whisper себе и подключить его к помощнику вроде Claude Code, чтобы он расшифровывал записи по одной просьбе словами - весь путь установки, шаг за шагом, с готовыми командами для копирования, разобран в отдельном гайде навык Whisper для Claude: 3 шага к расшифровке речи. Здесь я эту установку не повторяю: там - подробная инструкция для тех, кто готов один раз настроить у себя, тут - честное сравнение, какой путь вообще выбрать. Самого помощника, если он ещё не стоит, разбирает гайд по установке Claude Code из России, а порядок работы с ним фиксирует файл CLAUDE.md

Путь 2. Онлайн-сервис с бесплатным лимитом: без установки, но с потолком

speech2text.ru - один из готовых сайтов, где запись загружается через браузер и текст приходит через несколько минут, без установки программы на компьютер

По официальной странице сервиса, после регистрации даётся «бесплатные 3 часа транскрибации», а до регистрации можно посмотреть демонстрацию расшифровки бесплатно и без входа в аккаунт. Три часа - это заметный запас для разовой задачи: конспект одной лекции, расшифровка одного созвона, один архив голосовых за неделю

Три шага, если выбираешь этот путь:

1. Зайди на сайт сервиса и зарегистрируйся. Обычно достаточно почты - это открывает бесплатный лимит в часах
2. Загрузи файл записи через браузер. Кнопка загрузки на сайте принимает обычные форматы звука - m4a, mp3, wav
3. Дождись готового текста. Время ожидания зависит от длины записи и загрузки сервиса в момент отправки - минуты, не секунды, как у локального Whisper

Что это даёт: не нужно ничего ставить на компьютер, работает из браузера на любом устройстве, включая телефон. Обратная сторона - лимит конечен, и когда бесплатные часы кончатся, дальше уже по тарифу сервиса, а конкретные цены после бесплатного лимита на публичной странице явно не расписаны - их стоит уточнять прямо перед тем, как лимит подойдёт к концу

Продолжение темы у меня разобрано отдельно: 4 задачи, где помощник экономит часы в 2026

Путь 3. Платная подписка по минутам: удобство встреч и командной работы

Otter.ai - готовое приложение для регулярных встреч, где расшифровка идёт не разовой загрузкой файла, а встроена прямо в процесс звонка

По официальной странице тарифов, бесплатный план даёт «300 monthly transcription minutes» и «3 lifetime audio/video file imports» - триста минут расшифровки в месяц и всего три загрузки готовых файлов за всё время существования аккаунта. Платный план Pro стоит 16.99 доллара в месяц и включает «1200 in-app recording minutes» и «10 monthly audio/video file imports» - в четыре раза больше минут и заметно больше загрузок

Что это даёт: удобство встроенной записи прямо во время звонка, без отдельного шага «сохранить файл и куда-то его загрузить». Обратная сторона - это подписка, и она рассчитана на регулярную работу командой, а не на разовую расшифровку одной старой записи. Оплата зарубежной подписки из России - отдельный вопрос, он разобран в общем виде в гайде нужна ли иностранная карта для сервисов вроде Claude: логика оплаты у большинства зарубежных подписок похожая

Во сколько выходит расшифровка часа записи в трёх вариантах

Чтобы сравнение было честным, а не просто «одно бесплатно, другое платно», стоит прикинуть цену на конкретном объёме - один час записи:

Для разработчиков: API по минутам и более точные зарубежные модели

Есть и вариант для тех, кто готов подключать расшифровку через код, а не через готовую кнопку на сайте: сервисы вроде OpenAI или Яндекс SpeechKit продают распознавание речи как отдельную услугу для разработчиков, по цене за минуту записи. У OpenAI это 0.006 доллара за минуту у полной модели Whisper и 0.003 доллара у более лёгкой gpt-4o-mini-transcribe - то есть 0.36 и 0.18 доллара за час записи соответственно (цены сняты с официальной страницы platform.openai.com, независимо подтверждённая соседней статьёй про Whisper 30.08.2026). У Яндекс SpeechKit цена начинается от 10 рублей за минуту распознавания, с бесплатным пробным периодом на месяц для нового аккаунта. Оба варианта - это не готовое приложение с кнопкой «загрузи файл», а инструмент для тех, кто сам пишет код или нанимает того, кто напишет

Есть и более точные модели распознавания у зарубежных нейросетей вроде Gemini или GPT, но доступ к ним из России обычно требует VPN и карту иностранного банка - для честной задачи «загрузил файл и получил текст без лишних препятствий» три пути этой статьи проще и доступнее

Смежная часть работы разобрана в гайде Mac mini на M6 в 2026 году: цена в рублях, 4 варианта

На что смотреть, если записей не одна, а архив

Двести часов старых голосовых по цене поминутного API вышли бы в 72 доллара и загрузку каждого файла постороннему сервису - разница между тремя путями сильнее всего видна именно на архиве, а не на одной короткой записи. У локального Whisper та же работа - это один вечер работы компьютера и ноль рублей, потому что лимита по количеству расшифровок у бесплатной программы попросту нет. Такой же принцип «поставил один раз - пользуешься бесплатно» работает и для других задач: подборка похожих находок собрана в гайде Claude Code бесплатно: находки вместо платного софта

Если записи приходят регулярно, а не разовым архивом - три вещи стоит проверить у себя, прежде чем выбирать путь:

Регулярный поток файлов - это ровно тот случай, где помощнику стоит один раз объяснить порядок действий и дальше не повторять его руками. Про то, как записать такой порядок в отдельный навык помощника, который срабатывает сам по просьбе словами - отдельный разбор, не про расшифровку конкретно, а про устройство навыков целиком

Какие форматы записи принимает каждый путь

Три пути этой статьи работают с одними и теми же форматами звука - голосовое из мессенджера (m4a, ogg), запись с диктофона (wav), файл с телефона (mp3). Разница не в том, ЧТО они принимают, а в том, КАК файл туда попадает

У Whisper локально файл просто указывается программе - он читает звук напрямую с диска, поддержка форматов идёт через вторую программу для звука, которая устанавливается рядом. У онлайн-сервисов файл загружается через кнопку в браузере, форматы принимаются те же, просто путь до расшифровки короче на один шаг - открыл страницу, перетащил файл, дождался

Отдельный случай - звук из видео. Все три пути умеют вытащить звуковую дорожку и расшифровать именно её, отдельно превращать видео в аудио перед загрузкой не требуется - об этом заранее заботится сам сервис или программа. Если видео нужно ещё и порезать по смыслу, а не только расшифровать - соседний разбор Claude и монтаж видео: нарезка записи показывает, как это делать словами, без программы монтажа

Запись с несколькими голосами: интервью, созвон, встреча

Простая расшифровка превращает запись с двумя и больше говорящими в сплошной текст без разделения, кто что сказал - подходит для конспекта общего смысла, но не годится, если важно понять реплики по отдельности

Разделение голосов по говорящим называется диаризацией, и не все три пути умеют её одинаково. Готовые приложения вроде Otter.ai, заточенные под встречи, обычно размечают реплики по спикерам прямо во время звонка - это часть их основной задачи. У локального Whisper в базовой команде такой разметки нет, она добавляется отдельным дополнительным шагом поверх обычной расшифровки

Что это тебе даёт при выборе: если задача - разово понять содержание разговора, подойдёт любой путь. Если важно точно знать, кто из участников что сказал - удобнее готовое приложение для встреч, где разделение голосов идёт из коробки

Telegram и мессенджеры: расшифровка прямо в переписке

Telegram Premium даёт четвёртый вариант расшифровки - встроенную функцию прямо внутри мессенджера, без отдельного файла и отдельного сайта. Результат появляется прямо под голосовым сообщением одной кнопкой

Кроме встроенной функции существуют сторонние боты с похожей задачей и бесплатным дневным лимитом - они работают отдельно от официального Premium и не входят в основное сравнение этой статьи, потому что качество и надёжность стороннего бота я лично не проверял

Этот путь удобен для одного конкретного случая: голосовое от коллеги или друга, которое проще прочитать, чем прослушать в шумном месте. Для регулярной рабочей расшифровки записей на компьютере три пути выше подходят лучше

Что теряется при переводе речи в текст

Готовый текст - не полная копия звука, а его упрощённая версия даже у самой точной модели. Три вещи теряются почти всегда, и это стоит знать заранее, а не удивляться потом:

Для рабочих заметок и конспекта это не проблема - смысл остаётся. Для случаев, где важен именно тон разговора (например, спорная ситуация с клиентом), стоит держать под рукой и саму аудиозапись, а не только текст. Обратная задача - превратить готовый текст обратно в живой голос - разобрана в гайде про ElevenLabs: пригодится, если из расшифровки нужно собрать уже озвученный материал

Насколько точно нейросети распознают русскую речь

Стопроцентной точности на русской речи не даёт ни один из трёх путей - в моём собственном прогоне Whisper тестовое слово распозналось верно, а в независимой проверке той же модели на другой записи одно слово программа услышала неправильно: «хастинга» вместо «хостинга»

Практический вывод одинаковый для всех трёх путей: для голосовых заметок, черновика конспекта или расшифровки встречи для себя текущего качества вполне достаточно. Для документа, который пойдёт куда-то официально - в договор, в протокол, в текст под подпись - готовый текст стоит перечитать глазами, а числа, имена и названия компаний проверить особенно внимательно

Что ещё может понадобиться рядом с расшифровкой

Расшифровка почти всегда - шаг перед чем-то другим, а не конечная точка сама по себе. Смотря что у тебя дальше по задаче:

• Готовый текст нужен как основа для сжатых тезисов или конспекта - нейросеть конспект: 4 шага от часа лекции до тезисов
• Записей и документов много, и текст нужно не только получить, но и складывать в один блокнот для вопросов - NotebookLM: источники в блокнот
• Запись - это видео, и текст нужен субтитрами прямо поверх картинки, а не отдельным файлом - нейросеть делает субтитры к видео: 3 сервиса
• Готов подключить Whisper прямо к помощнику и расшифровывать записи одной просьбой словами, без ручной загрузки на сайт - навык Whisper для Claude: 3 шага
• Нужен не текст, а разговор голосом с самим помощником, а не расшифровка своей записи - голосовой ИИ: 3 сервиса, где поговорить голосом
• Запись на другом языке, и нужен перевод на русский с озвучкой - нейросеть перевод видео: 5 шагов до русской озвучки
• Кроме расшифровки хочется закрыть и другие платные сервисы бесплатными аналогами - бесплатные замены платным сервисам: 8 штук
• Хочется разобраться в теме нейросетей и инструментов шире, чем одна задача расшифровки - раздел нейросети и инструменты

Источники

Все страницы открыты и проверены прямым запросом 3 сентября 2026 года; собственный прогон расшифровки снят на этой же машине в тот же день

• GitHub Whisper: официальный репозиторий - свободная лицензия MIT, описание модели, установка
• speech2text.ru - публичная страница сервиса, условия бесплатного пробного лимита
• Otter.ai: тарифы - официальные цифры бесплатного плана и плана Pro
• OpenAI: цены API - официальная цена распознавания речи за минуту
• Yandex Cloud: SpeechKit - официальная страница тарифов распознавания речи

Памятка: какой путь расшифровки выбрать

Шесть строк, которые закрывают выбор между тремя вариантами

Частые вопросы