Застосунки для транскрипції лекцій: все, що варто знати

Запис лекції — чистий текст. Ось і вся робота.

Якщо відкинути маркетинг, кожен застосунок для транскрипції лекцій робить одну річ. Він приймає аудіо чиєїсь мови і повертає вам текст, у якому можна шукати, цитувати та з якого можна вчитися. Викладач говорить — застосунок слухає — слова з'являються на сторінці. Усі відмінності між інструментами похідні від цього: чи аудіо захоплюється в реальному часі або після запису, чи обробляється воно на сервері або на вашому пристрої, і як застосунок очищує результат.

Whisper by Remskill виконує роботу з диктовки. Ви утримуєте гарячу клавішу, говорите, і транскрипт вставляється у будь-який застосунок, в якому ви друкуєте — чи то Notion, Word, Google Doc або електронний лист. На Windows стандартна гаряча клавіша — Ctrl+Space. На macOS це акорд Command+Option: утримуйте для запису, відпустіть — щоб зупинити. Після того як ви відпустите, мікрофон залишається відкритим ще 500 мілісекунд, щоб останнє слово не обрізалось. Жодного кроку «приєднатись до зустрічі» і жодного очікування завантаження. Ви говорите — і за секунду-дві текст вже є.

Ця різниця важливіша для лекцій, ніж для більшості інших завдань — і саме це варто прояснити наступним.

Живий запис і власна диктовка нотаток — це не одне й те саме

Ось розподіл, який плутає більшість студентів. Одні застосунки створені для захоплення живого заняття: вони записують аудиторію або приєднуються до дзвінка в Zoom і транскрибують голос викладача за вас. Інші створені для того, щоб ви самі диктували власним голосом нотатки та резюме. Обидва варіанти дають транскрипт. Але вони не взаємозамінні.

Whisper належить до другого табору. Він транскрибує те, що чує мікрофон під час вашого мовлення. Це відмінний інструмент для тієї частини навчання, яка відбувається після лекції: продиктувати резюме, поки воно ще свіже в голові, проговорити задачу вголос, записати власне пояснення якоїсь концепції або написати листа навчальній групі. Це не бот, який сидить в аудиторії і захоплює слова викладача замість вас. Якщо вам потрібен автономний запис чужої живої лекції — для цього краще підійде спеціалізований рекордер, і я назву конкретні інструменти пізніше в чесному розділі.

Нудна правда полягає в тому, що найточнішу транскрипцію лекції отримаєте тоді, коли мовлення відбувається близько до хорошого мікрофона. Коли ви диктуєте власний переказ, ваш рот знаходиться за 20 сантиметрів від мікрофона. Коли ви записуєте викладача — його рот на відстані 20 метрів, за кафедрою, в боротьбі з системою вентиляції. Одне й те саме програмне забезпечення — два абсолютно різних результати.

Звідки береться аудіо лекції

Кожна транскрипція починається з мікрофона, а лекційна аудиторія — місце, де хороші мікрофони відчувають усі складнощі. Аудіо може надходити з трьох джерел. Перше — вбудований мікрофон ноутбука, налаштований на людину, яка сидить прямо перед ним: підходить для диктовки власних нотаток, але погано справляється із записом викладача через зал на 200 місць. Друге — петлевий звук системи, тобто те, що виходить з ваших колонок: саме це ви захоплюєте під час живого Zoom або записаного онлайн-заняття. Третє — зовнішній мікрофон, закріплений близько до джерела звуку.

Розміщення мікрофона — це найважливіший важіль точності, а не модель програмного забезпечення. USB-мікрофон за $20 дасть кращий результат для транскрипції, ніж будь-яке оновлення до більшої моделі. Я бачив, як студенти мучились, вибираючи «найточніший» застосунок, диктуючи у вбудований мікрофон ноутбука в кав'ярні. Проблема ніколи не була в застосунку. Проблема була в аудіо.

Для онлайн-заняття або лекції в Zoom захоплення петлевого аудіо спрацьовує добре, адже мовлення вже надходить через чисті цифрові канали. Для великої аудиторії реалістична відповідь — записувати близько до джерела: сідайте ближче до переду або використовуйте мікрофон-петличку, а транскрибуйте вже після. Жоден застосунок не перетворить каламутний запис великої зали на ідеальний текст. Вони перетворюють гарне аудіо на відмінний текст, а погане — на «an anti-mom».

Локальна і хмарна транскрипція проводять межу конфіденційності, яку студентам варто бачити

Більшість порівнянь застосунків для лекцій пропускають цей момент, хоча саме він є для мене найважливішим як для студента. Де обробляється аудіо? Два варіанти відповіді. Хмарні інструменти надсилають запис на сервер, транскрибують його там і повертають вам текст. Локальні інструменти роблять все це на вашому ноутбуці — без жодної передачі даних.

Між нами кажучи, хмарна транскрипція лекції — це рішення щодо конфіденційності, яке люди приймають, навіть не усвідомлюючи цього. Запис вашого викладача, його слів, його неопублікованих досліджень, побіжного коментаря про майбутній іспит — і все це лежить у логах постачальника. Дрібниця до пори до часу. Локальне рішення — або не витрачайте час. Це сильніше твердження, ніж я зазвичай собі дозволяю, але я його підтримую: коли запис зберігається лише на вашому ноутбуці, жодне витікання з сервера не може його розкрити, жодна зміна умов надання послуг не надасть права на навчання моделей за вашою спиною, жоден забутий акаунт не стане слабким місцем.

Whisper виконує локальну транскрипцію на чистому Rust без Python-сайдкара, використовуючи два рушії на вибір. Локальний Whisper пропонує кілька розмірів моделей — від Base близько 140 МБ до багатомовного Large v3 близько 3 ГБ, а багатомовні варіанти охоплюють 99 мов із перекладом на англійську. NVIDIA Parakeet — одна модель близько 600 МБ, охоплює англійську плюс 24 європейські мови (25 загалом) та працює у 5–10 разів швидше за Whisper на CPU, хоча не вміє перекладати і не обробляє азіатські мови. Якщо потрібні найвища якість і доступ до мережі — є також хмарний режим із власним ключем OpenAI. Повний локальний конвейєр безкоштовний для будь-якого авторизованого користувача без прив'язки картки; хмара — платний додаток. Все це також працює повністю без інтернету, а детальніший огляд є в нашому посібнику з офлайн-розпізнавання мовлення, якщо це ваш головний пріоритет.

Інші застосунки для лекцій, про які варто знати

Whisper — це інструмент для диктовки, а не бот для запису аудиторії, тому для живого захоплення лекцій чесний підхід — вказати вам на застосунки, створені саме для цього. Ось як відрізняються поширені варіанти — з реальними цифрами там, де їх надало первинне джерело.

Кілька рядків заслуговують на пояснення. Безкоштовний базовий план Otter дає 300 хвилин транскрипції на місяць із обмеженням 30 хвилин на один запис — тобто одна 90-хвилинна лекція не вміститься в один безкоштовний запис. Apple Voice Memos вміє записувати аудіо і потім показувати транскрипт, тому для студентів на Mac це справжній варіант «запиши заняття — прочитай пізніше», який вже встановлений на пристрої. Notta стверджує, що підтримує десятки мов, але я не зміг відкрити сторінку з цінами, щоб перевірити ліміти хвилин, — тому ставтесь до деталей їхнього плану як до «перевірте перед тим, як зобов'язуватись».

Коли Whisper не підходить для лекцій

Якщо вам справді потрібно поставити інструмент перед живим викладачем і отримати готовий текст його слів — Whisper не для цього. Ми транскрибуємо те, що диктуєте ви, а не те, що говорить хтось через аудиторію. Для автономного живого захоплення варто звернутись до рекордера, створеного саме для цього. На Mac Apple Voice Memos записує аудиторію і безкоштовно показує транскрипт — і вже встановлений на пристрої. Якщо потрібен живий запис зустрічі з розміткою мовців і підсумками, Otter саме для цього і зроблений. Його безкоштовний рівень покриває 300 хвилин на місяць, хоча обмеження в 30 хвилин на запис означає, що для повної лекції потрібен платний план. Використовуйте Whisper для навчання, яке відбувається після занять: диктовки резюме, поки воно ще свіже, проговорювання завдань вголос, листів, які ви надсилаєте, поки готуєте вечерю.

Локальна транскрипція безкоштовна, Pro — для хмарної частини

Ось питання, яке студенти задають найчастіше: вартість. Уся локальна частина Whisper — обидва рушії, очищення через локальну AI-модель, історія, власна гаряча клавіша, завантаження моделей — безкоштовна для будь-якого авторизованого користувача без прив'язки платіжного методу при реєстрації. Це свідоме рішення. Локальна транскрипція працює на процесорі вашого ноутбука. Стягувати щомісячну плату за ресурси, за які ви вже заплатили, завжди здавалось мені несправедливим.

Платний рівень, Whisper Pro, додає хмарний доступ: хмарну транскрипцію OpenAI, хмарне AI-покращення і голосовий пошук в інтернеті. Це та частина, де є вартість за використання на стороні OpenAI і сервер у ланцюжку, тому вона захищена підпискою з коротким хмарним пробним періодом. Конкретні цифри є на сторінці ціноутворення. Для чистої диктовки під час навчання більшість студентів так і не виходять за межі безкоштовного локального рівня. Саме в цьому і є суть.

Якось увечері у вівторок минулого семестру я складав ланчбокси (сендвіч, фрукти, йогурт, який молодша відмовляється їсти), коли старшій доньці потрібна була відповідь вчительці щодо екскурсії. Я схопив ноутбук однією рукою, натиснув гарячу клавішу і продиктував листа між нарізкою огірків: зупинився спитати, як правильно написати прізвище вчительки, зупинився знову, коли молодша запитала, чому місяця іноді не видно, і продовжив. Лист пішов. Ланчбокси зібрані. Мій почерк, між іншим, не дав би ні того, ні іншого. Це і є та версія транскрипції, що вписується в реальне життя — не бот у лекційній залі, а голос, який встигає, поки руки зайняті. Обирайте інструмент під конкретне завдання — і йдіть вчитись. Подивіться, як працює Whisper.