Головне
macOS не вміє самостійно розшифровувати відеофайли. Проте без жодних додаткових програм вона може витягнути аудіодорожку з відео за допомогою QuickTime Player — і у вас залишиться значно менший файл для подальшої роботи. Вбудований диктант друкує те, що чує мікрофон, у реальному часі, поки ви говорите, тож він не підійде для запису, який у вас уже є. Розшифровка — це окремий крок, і він однаковий незалежно від того, яким комп’ютером ви користуєтесь.
У вас на Mac лежить відео. Запис екрана з наради, лекція, яку хтось надіслав, збережений відеоролик. Вам потрібен текст із нього. І бажано без реєстрації в компанії, про яку ви ніколи не чули.
Завдання чітко розділяється на два етапи. Спочатку потрібно отримати чистий аудіофайл із відео. Потім перетворити цей звук на текст. Першу частину Mac уже вміє робити — прямо зараз, тим програмним забезпеченням, яке є на вашому комп’ютері. Другу частину він не вміє, і скільки не копирсайтесь у Системних налаштуваннях, нічого не зміниться. Знання того, де саме проходить ця межа, зекономить вам цілий вечір пошуків пункту меню, якого просто не існує.
Що macOS уже вміє робити
QuickTime Player є на кожному Mac. Він відтворює відео, записує екран і може експортувати звук з відеофайлу. Остання функція — саме та, яка нам потрібна, і часто це єдиний крок, який треба зробити перед тим, як передати файл іншій програмі.
У macOS також є диктант, який перетворює мову на текст, поки ви говорите. Є ще й Голосові записки, які синхронізуються з тим самим застосунком на iPhone через iCloud. Разом ці три інструменти дозволяють записувати звук, зберігати його й друкувати голосом.
Жоден з них не прочитає готовий відеофайл і не видасть вам розшифровку. Це варто сказати прямо, бо ці інструменти настільки близькі один до одного, що здається — така функція має десь ховатись. Її там немає. Mac добре вміє створювати записи і погано вміє перетворювати їх на текст.
Спочатку витягніть звук
Відеофайл — це контейнер. У ньому є картинка і аудіодорожка, а розшифровка стосується лише звуку. Відео для цієї задачі — просто мертвий вантаж.
Тож перш ніж робити щось інше, витягніть звук. QuickTime Player впорається з цим, тож перший крок нічого не коштує і не вимагає встановлення жодних програм. На виході ви отримаєте файл значно менший за вихідне відео — іноді різниця вражаюча, залежно від того, яким було відео.
Ця різниця в розмірі перестає бути абстракцією, щойно запис стає довгим. Двогодинна лекція у форматі відео — це незручно переносити, завантажувати чи тримати кілька копій, поки ви вирішуєте, яким інструментом користуватись. Ті самі дві години у форматі звуку — це невеликий файл, з яким можна працювати не задумуючись. Якщо у вас ціла папка записів, витягнення звуку спочатку — це різниця між одним вечором роботи і цілими вихідними.
Витягнення звуку також вирішує питання, яке часто збиває людей з пантелику: чи потрібен саме інструмент, який спеціально вміє перетворювати відеофайли на текст, чи достатньо звичайної розшифровки аудіо. Щойно звук стає окремим файлом, ця різниця вже не має значення. Будь-який інструмент розшифровки, що приймає аудіо, прийме і ваш файл.
Диктант — це інша задача
Диктант і розшифровку часто вживають так, наче це одне й те саме. Це не так, і саме в цій різниці — те, що стоїть між вами й розшифровкою, яку ви хочете отримати.
Диктант слухає мікрофон і записує те, що чує, у реальному часі, поки це відбувається. Ви говорите — з’являється текст. Це спосіб введення тексту. Розшифровка бере запис, який уже існує — щось, що завершилося годину тому чи рік тому — і перетворює його на текст. Одне — це пристрій вводу, інше — перетворення.
Можна спробувати перекинути місток, увімкнувши відео на весь голос і давши диктанту слухати ваші колонки. Люди так роблять. Виходить погано. Ви просите мікрофон повторно записати звук, який уже й так був записаний одного разу, у якійсь кімнаті, з усіма акустичними особливостями цієї кімнати, і вам доведеться просидіти весь цей час, поки це відбувається. Година відео коштуватиме вам години часу. Для чогось довшого за короткий ролик це вже не серйозний варіант. Про розпізнавання мови на Mac і про те, де закінчується вбудований шлях, можна сказати більше, але коротко: диктант ніколи не створювався для роботи з файлами.
Якщо у вас ще немає файлу
Все сказане вище передбачає, що відео вже лежить у вас на диску. Іноді це не так. Те, з чого вам потрібен текст, — дзвінок, що відбувається прямо зараз, або відео у вкладці браузера, і витягувати звук нема з чого, бо нічого ще не збережено.
Саме тут Mac ставить справжню перешкоду. Захоплення власного системного звуку Mac — тобто звуку, що виходить із самого комп’ютера, а не потрапляє в мікрофон — це те, що macOS не пропонує за замовчуванням. Запис екрана дає вам картинку. Отримати звук, що йшов разом із нею, — окрема проблема, і саме цей крок найчастіше зупиняє людей. Якщо ви колись отримували безголосий запис зустрічі й не могли зрозуміти, що зробили не так, — ось у чому справа. Ви нічого не зробили не так.
Є способи це подолати, і варто розібратися з ними заздалегідь, а не через п’ять хвилин після початку дзвінка, який неможливо повторити. Технічні деталі запису екрана на Mac разом зі звуком — окрема тема. Тут важливо лише те, що це проблема захоплення звуку, а не розшифровки, і, розв’язавши її, ви повертаєтесь до звичного випадку: файл на диску.
Один спосіб дозволяє обійти проблему повністю. Голосові записки на Mac діляться записами з тим самим застосунком на iPhone через iCloud, тож усе, що ви записали на телефоні, з’являється на Mac без надсилання файлу собі на пошту чи пошуків кабелю. Для розмови наживо чи лекції, на якій ви присутні, записати все на телефон і потім забрати файл на комп’ютері — набагато простіше, ніж боротися з питанням системного звуку. Звісно, це не допоможе зі звуком, який відтворює сам Mac.
Перетворення звуку на текст
Щойно звук стає файлом, усі попередні рішення вже не мають значення. Розшифровці байдуже, звідки взявся файл — з відео, з телефону, із запису екрана чи від колеги. Їй байдуже, що ви користуєтесь Mac. З цього моменту це та сама задача, яка була б на будь-якому комп’ютері, тож вибір зводиться лише до інструменту розшифровки, і нічого більше.
Саме тут бажання обійтися без реєстрації стикається з реальністю, тож скажу прямо. Все, що працює цілком у браузері, може обіцяти, що ваш файл ніколи не покине комп’ютер, і деякі інструменти справді так і працюють. Але браузерні інструменти такого типу зазвичай працюють із файлами субтитрів чи підрахунком — тобто з тим, що вже є текстом. Справжнє розпізнавання мови на двогодинному записі — набагато важча задача, і інструменти, які це роблять, як правило, потребують або встановленої програми, або передачі вашого файлу на їхні сервери. Що б ви не вибрали, саме це питання варто задати, і відповідь на нього має бути легко знайти.
SozAI — один із варіантів: застосунок для розшифровки на macOS, який працює з аудіо- та відеофайлами, записами й посиланнями на YouTube, з розділенням за мовцями, стислими викладами та перекладом на 99+ мов. На тому ж сайті є безкоштовні браузерні інструменти для субтитрів і підрахунку, які працюють повністю у браузері, нічого не завантажуючи на сервер і без реєстрації — вони не розшифровують аудіо, але корисні вже тоді, коли розшифровка готова і потребує обробки.
Чого розшифровка не зробить за вас
Просіть додати часові метки, якщо мета — повернутися до конкретного моменту. Розшифровка без них — це просто текст, у якому можна шукати: ви знайдете потрібне речення, але це не те саме, що знайти місце у відео, де воно було сказане. Якщо ви розшифровуєте лекцію, щоб перейти саме до тих десяти хвилин, які важливі, часові метки — це вся суть. Якщо ви розшифровуєте, щоб прочитати текст один раз і більше не відкривати відео, вони просто зайві. Визначтесь, який варіант ваш, перш ніж почати, бо додавати метки потім означає робити роботу двічі.
Очікуйте, що текст відображатиме якість самого запису. Розпізнавання мови працює з тим, що реально було записано, і запис, зроблений у переповненій кімнаті з людьми, що говорять одночасно, дає системі менше матеріалу для роботи, ніж чистий запис. Витягнення звуку з відео не покращує сам звук — воно лише виокремлює те, що там уже було. Якщо джерело звучить погано, вам доведеться редагувати розшифровку, і жоден крок раніше в цьому процесі це не виправить.
І приймайте те, що частина відео просто не переживе цей перехід. Слайди, схеми, все написане на дошці, хто на що показував руками — усе це зникає, бо ви свідомо відмовились від картинки заради файлу, з яким можна працювати. Для розмови це нічого не втрачає. Для демонстрації чи презентації розшифровка — лише половина запису, і оригінальне відео варто зберегти поруч із нею.
