Инструмент Fish Audio для транскрибации подкастов преобразует аудио в текст с автоматическими тегами эмоций, метками спикеров и временными метками, а затем экспортирует результат в форматы SRT, VTT или JSON. Доступен бесплатный уровень. Навыки программирования не требуются.
Март 2026 г. | Fish Audio STT запущен и доступен по адресу fish.audio/app/speech-to-text
Каждый выпуск подкаста, который вы публикуете без транскрипта, — это упущенный трафик. Транскрипт делает ваш выпуск доступным для поиска в Google, позволяет создать описание выпуска (show notes) в один клик и автоматически генерировать субтитры для YouTube, вашего сайта или любых других платформ. Для аудитории с нарушениями слуха он также делает ваш контент доступным. Редакторы подкастов, медиа-команды и авторы на YouTube полагаются на транскрипты для создания SEO-контента, архивов с возможностью поиска и доступных страниц эпизодов. Большинство инструментов для транскрибации подкастов выдают сплошной массив текста и на этом останавливаются. Инструмент Fish Audio идет дальше: каждый транскрипт сопровождается автоматическими тегами эмоций и паралингвистических элементов, метками спикеров, временными метками и возможностью экспорта в три формата. Это руководство проведет вас через весь рабочий процесс, от загрузки до экспорта, примерно за три минуты.
Что делает инструмент для транскрибации подкастов хорошим?
Прежде чем выбрать инструмент, полезно знать, что именно вы оцениваете. Хороший сервис для транскрибации должен обеспечивать четыре вещи:
- Высокая точность транскрибации при работе с различными акцентами, качеством звука и условиями записи.
- Идентификация спикеров, чтобы вы могли отличить ведущего от гостя в тексте.
- Несколько форматов экспорта — как минимум SRT для видеосубтитров, а в идеале также VTT и JSON.
- Прозрачное и доступное ценообразование с бесплатным уровнем, который действительно можно использовать для полноценного эпизода.
Инструмент Fish Audio поддерживает более 100 языков, принимает 24 формата аудио и видео и автоматически расставляет теги эмоций и неречевых звуков прямо в тексте — без ручной аннотации. Модель преобразования речи в текст оптимизирована для разговорной речи и записей с участием нескольких человек, таких как подкасты, интервью и живые дискуссии. Вот как это работает на практике.
Как транскрибировать подкаст с Fish Audio — пошаговое руководство
Требуемое время: ~3 минуты Инструменты: Аудиофайл (MP3, MP4, WAV, M4A и др.) Результат: Размеченный транскрипт + файл субтитров, готовый к экспорту
Шаг 1 — Откройте Fish Audio STT
Перейдите на fish.audio/app/speech-to-text. Вы увидите историю своих задач — все предыдущие транскрибации с указанием имени файла, даты, статуса, потраченных кредитов и количества спикеров. Нажмите Create task (Создать задачу), чтобы начать новую транскрибацию.
Шаг 2 — Загрузите выпуск и укажите количество спикеров
В окне создания задачи загрузите аудио- или видеофайл. Fish Audio поддерживает все основные форматы — MP3, MP4, WAV, FLAC, M4A, OGG, MOV, AVI, WEBM и другие.
В поле number of speakers (количество спикеров) оставьте значение «Auto», если не уверены, сколько человек участвует в записи. Fish Audio определит спикеров автоматически. Если вы знаете точное количество — например, двое для стандартного формата «ведущий и гость» — вы можете установить его вручную для более точной разметки.
Перед подтверждением интерфейс покажет расчетную длительность, оплачиваемые минуты и примерное количество кредитов для этой задачи. Кредиты списываются только после нажатия кнопки Create task.
Шаг 3 — Проверьте транскрипт
После завершения задачи нажмите Open viewer (Открыть просмотрщик). Транскрипт отображается в трех колонках: SPK/TAGS (метка спикера), TIME (временной интервал) и TEXT (текст транскрипта с встроенными тегами).
Каждый сегмент имеет временную метку с точностью до секунды. Теги эмоций и паралингвистики отображаются как фиолетовые встроенные метки прямо в тексте — вы увидите такие обозначения, как [pause], [sigh], [emphasis] и [breath] именно в тот момент, когда они произошли в записи.
Нажмите на любой сегмент, чтобы воспроизвести этот фрагмент аудио прямо в браузере. Это позволяет легко проверить точность или прослушать конкретные моменты, не перематывая весь файл целиком.
Панель Controller справа показывает сводку: общую длительность, количество обнаруженных спикеров, количество сегментов и подтверждение того, что разделение голосов и тегирование аудиособытий включены.
Шаг 4 — Экспортируйте в нужном формате
Нажмите Export (Экспорт) в правом нижнем углу панели управления. Выберите формат и настройте параметры экспорта перед загрузкой.
Готовы транскрибировать свой первый выпуск? Запустите бесплатную задачу транскрибации →
Автоматические теги — что Fish Audio улавливает, а другие инструменты упускают
Именно здесь инструмент Fish Audio наиболее заметно отличается от альтернатив.
Когда кто-то вздыхает перед ответом на вопрос, смеется посреди фразы, делает паузу для акцента или делает слышимый вдох — стандартные инструменты транскрибации игнорируют все это. Вы получаете просто слова, очищенные от всего остального.
Fish Audio встраивает эти события в виде тегов в те самые моменты, когда они происходят. Эти теги генерируются автоматически — без ручной разметки и дополнительной обработки. На панели управления по умолчанию включена опция Tag audio events: On.
Что помечается тегами
Паралингвистика — невербальные звуки, сопровождающие речь.
Эмоции — аффективный тон подачи, считываемый из контекста и просодии.
Почему это важно для подкастеров
Для большинства рабочих процессов с подкастами теги служат трем практическим целям. Во-первых, они делают ваш транскрипт более полезным источником для описания выпуска (show notes) — текст, в котором отмечены [laugh] (смех) и [pause] (пауза), дает редактору более богатый материал для работы. Во-вторых, они ускоряют навигацию по длинным записям — вы можете быстро найти моменты с [sigh] (вздох) или [emphasis] (акцент), чтобы обнаружить эмоционально значимые части эпизода, не переслушивая всё. В-третьих, и это самое уникальное, эти теги совместимы с моделью TTS от Fish Audio — это означает, что транскрипт может быть напрямую возвращен в процесс голосового производства без переформатирования.
Хотите увидеть теги в действии? Загрузите свой первый аудиофайл →
Пояснение форматов экспорта — какой из них вам нужен?
Fish Audio STT поддерживает три формата экспорта. Выбор зависит от того, что вы планируете делать с транскриптом дальше.
SRT — правильный выбор для большинства подкастеров, распространяющих видеоконтент. Это самый поддерживаемый формат субтитров, совместимый с YouTube, Premiere Pro, Final Cut Pro и большинством видеоплатформ.
VTT (WebVTT) — это нативный веб-формат. Используйте его, если вы встраиваете видео на свой собственный сайт и вам нужна пословная синхронизация.
JSON выдает необработанные данные STT без преобразования в субтитры. Используйте его, если передаете транскрипт в другой инструмент или создаете собственное приложение.
Параметры экспорта
При экспорте в SRT или VTT у вас есть четыре дополнительные настройки:
- Include tags (Включить теги) — сохраняет события в скобках, такие как
[pause]и[sigh], в файле субтитров. Выключите это для «чистых» субтитров; оставьте включенным, если хотите сохранить выразительные метаданные. - Include speaker (Включить спикера) — добавляет префикс с меткой обнаруженного спикера (SPK_0, SPK_1) к каждой реплике. Полезно для эпизодов с несколькими участниками.
- Punctuation (Пунктуация) — сохраняет знаки препинания в экспортируемом тексте. Отключите для получения чистого потока токенов, если планируете дальнейшую обработку.
- Split mode (Режим разделения) — выберите между Segment (сохраняет существующие границы STT) или Max words (перегруппировывает реплики по количеству слов, пунктуации и смене спикеров). Режим Max words с ограничением в 7 слов на реплику обычно дает более читаемые субтитры для быстрой речи.
Обнаружение спикеров — как отличить ведущего от гостя
Для интервью и панельных дискуссий обнаружение спикеров — одна из самых полезных функций. Fish Audio автоматически разделяет голоса в многопользовательских записях. Каждый сегмент в просмотрщике помечен как SPK_0, SPK_1 и так далее, что соответствует разным голосам, обнаруженным в аудио.
При создании задачи вы можете либо оставить number of speakers в режиме Auto, либо задать его вручную. Установка точного числа обычно дает более четкие границы реплик, особенно в записях, где один спикер говорит значительно тише другого.
При экспорте включение опции Include speaker добавляет метку спикера в качестве префикса к каждой реплике. Это упрощает поиск, редактирование или переформатирование транскриптов по участникам — удобно, если вы выбираете цитаты для описания выпуска или редактируете транскрипт до ключевых диалогов.
Примечание: обнаружение спикеров и помеченные метками транскрипты доступны в веб-интерфейсе Fish Audio. Метки спикеров сохраняются при экспорте в форматах SRT, VTT и JSON, если включена опция Include speaker.
Сколько стоит транскрибация подкаста?
Fish Audio STT тарифицируется по минутам обработанного аудио по ставке 300 кредитов за минуту.
Бесплатные аккаунты получают 8 000 кредитов в месяц — этого достаточно примерно для 26 минут аудио. Это покроет короткий эпизод или несколько фрагментов интервью.
Веб-интерфейс показывает точное расчетное количество кредитов перед подтверждением задачи, так что сюрпризов не будет.
Для команд или крупномасштабного производства платные тарифы включают большие пакеты кредитов. См. полную структуру цен на fish.audio/plan/.
Транскрибируйте свой следующий выпуск за считанные минуты. Начните транскрибировать бесплатно →
Fish Audio в сравнении с другими инструментами транскрибации подкастов
Многие подкастеры, ищущие лучший инструмент для транскрибации, приходят к выводу, что выбор зависит от того, нужны ли им просто текстовые транскрипты или более богатые метаданные, такие как теги эмоций и экспорт в разные форматы. Вот как Fish Audio соотносится с другими популярными вариантами:
Данные взяты с Otter.ai, Happy Scribe и Adobe Podcast по состоянию на март 2026 г.
Большинство инструментов для транскрибации подкастов фокусируются на выдаче простого текстового результата. Fish Audio — один из немногих, кто встраивает теги эмоций и паралингвистики прямо в транскрипт, и один из немногих инструментов, который связывает транскрибацию с процессом голосового производства через интеграцию со Studio.
Если вам нужен чистый текст для описания выпуска или SEO-контента, подойдет любой из этих инструментов. Если же вам нужны размеченные транскрипты, экспорт в несколько форматов или путь от транскрипта к созданию голоса, Fish Audio является наиболее полным вариантом.
Что дальше — от транскрипта к Studio
Размеченный транскрипт — это больше, чем просто документ. Это сценарий, который уже знает, как он должен звучать.
Теги, которые Fish Audio встраивает в ваш транскрипт — [calm, reflective], [breath], [determined], [pause] — используют тот же формат, что и модель S2 TTS от Fish Audio. Это означает, что транскрипт может напрямую поступать в пайплайн генерации голоса без какого-либо переформатирования.
Fish Audio Studio развивает эту идею. В Studio размеченные сценарии становятся полностью редактируемыми голосовыми проектами: вы можете редактировать по главам, менять голосовые модели, настраивать подачу на уровне отдельных слов и создавать многодорожечное аудио — при этом все выразительные метаданные из вашей оригинальной записи сохраняются.
Прямой импорт из STT в Studio — функция, которая появится в ближайшее время. Формат транскрипта уже совместим — теги в вашем выводе STT такие же, как теги, которые читает Studio. Импорт станет доступен в один шаг сразу после запуска функции.
Начните транскрибировать подкаст бесплатно → — или изучите Fish Audio Studio, если вы готовы к производству.
Материалы по теме:
Sabrina is part of Fish Audio's support and marketing team, helping users get the most out of AI voice products while turning launches, updates, and customer insights into clear, practical content.
Читать больше от Sabrina Shu
