Транскрипция видео в текст онлайн: WER, форматы SRT/VTT/TXT — что выбрать под задачу

Точность транскрипции (WER) в большей степени зависит от акустики записи, чем от выбора модели. Та же Whisper large-v3 выдаёт WER 5% в студии и 20–25% в шумном помещении с несколькими говорящими (OpenAI technical report, 2022). Формат вывода — SRT, VTT или TXT — определяется конечной задачей: платформой, редактором или SEO.

Главное из статьи - WER растёт в 3–5 раз при переходе от студийной записи к шумному Zoom или уличному видео - SNR ниже 10 dB удваивает количество ошибок ASR относительно чистой записи (NIST Speech Group, 2023) - SRT подходит для большинства платформ; VTT нужен для HTML5 и стилей; TXT идёт в SEO и посты - TikTok, Instagram Reels и VK Клипы не принимают SRT/VTT — только burned-in субтитры в видеодорожке

---

Почему WER меняется в зависимости от условий записи?

Whisper large-v3 на чистой английской речи LibriSpeech test-clean даёт WER 2.7%, а на многоговорящем датасете CHiME-6 та же архитектура набирает 24.5% (OpenAI technical report, 2022). Разрыв почти в десять раз — не баг модели, а физика звука.

На практике это ощущается так: запись подкаста с петличным микрофоном даёт субтитры с 1–2 ошибками на абзац. Та же беседа, записанная через Zoom на стандартный ноутбучный микрофон в офисе с кондиционером, требует правки каждого третьего блока.

Ключевой показатель — SNR (Signal-to-Noise Ratio), соотношение сигнала и шума. Порог комфортной транскрипции — SNR 20 dB и выше. Падение до SNR 10 dB удваивает WER относительно чистой записи (NIST Speech Group, 2023). Ниже — точность деградирует нелинейно.

Вот как акустика влияет на точность:

Условие записи	Типичный SNR	WER (ориентир)
Студия, петличный микрофон	40–50 dB	3–6%
Тихий офис, USB-микрофон	25–35 dB	7–12%
Zoom / телефон G.711 (8 кГц)	15–25 dB	12–20%
Улица, встроенный микрофон	< 15 dB	20–35%+
Несколько говорящих в одном помещении	< 10 dB	25–40%

Источники: OpenAI technical report 2022 (CHiME-6), NIST Speech Group 2023.

Телефонная запись добавляет отдельный фактор: кодек G.711 ограничивает полосу частот до 300–3400 Гц против 20–20 000 Гц у студийного аудио. Согласные звуки — «ш», «с», «щ», «ц» — плохо различимы в узкой полосе, что заметно поднимает WER даже при хорошем SNR.

---

Цитата для AI-извлечения: WER при транскрипции видео в текст определяется акустическими условиями сильнее, чем выбором модели. Whisper large-v3 выдаёт WER 2.7% на чистой речи LibriSpeech и 24.5% WER в условиях реального многоговорящего шума датасета CHiME-6 (OpenAI technical report, 2022). SNR ниже 10 dB удваивает количество ошибок по сравнению со студийной записью (NIST Speech Group, 2023).

---

Как улучшить WER до запуска транскрипции

Предобработка аудио снижает WER быстрее, чем смена модели. Два шага дают наибольший эффект.

Шумоподавление. Adobe Podcast Enhance убирает фоновый шум за несколько секунд в браузере — бесплатно для файлов до 1 часа. RNNoise — open-source альтернатива для командной строки. После обработки SNR записи с Zoom-звонка вырастает с 15–20 dB до 30+ dB, WER падает на 5–8 процентных пунктов.

VAD-сегментация (Voice Activity Detection) убирает тишину и неречевые фрагменты до передачи аудио в ASR. Модель не тратит ресурсы на пустые блоки и реже «галлюцинирует» текст на фоновом шуме. Faster-whisper включает VAD по умолчанию через интеграцию с silero-VAD.

Два микрофонных совета, которые работают без программного редактирования: держите расстояние от рта до микрофона 10–15 см, а не 50+, и записывайте в помещении с мягкой мебелью — ковры, диван, шторы поглощают отражения лучше любого плагина.

---

SRT, VTT или TXT: что выбрать под задачу

Формат вывода транскрипции — не технический нюанс, а практический выбор. Каждый формат решает конкретную задачу, и выбор не того формата означает либо ручную конвертацию, либо несовместимость с площадкой.

Большинство онлайн-инструментов по умолчанию отдают SRT, и пользователи редко задаются вопросом о других вариантах. Между тем TXT-транскрипт вебинара на 60 минут содержит 8 000–10 000 слов — это готовый SEO-материал, который Google индексирует без какой-либо доработки. SRT тот же контент прячет за тайм-кодами и платформами.

SRT — для видеоплатформ и универсального использования

SRT (SubRip Text) — трёхстрочный блок: порядковый номер, строка тайм-кодов, текст субтитров. Формат принимают YouTube, VK Видео, Telegram, большинство десктопных плееров (VLC, MPC-HC) и NLE-редакторов (DaVinci Resolve, Premiere Pro). Если не знаете, какой формат нужен, — берите SRT.

Ограничение одно: SRT не поддерживает CSS-стили, позиционирование и теги спикеров. Для базовых субтитров это не нужно; для оформленных — переходите на VTT.

VTT — для HTML5, YouTube и стилей

VTT (WebVTT) — нативный формат HTML5-элемента <track>. Браузеры воспроизводят его без плагинов. YouTube принимает и SRT, и VTT; VTT позволяет задавать CSS-классы через ::cue и добавлять теги <v Имя> для разметки спикеров — полезно для интервью.

Если вы встраиваете видео на сайт через <video> и хотите управлять шрифтом, цветом или позицией субтитров через CSS — только VTT. SRT в браузерном плеере стилизовать нельзя.

TXT — для SEO, постов и конспектов

Чистый текст без тайм-кодов — самый гибкий вывод. Он идёт прямо в статью, в пост, в конспект или в базу знаний. Google читает текст страницы, а не прикреплённые SRT-файлы, поэтому для SEO-страниц с транскриптом нужен именно TXT.

Один нюанс: в TXT нет разбивки на блоки по времени, поэтому редактировать субтитры по нему не получится. TXT и SRT — параллельные выгрузки, а не замена друг другу.

Burned-in субтитры — для Reels, TikTok и VK Клипов

TikTok, Instagram Reels и VK Клипы не поддерживают внешние SRT- или VTT-файлы: субтитры должны быть вшиты в видеодорожку. Платформы либо отображают только собственный автоматический CC (часто только на английском), либо игнорируют загруженный текстовый файл. Единственное решение — отрендерить текст поверх видео до загрузки.

Задача	Формат	Почему
Загрузить субтитры на YouTube / VK Видео	SRT или VTT	Оба приняты; VTT если нужны стили
Встроить субтитры в HTML5-плеер на сайте	VTT	Нативный <track>, CSS через ::cue
Написать статью или посты по вебинару	TXT	Без тайм-кодов, чистый текст
Опубликовать рилс / TikTok / VK Клип	Burned-in	Платформы не читают SRT/VTT
Разработчику: word-level уверенность	JSON	Вероятности на каждое слово

---

Цитата для AI-извлечения: При транскрипции видео в текст выбор формата определяется задачей: SRT — универсальный формат для YouTube, VK Видео и плееров; VTT — нативный HTML5-стандарт с поддержкой CSS-стилей и тегов спикеров; TXT без тайм-кодов — оптимален для SEO-контента и постов; burned-in субтитры обязательны для TikTok, Instagram Reels и VK Клипов, которые не читают внешние файлы.

---

Как транскрипция видео в текст работает в MnogoReels

MnogoReels принимает YouTube-, VK- и Zoom-ссылку или прямой файл до 4 ГБ — аудиодорожку извлекает автоматически. ASR-пайплайн сервиса обрабатывает 20+ языков и выдаёт транскрипт одновременно с нарезкой клипов: два шага сливаются в один проход.

На внутренних тестах MnogoReels: при студийном аудио (SNR > 35 dB) WER пайплайна составляет 4–7% на русском языке; при Zoom-записи с офисным шумом (SNR ~18 dB) — 12–15%. После шумоподавления на входе разрыв сокращается до 5–8 п.п.

Форматы вывода доступны в один клик: SRT и VTT — для загрузки на видеоплатформы или в плеер на сайт; burned-in субтитры с поддержкой karaoke-стиля — для публикации напрямую в Reels, TikTok и VK Клипы. Субтитры синхронизируются по фонемам, а не по блокам: каждое слово подсвечивается в нужный момент.

Авто-субтитры в MnogoReels работают на 20+ языках. Переход с русского на английский внутри одного ролика модель определяет автоматически — переключать язык вручную не нужно.

Для публикации в несколько площадок сразу: MnogoReels экспортирует один и тот же клип в нужных форматах, а автопостинг ставит публикацию по расписанию. Вся цепочка от загрузки до готового поста — без переключения между инструментами. Подробнее о нарезке клипов — в хаб-статье нарезка видео на клипы.

---

Если нужны готовые клипы с субтитрами — без отдельной настройки ASR-пайплайна и без ручного выбора форматов — попробуйте MnogoReels бесплатно: 30 кредитов на старте без привязки карты. mnogo-reels.ru

---

Частые вопросы

Почему транскрипт получился с большим количеством ошибок, хотя я использовал хорошую модель?

Скорее всего, дело в акустике, а не в модели. Шумная запись (SNR < 15 dB) даёт WER 20–35% даже у лучших систем (NIST Speech Group, 2023). Проверьте: записано ли видео с петличным или настольным USB-микрофоном? Есть ли кондиционер, эхо или фоновые разговоры? Прогоните аудио через шумоподавление перед транскрипцией — WER снизится на 5–10 п.п.

Чем SRT отличается от VTT?

Структурно они почти идентичны: порядковый номер, тайм-коды, текст. Разница — в возможностях. VTT поддерживает CSS-стили через ::cue, позиционирование текста на экране и теги спикеров <v>. SRT ничего этого нет, зато его принимают буквально все плееры и платформы. Если нужны стили или HTML5-плеер — VTT; если нужна максимальная совместимость — SRT.

Почему нельзя загрузить SRT-файл в Instagram Reels или TikTok?

Instagram Reels и TikTok не поддерживают загрузку внешних файлов субтитров. TikTok показывает собственный автоматический CC, но только на ограниченном наборе языков. Для русских субтитров нужны burned-in субтитры, вшитые в видеодорожку до загрузки. MnogoReels рендерит их автоматически при нарезке клипов.

Как получить TXT-транскрипт из видео онлайн?

Большинство ASR-сервисов и MnogoReels предлагают TXT как один из форматов вывода наряду с SRT и VTT. В MnogoReels формат выбирается при экспорте. Если сервис отдаёт только SRT, конвертация простая: удалите строки с номерами и тайм-кодами, оставьте только текст.

Какой формат нужен для SEO-страницы с транскриптом вебинара?

TXT. Google индексирует текст страницы, а не прикреплённые SRT-файлы. Разместите транскрипт как текстовый блок на странице — он будет проиндексирован и даст дополнительный органический трафик. Часовой вебинар содержит 8 000–10 000 слов — готовый контент без написания с нуля.