Разметка аудио и транскрибация речи
Транскрибация звонков, интервью и подкастов, диаризация спикеров, таймстемпы и разметка речевых датасетов для ASR/TTS. Точность подтверждаем на пилоте, данные хранятся в РФ, записи защищены NDA. Первую партию расшифровываем бесплатно.
Какие типы транскрибации и разметки аудио мы делаем?
Мы закрываем весь цикл работы с речью: дословную (verbatim) и литературную (clean) транскрибацию звонков, интервью и подкастов, диаризацию спикеров, таймстемпы на уровне слов, разметку эмоций и фоновых событий, а также подготовку парных датасетов «аудио — текст» для обучения ASR и синтеза TTS. Под ваш проект подберём формат разметки, язык и уровень детализации.
Verbatim-транскрибация
Дословная расшифровка со словами-паразитами, повторами и паузами.
Clean-транскрибация
Литературная расшифровка без оговорок и слов-паразитов, удобна для чтения.
Диаризация спикеров
Разделение записи на реплики по говорящим с метками Speaker 1/2/3.
Таймстемпы
Привязка реплик или отдельных слов к точному времени в записи.
Эмоции и интонации
Разметка тона, эмоциональной окраски и невербальных сигналов речи.
Разметка событий
Фоновые звуки, музыка, шум, тишина, наложение реплик друг на друга.
Датасеты ASR
Пары «аудио — текст» для обучения распознавания речи.
Датасеты TTS
Фонетическая и интонационная разметка для синтеза речи.
Как проходит проект транскрибации и разметки аудио?
Процесс занимает от нескольких дней и начинается с бесплатного пилота: на тестовой партии записей мы согласуем гайдлайн по спикерам, терминологии, формату (verbatim или clean) и таймстемпам ещё до старта основного объёма. Затем масштабируем транскрибацию силами команды с двойной проверкой и консенсусом по спорным фрагментам, а на приёмке сверяем точность по метрике WER.
В каких форматах и инструментах вы работаете?
Принимаем аудио в форматах WAV, MP3, MP4 и M4A, а видеозвонки — с выделением дорожки. Готовую транскрибацию и разметку отдаём в JSON, TextGrid (Praat), SRT/VTT, CSV или DOCX — под ваш пайплайн обучения ASR, анализа звонков или подготовки субтитров. Работаем в CVAT, Label Studio, ELAN, Praat или на нашей собственной платформе.
Как вы гарантируете точность транскрибации?
Точность транскрибации и разметки речи мы измеряем численно, а не декларируем: считаем метрику word error rate (WER) на контрольной выборке, каждую расшифровку сверяет второй транскрибатор, а неразборчивые фрагменты и спорные реплики проходят консенсус нескольких специалистов. Целевые метрики фиксируем в SLA до старта, записи хранятся в РФ по 152-ФЗ под NDA.
Двойная проверка
Каждую расшифровку сверяет второй транскрибатор.
Метрика WER
Считаем word error rate на контрольной выборке записей.
Консенсус по спорным местам
Неразборчивые фрагменты и спорные реплики размечают несколько специалистов.
SLA по точности
Целевая точность транскрибации и диаризации закрепляется договором.
Данные в РФ
Хранение и обработка записей — на инфраструктуре в РФ, 152-ФЗ, ISO 27001.
NDA на записи
Конфиденциальность звонков и переговоров закрепляем соглашением.
Сколько стоит транскрибация и разметка аудио?
Стоимость начинается от 320 ₽ за час записи и зависит от числа спикеров, качества звука, языка, формата (verbatim или clean) и требуемой детализации разметки — таймстемпов, диаризации, эмоций. Ориентировочно это 5–6 ₽ за минуту; калькулятор ниже даёт быструю прикидку, а точную смету зафиксируем в договоре после бесплатного пилота на вашей тестовой партии.
Для каких отраслей делаем транскрибацию и разметку аудио?
Работа с речью востребована везде, где важно фиксировать разговоры, обучать голосовых ассистентов или анализировать качество коммуникации: финтех размечает звонки колл-центров для комплаенса, медицина — диктовки и приёмы врачей, ритейл оценивает клиентский сервис, а разработчики ASR и TTS собирают речевые датасеты. Специфику вашей отрасли и требования к разметке разберём на брифе.
Пример проекта
Транскрибация и диаризация звонков колл-центра банка
Расшифровали и разметили 4 000 часов записей звонков с разделением по спикерам и таймстемпами за 4 недели. Точность транскрибации — 97%, выгрузка в JSON с разметкой скриптов и эмоциональной окраски.
Ключевые факты
Частые вопросы о транскрибации и разметке аудио
Сколько стоит транскрибация аудио за минуту?
Стоимость начинается от 320 ₽ за час записи — ориентировочно 5–6 ₽ за минуту. Итог зависит от числа спикеров, качества звука и формата: verbatim или clean. Точную смету даём после бесплатного пилота.
Какая точность у транскрибации?
Целевая точность — от 95% по SLA, для чистых записей с одним спикером — выше. Точность измеряем метрикой word error rate (WER) на контрольной выборке и фиксируем в договоре.
Что такое диаризация спикеров?
Диаризация — это разделение аудиозаписи на реплики по говорящим без обязательного распознавания личности: каждой реплике присваивается метка Speaker 1, Speaker 2 и так далее по порядку вступления в разговор.
В каких форматах вы принимаете и отдаёте аудио?
Принимаем WAV, MP3, MP4, M4A. Отдаём транскрибацию и разметку в JSON, TextGrid, SRT/VTT, CSV или DOCX — под ваш пайплайн обучения ASR или анализа звонков.
Работаете с русским языком и другими языками?
Да, основной язык — русский, включая акценты и региональные особенности речи. Также беремся за английский и другие языки — состав команды под вашу задачу обсудим на брифе.
Подписываете NDA на записи звонков?
Да. Конфиденциальность записей и расшифровок закрепляем соглашением NDA, данные хранятся на инфраструктуре в РФ по 152-ФЗ и удаляются по завершении проекта по вашему запросу.
Расшифруем вашу тестовую партию записей бесплатно
Пришлите пример аудио и задачу — вернёмся с гайдлайном, сроком и сметой в течение 1 рабочего дня.
Оставить заявку на пилот