Транскрибация созвонов: как получить протокол встречи из записи

Заметки во время созвона всегда выборочны: человек записывает то, что успел и счёл важным, а остальное теряется. Причём теряется незаметно — уверенность в собственной памяти со временем не падает, а вот детали уходят. Отсюда классический конфликт «мы договаривались о другом»: обе стороны искренни, просто каждая помнит свою версию разговора.

Расшифровка снимает вопрос иначе: есть текст того, что реально прозвучало, с привязкой ко времени. Спорный момент проверяется поиском по документу за пару секунд, а не пересматриванием записи. Плюс сама фиксация меняет поведение участников — договорённости формулируют яснее, когда знают, что они попадут в текст.

• Заметки фиксируют интерпретацию слушателя, расшифровка — сказанные слова.
• Поиск по тексту в разы быстрее перемотки записи: таймкод ведёт прямо к нужному месту.
• Текст можно переслать тому, кто пропустил встречу, — без часа его времени на просмотр.
• Расшифровка — это ещё и материал: из неё вырастают статьи, посты, FAQ и обучение новых сотрудников.

Расшифровать час записи вручную — это несколько часов работы: набор со слуха идёт медленнее речи, приходится отматывать назад, разбирать неразборчивое, форматировать. Один-два раза так сделать можно, но как только созвонов становится несколько в неделю, конспектирование либо съедает рабочий день, либо тихо перестаёт делаться. Обычно происходит второе.

Второй вариант — отдать расшифровку человеку на аутсорс. Это работает для разовых важных записей, но упирается в скорость (текст нужен сегодня, а не через три дня) и в конфиденциальность: содержание переговоров уходит к постороннему исполнителю. Автоматическая транскрибация решает оба ограничения — минуты вместо дней и никакой ручной пересылки записи третьим лицам.

Технически путь от файла до текста состоит из нескольких шагов. Сначала из видео вытаскивается звуковая дорожка — распознаванию нужен только звук, картинка не нужна. Затем длинная запись режется на фрагменты: у моделей распознавания есть предел на длину входа, и двухчасовой созвон целиком в них не помещается. Каждый фрагмент распознаётся, а результаты собираются обратно в единый текст со сквозными таймкодами.

Именно на этапе «нарезать и собрать» ломаются простые решения: запись обрывается на середине или части склеиваются с потерей нескольких секунд на стыках. В модуле транскрибации Юнкис извлечение звука и нарезка выполняются автоматически, а ограничения на файл — 1 ГБ и 4 часа, чего хватает на любой рабочий созвон или вебинар. Поддерживаются видео MP4, MOV, MKV, WEBM, AVI и аудио MP3, M4A, WAV, OGG, OPUS, FLAC — конвертировать вручную ничего не нужно.

• Из видео автоматически извлекается аудиодорожка — загружать можно исходный файл записи.
• Длинная запись режется на части и собирается обратно в один текст с непрерывными таймкодами.
• Распознавание работает для русского и английского языка; язык можно задать вручную или оставить автоопределение.
• Текст разбит по фрагментам со временем — его можно скопировать, скачать в TXT или выгрузить субтитрами SRT.

Сырой текст на 15 тысяч знаков — это ещё не протокол. Читать его целиком никто не будет, поэтому вторым шагом идёт сжатие: нейросеть получает расшифровку и собирает из неё структуру — краткое резюме встречи, список договорённостей, задачи с ответственными, если они прозвучали, и вопросы, которые остались открытыми.

Ключевое требование к этому шагу — работать по факту сказанного, без домыслов. Языковая модель по своей природе склонна «дописывать» правдоподобное: если в записи не назвали срок, соблазн подставить типовой срок велик. Поэтому итоги строятся строго из содержания расшифровки, а не из общих представлений о том, как выглядят протоколы, — как это устроено в целом, мы разбирали в статье про ИИ-галлюцинации. Практическое правило для читателя протокола простое: спорные пункты сверяйте по таймкоду с исходным текстом — он всегда под рукой.

Созвоны команды — самый очевидный, но далеко не единственный сценарий. Транскрибация окупается везде, где ценная информация существует только в виде звука и потому не ищется, не пересылается и не анализируется.

• Переговоры с клиентом: зафиксированные условия и требования вместо «я думал, вы имели в виду другое».
• Интервью и кастдевы: текст всех разговоров позволяет искать повторяющиеся формулировки боли — это готовые тезисы для лендинга.
• Вебинары и выступления: одна запись превращается в статью, серию постов и субтитры к видео.
• Продажи и обучение: разбор реальных звонков с новыми менеджерами по тексту, а не по пересказу.
• Голосовые сообщения от клиентов: длинное аудио читается за минуту, а не слушается на скорости 2×.
• Судебные, кадровые и приёмочные записи: точная фиксация формулировок, где важна буква, а не смысл.

Сервисов распознавания много, и различаются они не столько качеством модели, сколько экономикой и деталями обработки. Три вопроса, которые стоит задать до того, как загружать первый файл: как считаются деньги, что происходит при сбое и какие есть ограничения на файл.

В Юнкис модель оплаты простая: 1 ₽ за минуту записи с округлением вверх по файлу — запись на 7 минут 20 секунд спишет 8 минут. Первые 10 минут бесплатны, дальше минуты покупаются пакетами без подписки и не сгорают в конце месяца. Отдельное правило: если файл битый, без звука или провайдер не ответил, минуты остаются на балансе — за брак не списываем. Честно назовём и ограничение: разделения по спикерам («кто говорит») пока нет — на выходе сплошной текст с таймкодами.

• Цена: за минуту записи или за минуту обработки, есть ли абонплата и сгорают ли остатки.
• Списание при ошибке: тратятся ли деньги на файл, который не удалось расшифровать.
• Лимиты: максимальная длительность и размер файла — двухчасовой вебинар проходит не везде.
• Форматы: принимает ли сервис видео напрямую или требует заранее выделить аудио.
• Что на выходе: только текст или ещё таймкоды, субтитры SRT и ИИ-итоги встречи.
• Конфиденциальность: кому и куда уходит запись, хранится ли она после обработки.