Расшифровка аудио в текст: голосовое на 10 минут на входе, полный текст, выжимка и ответ на выходе

Коротко

Перешли голосовое или аудиофайл своему ИИ-агенту в Telegram и напиши одну строку: «Расшифруй слово в слово, разбей на абзацы по темам». Агент расшифрует запись и пришлёт текст в тот же чат. В нашем тесте почти десять минут речи вернулись за 47 секунд, тремя сообщениями, с метками тем.

Дальше работаешь с текстом. Проси короткую версию, спрашивай, что именно сказали про что-то одно, проси ответ, проси файл Word. Расшифровка остаётся в разговоре, поэтому каждая следующая просьба занимает секунды и стоит малую часть первого шага.

Так выглядит расшифровка аудио в текст, когда вместо конвертера у тебя агент: получаешь текст и того, с кем его можно разобрать. Агент стартует в Telegram и работает с голосовыми, аудиофайлами и звуковой дорожкой видео.

Тест: десятиминутный отчёт от прораба

Ольга делает ремонт в ванной. Сергей, её прораб, поступает как все прорабы: в пятницу вечером записывает из фургона одно длинное голосовое, чтобы не звонить десять раз. 9 минут 57 секунд.

Там есть всё, и всё вперемешку. Гнилая лага под старой ванной, два варианта ремонта и две цены. Плитки на пол нет в наличии, зато есть две замены. Полотенцесушитель не влезает. Новый сантехник Рустам и его телефон. График платежей, дата сдачи, гарантия, кот в дыре на месте ванны и пробки на кольцевой. В конце Сергей сам пересказывает всё коротко, и в его пересказе нет трёх вещей, о которых он говорил в середине: затирки, краски для потолка и подоконника.

Голосовое мы написали сами и озвучили синтетическим голосом, так что люди, цены и номер телефона выдуманы. Речь при этом живая: оговорки, «извини», цифры вслух (номер Сергей диктует группами цифр и потом повторяет), отступления. 30 октября 2026 года мы переслали запись нашему тестовому агенту. Ответы агента настоящие и приведены так, как пришли. В самых длинных ответах мы сократили часть текста и отметили сокращения «…», а номер телефона убрали со страницы.

Шаг 1. Голосовое на входе, полный текст на выходе

В просьбе три условия: текст дословный, полный и разбит по темам. И просьба пока не делать выжимку. Выжимку, написанную раньше, чем ты увидел текст, проверить нечем.

Первая часть пришла через 31 секунду после сообщения, последняя через 43, а заметка о спорных местах через 47. В одно сообщение Telegram помещается около 4 000 знаков, поэтому агент разбил десять минут речи на три части и пронумеровал их.

Полная расшифровка — около 1 800 слов, и это настоящий Сергей: его «Деньги. Деньги. Извини.», его «я что-то разговорился», его отступление про пробки. Никто не причесал это в канцелярит. Агент добавил только структуру: абзац на тему и короткую метку в начале — «Лага», «Затирка», «Полотенцесушитель», «Деньги». Уже этого хватает, чтобы запись стала текстом, который можно пролистать до нужного места.

Самое полезное здесь последнее сообщение. Сергей говорит «пятисотый» и «восьмисотая», распознавание слышит в этом «пятьсот один» и «восемьсот один» и пишет 501 и 801. Агент сверил эти цифры с остальной записью, увидел нестыковку и выписал их, чтобы переслушать. На ремонте 800, 801 или 900 — это разница между одной дыркой в стене и двумя.

Шаг 2. Короткая версия: сделано, изменилось, решить, заплатить

Десять минут текста — всё ещё десять минут. Мы попросили версию, которую Ольга прочитает с телефона, со всеми решениями и сроками.

Пятьдесят секунд. Выжимка построена вокруг того, что нужно сделать Ольге, а не в том порядке, в каком говорил Сергей. Четыре блока, и ради третьего стоило просить: шесть решений, у каждого варианты, цена и дата.

Агент сделал здесь больше, чем выжимку. Он поймал то, что выпало из короткого пересказа самого Сергея. Перечисляя в конце свои вопросы, Сергей забыл про затирку, краску на потолок и подоконник. Агент собрал их из середины записи в отдельную строку: это будет сделано по умолчанию, если ничего не ответить. А там, где Ольге может пригодиться мнение, агент его дал — «Мой выбор: графит», «Мой выбор: 800» — и держал отдельно от слов Сергея.

Шаг 3. «Что именно он сказал?»

Выжимка написана словами агента. Когда речь о деньгах, нужны слова того, кто говорил. Мы попросили точную цитату и номер сантехника.

Семь секунд. Цитата — ровно тот абзац из расшифровки, без единого изменённого слова, плюс строка контекста, которая шла прямо перед ним. Обычно на такой вопрос отвечают, гоняя ползунок голосового туда-сюда.

На номере телефона видно, как агент обращается с цифрами. Сергей продиктовал номер вслух, группами цифр, как диктуют по телефону, и повторил его ещё раз. Распознавание записало его дважды, в двух разных форматах. Агент понял, что номер один, дал его просто цифрами и предложил уточнить у Сергея перед звонком. Со страницы мы номер убрали, но в ответе он был целиком.

Шаг 4. Ответ словами Ольги

Ольга решила всё за ужином. Надиктовала ответы одной строкой и попросила сообщение, которое можно сразу отправить.

Восемь секунд. Ответ идёт по темам Сергея в том порядке, в каком он будет их искать, по строке на тему, и добавляет мелочь, которую прораб оценит: «Чертёж верный, в письме ошиблась я» закрывает вопрос «800 или 900» насовсем. Агент сверил восемь ответов с восемью вопросами, так что ничего из середины записи не повисло.

Шаг 5. Расшифровка и выжимка в одном файле Word

В чате удобно работать, в файле удобно хранить. Ольге нужен был текст рядом со сметой и счетами прораба.

Минута 21 секунда, и файл в чате. Шесть страниц: заголовок с тем, кто и когда записал голосовое, полная расшифровка с метками тем жирным, заметка о спорных местах и короткая версия на отдельной странице. Теперь это документ: в нём можно искать, его можно распечатать и переслать.

Во что превратились десять минут аудио

Пять сообщений и в сумме чуть больше трёх минут ожидания дали Ольге:

• полный текст десятиминутного голосового, слово в слово, разбитый на темы с метками;
• список мест, где распознавание могло ослышаться, чтобы было понятно, что перепроверить;
• короткую версию с шестью решениями, ценами и сроками и тремя вещами, которые прораб забыл повторить;
• точную цитату про лагу и номер сантехника цифрами;
• ответ, который закрывает все восемь вопросов одним сообщением;
• файл Word с расшифровкой и выжимкой, который можно хранить вместе со сметой.

Какие записи можно присылать

Тот же чат работает не только с голосовыми. Агент автоматически расшифровывает три вида аудио:

• Голосовые сообщения, твои или пересланные от кого угодно: от клиента, коллеги, из семейного чата.
• Аудиофайлы: записанное интервью, запись звонка, выпуск подкаста, заметку с диктофона.
• Звуковую дорожку видео: запись экрана с комментариями, кусок вебинара, видеосообщение.

Что просить дальше, зависит от записи. Для интервью — полный текст и цитаты. Для лекции — конспект и вопросы, это мы проверили в статье ИИ для конспектов: отправь запись лекции и получи конспект, вопросы для самопроверки и карточки. Для созвона команды — решения с ответственными и датами, как в Протокол совещания нейросетью: отправь запись планёрки и получи решения, ответственных и сроки. А если голосовое на языке, которого ты не знаешь, попроси расшифровку и перевод одним сообщением, как мы делали в ИИ-переводчик в Telegram: фото меню, голосовое от хозяйки и PDF с правилами в одном чате.

Привычки, с которыми расшифровке можно доверять

Слушает, печатает и раскладывает по темам агент. А чтобы по тексту можно было сразу действовать, с твоей стороны хватит нескольких привычек.

Сначала проси полный текст, потом выжимку. Выжимка хороша ровно настолько, насколько хорош текст, из которого она сделана. Когда расшифровка лежит в чате, любую строку выжимки можно сверить с тем, что сказали на самом деле.

Цифры и имена перепроверяй первыми. Распознавание речи слышит звуки, и «пятисотый» легко становится 501. Попроси: «Выпиши цифры, имена и даты, которые могли быть услышаны неправильно». В нашем тесте агент сделал это сам: ширина полотенцесушителя, шторка для душа и номер телефона.

Дай контекст одной строкой. «От прораба, про ремонт ванной» помогает агенту назвать темы и понять, что «лага», «накладка» и «черновой монтаж» — это про ремонт. Если знаешь имена, которые прозвучат, назови их.

Проси цитаты, когда речь о деньгах или обещаниях. «Процитируй слово в слово» вернёт фразу говорящего, а не пересказ. Именно это нужно, прежде чем соглашаться на 65 000 ₽.

Держи длинные записи в одном чате. Каждая следующая просьба использует расшифровку, которая уже есть в разговоре, так что платить за расшифровку дважды не придётся. Спроси всё, что нужно, в той же ветке, а когда переходишь к другому, начни заново командой /clear.

Сколько это стоит

После каждого сообщения мы смотрели баланс в строке статуса агента. Расшифровка стоила 14 : минута аудио стоит 1 , так что около 10  ушло на десять минут речи, а остальное на то, чтобы выписать 1 800 слов. Короткая версия стоила 2 , цитата 2 , ответ 1 , файл Word 6 . Весь кейс обошёлся в 25 .

На Free дают 200  в первый месяц и 100  каждый следующий, карта не нужна. Голос, файлы и память включены с самого начала. Pro стоит 990 ₽ в месяц за 400 , или 99 ₽ за первый месяц, если оформить подписку в первые 7 дней после регистрации, и добавляет повторяющиеся напоминания и задачи по расписанию. Цена минуты аудио на обоих тарифах одна и та же. Все расценки на странице Тарифы.

Твои записи хранятся в изолированном контейнере твоего агента. Расшифровку делает Deepgram Nova-3. Чтобы работать с текстом, агент отправляет запросы модели. На модели по умолчанию они идут через инфраструктуру DeepSeek в Китайской Народной Республике, это ты подтверждаешь при онбординге. На Pro можно подключить свой Claude или Codex, и тогда запросы уходят этому провайдеру под твоим аккаунтом.

Сообщения, которые стоит скопировать

Создай агента и перешли ему самое длинное голосовое из своего Telegram.