Транскрибация MP4 в текст

MP4 — самый распространённый видеоконтейнер: в нём сохраняют записи со смартфонов, экспортируют монтаж и выгружают вебинары. Отдельно вытаскивать звук не требуется, сервис сам находит аудиодорожку внутри контейнера и работает с ней, а видеоряд просто игнорирует.

Каждая реплика получает таймкод, привязанный к оригинальному видео, поэтому по расшифровке удобно ориентироваться при монтаже: достаточно найти нужную фразу в тексте и перейти к соответствующей секунде. Результат выгружается в SRT — файл подходит для субтитров на YouTube, во «ВКонтакте» и в социальных сетях.

Внутри MP4 звук почти всегда лежит в кодеке AAC с битрейтом 128–256 кбит/с — этого более чем достаточно для распознавания речи. Основной вес контейнера приходится на видеоряд, который при расшифровке не используется вообще. Отсюда практический вывод: если файл не проходит по лимиту в 2 ГБ, извлекать нужно именно звук, а не сжимать видео — размер сократится в десятки раз, а на точность это никак не повлияет.

Чаще всего MP4 приходит из трёх источников: съёмка на смартфон, запись экрана через OBS или встроенные средства системы, и экспорт из видеоредактора. Записи экрана — самый удобный случай: звук в них идёт прямо с системного микшера или микрофона, без переотражений от стен, поэтому распознаются они очень чисто.

Отдельная ситуация — видео, снятое на камеру в помещении с несколькими говорящими. Здесь качество определяет не формат, а расстояние до микрофона: камера в углу переговорной собирает эхо, и разделение по спикерам на такой записи работает заметно хуже, чем на созвоне, где каждый участник подключён со своей гарнитурой.

Если исходник снят вертикально или в необычном разрешении, на расшифровку это не влияет никак: сервис обращается только к аудиопотоку, а параметры картинки, частота кадров и ориентация кадра для него не существуют.