MP4 в текст
В MP4 нас интересует только AAC-дорожка. Видеопоток мы не декодируем вообще — это экономит вам время загрузки и нам GPU-минуты, а вам даёт готовые SRT с точностью до слова.
Спрос по Яндекс.Вордстат
| Запрос | Показов в месяц | Снято |
|---|---|---|
| видео в текст | 58 967 | 2026-08 |
| видео в текст онлайн | 8 357 | 2026-08 |
| извлечь текст из видео | 3 193 | 2026-08 |
| преобразовать видео в текст | 1 146 | 2026-08 |
Технические характеристики MP4
| Полное название | ISO/IEC 14496-14, ISO Base Media File Format |
|---|---|
| Контейнер | ISO BMFF (moov + mdat) |
| Кодеки внутри | H.264 / H.265 (видео), AAC-LC (звук) |
| MIME-типы | video/mp4 |
| Расширения | .mp4, .m4v |
| Типичный битрейт | 2500 кбит/с (из них звук 128 кбит/с — 5% файла) |
| Частота дискретизации | 48 000 Гц, стерео |
| Сжатие | с потерями |
| Демультиплексирование | нужно — звук лежит внутри контейнера с видео |
| Лимит на файл | 8 ГБ — это примерно 448 минут при типичном битрейте |
| Минут в 1 ГБ | 56 |
Что конвейер делает именно с MP4
- Читаем атом moov. Если он в конце файла (типично для записей, оборванных на середине выгрузки), делаем один дополнительный проход — файл всё равно принимается.
- Демультиплексируем: копируем AAC-дорожку потоково (-vn -acodec copy), видео не декодируем. Для часового ролика это секунды вместо минут.
- Если в MP4 несколько аудиодорожек (запись Zoom «раздельные дорожки», экспорт из монтажки), показываем список и даём выбрать; по умолчанию берём первую с ненулевой длительностью.
- Декодируем AAC в PCM 16 кГц моно и отдаём в GigaAM v3 RNNT.
- Пословные таймкоды прогоняем через выравнивание, чтобы SRT попадал в губы, а не «примерно туда».
Откуда берутся такие файлы
- Экспорт записи из Zoom, Контур.Толк, МТС Линк
- Скачанные ролики с YouTube, VK Видео, Rutube
- Съёмка на телефон (Android отдаёт MP4, iPhone — MOV)
- Записи вебинаров из GetCourse и Bizon365
Грабли, о которых стоит знать заранее
- MP4 без звуковой дорожки
Экраны, записанные через OBS с неправильно выбранным устройством, часто получаются немыми. Мы проверяем наличие дорожки до списания минут и возвращаем ошибку, а не пустую расшифровку.
- Фрагментированный MP4 (fMP4) из браузерной записи
Такие файлы иногда не имеют корректной общей длительности. Мы вычисляем её по сумме фрагментов, поэтому счёт совпадает с реальным временем.
- Дорожка AAC-HE (HE-AAC v2) с parametric stereo
Встречается в записях с низким битрейтом. После декодирования эффективная полоса — около 8 кГц, звук «булькает». Точность падает; если есть исходник получше, берите его.
Как формат влияет на точность
Сам контейнер MP4 на точность не влияет — важен битрейт AAC. На 128 кбит/с стерео разница с оригиналом в пределах погрешности; на 32 кбит/с моно (типичный вебинарный поток) WER растёт заметно.
| Модель | Средний WER, % | Далёкий микрофон | Кол-центр |
|---|---|---|---|
| GigaAM v3 RNNT (Сбер, MIT)используем мы | 8,3 | 3,9 | 9,5 |
| GigaAM v2 RNNT | 10,6 | — | — |
| T-one + LM (Т-Банк, Apache-2.0) | 16,3 | — | — |
| Whisper large-v3 | 21 | 16,4 | 23,1 |
Проверка файла и расчёт стоимости
Файл не загружается и никуда не отправляется: длительность читает ваш браузер локально. Ограничения показаны для MP4.
Отменять ничего не нужно: у нас нет автопродления и мы не храним данные платёжных карт.
Частые вопросы
- Обязательно ли загружать всё видео, если нужен только текст?
- Нет, и это стоит делать: вытащите звук локально командой ffmpeg -i video.mp4 -vn -acodec copy audio.m4a. Файл станет меньше в 15–20 раз, а расшифровка будет ровно та же.
- Получу ли я субтитры, готовые к загрузке на VK Видео?
- Да. Мы отдаём SRT и WebVTT с пословными таймкодами. VK Видео и Rutube принимают SRT напрямую в редакторе ролика.
- Что будет с видео длиной 6 часов?
- Обработается: наш лимит — 10 часов на файл. При 2500 кбит/с шесть часов весят около 6,3 ГБ, это в пределах лимита 8 ГБ.
- Можно ли распознать только один голос из двух дорожек?
- Да, если дорожки в файле раздельные — выберите нужную в списке перед стартом. Если голоса смикшированы в одну дорожку, используйте разделение на спикеров.