Нейросеть для субтитров: 4 шага и замер точности на минуте речи

Файл или текст прямо в кадре: что вам вообще нужно

Развилка одна, и она решает половину работы. Либо субтитры лежат отдельным файлом рядом с видео, либо нарисованы прямо на картинке.

Отдельный файл - это .srt: номер реплики, время начала и конца, строка текста. Его понимают площадки и редакторы, зритель может субтитры выключить, а вы - поправить опечатку в блокноте за десять секунд, не пересобирая видео. Это рабочий вариант для длинных записей: лекция, разбор, вебинар, запись созвона.

Текст в кадре (его называют вшитыми субтитрами) нужен там, где видео смотрят в ленте с выключенным звуком и никто не полезет в настройки. Выключить такие субтитры нельзя, поправить - только пересобрав ролик. Зато они видны всегда и везде.

Хорошая новость: начало у обоих путей одинаковое. Сначала вы получаете текст с таймингами, и только потом решаете - оставить файлом или запечь в картинку. Поэтому дальше я разбираю первую, общую часть: откуда берётся текст и как довести его до состояния, когда его приятно читать.

Четыре шага от звука до готовых субтитров

Это тот порядок, которым я пользуюсь сам. На первую минуту уйдёт минут десять, дальше - по три-четыре минуты на ролик, потому что запросы уже готовы и лежат под рукой.

1. Шаг 1. Снять с видео текст и таймингиРаспознавание речи выдаёт не только слова, но и время каждой фразы - это и есть каркас субтитров. Чем распознать бесплатно, разбираю ниже отдельным разделом: от площадки, куда вы и так грузите видео, до бесплатной программы на компьютер. Результат шага - сырой текст, в котором уже видно, какая фраза на какой секунде.
2. Шаг 2. Вычитать имена, цифры и терминыСырую расшифровку нельзя ставить в кадр: в ней ломаются ровно те слова, которые вы не хотели бы испортить. Вычитку можно отдать бесплатному чату - запрос ниже, - но спорные места всё равно слушать самому. Результат шага - текст, который совпадает с тем, что человек слышит.
3. Шаг 3. Нарезать на строки под телефонСырые реплики распознавалки длинные: у меня вышло в среднем по 40 знаков, самая длинная - 57. На телефоне это три строки поверх картинки. Нарезку чат делает хорошо: строки до 32 знаков, максимум две на реплику, без разрыва словосочетаний. Результат шага - короткие строки, которые успеваешь прочитать.
4. Шаг 4. Собрать файл .srt и проверить его на телефонеТекст берём из шага 3, а время - только из шага 1, не из чата. Готовый файл прогоняем проверочным запросом на брак: строки длиннее нормы, нулевая длительность, наложения. И обязательно смотрим ролик глазами с телефона: на мониторе всё читается, а на экране в руке - нет.

Запросы для шагов 2, 3 и 4 - ниже, их можно скопировать как есть и подставить свой текст.

Вычитка: как не дать чату переписать вашу речь

Главная ловушка этого шага: чат любит «улучшать» текст. Начинает переписывать фразы, выкидывать повторы, приглаживать - и субтитры расходятся с голосом, что видно и неприятно. Поэтому запрет на переписывание ставим прямо в запросе.

В ответ придёт исправленный текст и список правок. Список - самое ценное: по нему вы переслушиваете три-четыре секунды записи вместо всей минуты. Если правок нет совсем - проверьте имена сами, именно они ломаются чаще всего.

Нарезка строк - единственное, где чат силён без оговорок

Здесь машина правда лучше человека: она не ленится считать знаки и видит, где фраза ломается по смыслу, а где распадается.

Проверьте в ответе две вещи: нет ли строк длиннее 32 знаков и не склеились ли две мысли в одну реплику. И сразу уберите служебные фразы вроде «готово» или «вот ваши субтитры», если они просочились в список: такая строка потом всплывает в кадре.

Что правда выходит у бесплатной распознавалки: мой замер на 46 секундах

Я не люблю формулировки «нейросеть почти не ошибается», поэтому замерил. Взял дорожку из своего ролика - 46 секунд, текст которого знаю до запятой, потому что сам его писал. Прогнал бесплатной моделью распознавания речи на обычном процессоре, без видеокарты, и сравнил результат со сценарием слово в слово.

Две трети длительности на счёт - это важная цифра для планирования: минута речи превращается в текст примерно за сорок секунд, десять минут лекции - за шесть-семь минут. Можно поставить и уйти пить чай.

А вот сами ошибки интереснее точности. Они не случайные:

Отсюда правило вычитки: не перечитывайте всё подряд, проверяйте имена, числа и профессиональные слова. Остальное распознавание делает лучше, чем вы ожидаете.

Второй опыт - для тех, кто пишет видео на телефон в неидеальных условиях. Я испортил ту же дорожку специально: сузил полосу до телефонной, убавил громкость и подмешал ровный шум. Разница оказалась смешной - восемь расхождений против семи, слов столько же. То есть глухой микрофон и ровный фон распознаванию почти не мешают, ломают его имена и термины. Честная оговорка: это ровный шум, а не гулкая комната с эхом, не улица и не два голоса, перебивающих друг друга, - там будет хуже.

И третья цифра, из-за которой сырой файл нельзя класть в видео: распознавание отдало 24 реплики, в среднем по 40,4 знака, самая длинная - 57 знаков. Восемнадцать реплик из двадцати четырёх оказались длиннее 32 знаков. Поверх вертикального видео это три строки, закрывающие треть кадра.

Почему таймкоды нельзя просить у чат-нейросети

Соблазн понятный: у вас уже есть текст, чат рядом, попросите сразу готовый .srt - и дело сделано. Я попросил. Отдал ГигаЧату ту же сырую расшифровку, сказал длительность ролика - 46 секунд - и правило «строки не длиннее 32 знаков».

С текстом он справился на отлично: 43 строки, ни одной длиннее 32 знаков, самая длинная - 28. А таймкоды он не вычислил, а поделил: нарезал 46 секунд на равные куски по 2,76 секунды и разложил реплики по ним. Сравнение с настоящими таймингами из распознавания:

Первые две реплики почти в точку - именно поэтому ошибку легко не заметить, если проверять начало ролика. Дальше текст уезжает: в среднем на четыре секунды, к концу - на восемь. Зритель видит строку, которую вы произнесли две фразы назад.

И отдельный сюрприз в конце файла. Пять последних реплик чат поставил с нулевой длительностью: начало 00:00:46,000, конец 00:00:46,000. Такая строка на экране не появляется вообще - то есть концовка ролика, где как раз был призыв, осталась бы вообще без субтитров. Заодно он уложил в файл служебную строку из моего запроса, оформив её как двадцать вторую реплику.

Вывод, который экономит вечер: текст - чату, тайминги - распознавалке. Если очень хочется, чтобы файл собрала машина, попросите чат выдать только строки, а время подставьте из расшифровки, где оно уже стоит.

Сколько ошибок вычитка нейросетью правда исправляет

Тот же сырой текст я отдал на вычитку с запретом переписывать - примерно тем запросом, что выше. В расшифровке было четыре типа ошибок. Разбор получился показательный.

Одна правка из четырёх, одна выдумка. Это не повод не пользоваться вычиткой - она экономит время на знаках препинания и названиях. Это повод не ставить субтитры в ролик, не перечитав список правок. Особенно цифры: число в кадре читают внимательнее любого слова, и ошибка в нём бьёт по доверию сильнее всего.

Чем распознать бесплатно, если вы не программист

Четыре честных пути. Я не буду говорить «берите вот этот», потому что выбор зависит от того, где живёт ваше видео.

1. Площадка, куда вы и так грузите видео. Самый дешёвый по усилиям путь: загрузили - получили автосубтитры. У YouTube это штатная функция, русский язык в списке поддерживаемых, а его собственная справка (читал 17 октября 2026-го) прямо предупреждает: качество бывает разным, субтитры рекомендуется проверять и править. Плюс - ничего не надо устанавливать, текст можно выгрузить файлом в студии. Минус - сначала видео должно попасть на площадку.

2. Бесплатная программа на компьютер. Subtitle Edit - открытая бесплатная программа для Windows, в ней есть и распознавание речи, и редактор строк, и экспорт в .srt. Свежий выпуск 5.3.0 от 14 октября 2026-го - проект живой, не заброшенный. Минус один: придётся один раз разобраться с настройками распознавания, зато дальше всё работает на вашем компьютере и ничего никуда не уезжает.

3. Приложение на телефоне. Распознало, вшило текст в кадр, сохранило - две минуты и ролик готов. Минусы у бесплатных версий стандартные: лимит на число роликов в месяц, водяной знак и неудобная правка текста. И вопрос, который стоит задать до установки: кому уезжает ваше видео. Когда я спросил про бесплатные пути ГигаЧат, он среди прочего предложил небольшое приложение из RuStore - оно действительно существует (рейтинг 5,0 по 128 оценкам, до тысячи установок), но это как раз случай, когда ролик с вашим лицом и голосом отправляется на сервер незнакомого разработчика.

4. Онлайн-сервисы. Их много, они красивые, и бесплатно там обычно «попробовать»: распознать дадут, а скачать без водяного знака - по подписке. Проверять лимиты надо на странице тарифов, а не в ответе нейросети. Из пяти ссылок, которые выдал мне ГигаЧат, четыре открылись, а ссылка на загрузку одного популярного редактора отдала 404. Про другой сервис он уверенно написал «три бесплатных видео в месяц» - на странице тарифов 17 октября самый дешёвый тариф стоил 19 долларов в месяц, а бесплатного в списке не было вовсе.

Это общее правило для любых разговоров про бесплатное: цена и лимит живут отдельно. Модель помнит цену из прошлогоднего обзора, а сервис тем тише меняет именно лимит - сколько минут, сколько роликов, остаётся ли водяной знак.

Последняя проверка перед тем, как класть субтитры в ролик

Последний шаг перед тем, как класть субтитры в ролик. Этот запрос ищет механический брак - то, что глазами в длинном файле не видно.

Отдельно попросите список всех чисел и имён из файла - его быстро пробежать глазами и сверить с тем, что вы действительно говорили.

Из той же расшифровки выходит текст под ролик

У вас на руках точная расшифровка того, что вы сказали. Это готовое сырьё для описания к видео и для текстового поста - писать заново ничего не надо.

Третий пункт - самый полезный: в устной речи половина обещаний проглатывается, и список недоговорённого сразу даёт тему для следующего ролика.

Правила, по которым субтитры читаются, а не мешают

Это мои рабочие рамки - то, что я проверяю в своих роликах перед выкладкой. Они простые, но дают всю разницу между «удобно» и «раздражает».

• Не длиннее 32 знаков в строке - на узком экране это одна строка, а не две
• Максимум две строки на реплику, иначе текст закрывает картинку
• Реплика живёт от полутора до четырёх секунд: короче - не успеваешь, дольше - висит мёртвым грузом
• Не разрывать словосочетание и не оставлять предлог в конце строки
• Числа и имена писать так, как произносите: «тридцать второй» или «32» - как в голосе
• Держать текст подальше от краёв кадра и от зоны, где площадка рисует свои кнопки
• Проверять на телефоне в руке, а не на большом мониторе
• Первая реплика начинается там, где начинается речь, а не на нулевой секунде
• Последняя реплика исчезает вместе со словом, а не через две секунды тишины

Если задача не в субтитрах, а в том, чтобы превратить запись разговора или голосового в текст, который ищется, - про это нейросеть для транскрибации. Если видео чужое и на другом языке - перевод видео нейросетью, там же про перевод готовых субтитров без потери таймкодов. А чтобы из длинной записи получить короткий конспект, забирайте бесплатный гайд как сжать длинное видео в конспект и проверить его. Те же субтитры внутри полного монтажа, вместе с паузами и нарезкой: подробный разбор.

Нужна ли подписка, чтобы сделать субтитры нейросетью?

Нет. Текст и тайминги отдают бесплатные пути: площадка, куда вы грузите видео, бесплатная программа на компьютер или бесплатный чат для правки строк. Деньги начинаются там, где хочется красивых анимированных титров и экспорта без водяного знака - это обычно платная подписка онлайн-сервиса.

Сколько времени уходит на минуту видео?

Сам счёт быстрый: в моём прогоне 46 секунд звука распознались за 30,7 секунды на обычном процессоре, без видеокарты. Время съедает не машина, а вычитка: имена, цифры и термины надо проверить ушами. На первую минуту закладывайте минут десять, дальше быстрее.

Можно ли просто попросить чат-нейросеть сделать субтитры к видео?

Текст она разрежет на строки хорошо, а таймкоды выдумает. В моём прогоне ГигаЧат поделил 46 секунд на равные куски по 2,76 секунды: расхождение с реальной речью дошло до 8,16 секунды, а последние пять реплик получили нулевую длительность и на экране не появились бы вообще.

Что такое файл .srt и чем его открыть?

Это обычный текстовый файл: номер реплики, время начала и конца, одна-две строки текста. Открывается блокнотом, правится руками, подхватывается площадками и видеоредакторами. Если субтитры съехали на секунду - это правится прямо в нём.

Телефон или компьютер - где делать субтитры?

Телефонное приложение быстрее: распознало, вшило текст в кадр, сохранило. Но у бесплатных версий лимит на число роликов и водяной знак, а правки текста неудобны. Компьютер даёт файл .srt, который остаётся у вас и годится для любой площадки.

Почему субтитры съезжают от речи?

Почти всегда потому, что тайминги взяты не из звука. Равные куски по две-три секунды сначала выглядят прилично, а к концу минуты уезжают на несколько секунд. Тайминги должны приходить от распознавания речи, текст можно править сколько угодно - время реплик при этом не трогать.