Как быстро собрать полезный инструмент: транскрибатор видео с помощью вайб‑кодинга

[GorkyUser]

Как с качеством транскрибации? Какая модель транскрибировала?
У меня недавно стояла задача транскрибировать 2,5 часа научного собрания. Попробовал 2 варианта: локальный Whisper и сайт speech2text.

Скачал Whisper и опробовал на аудиозаписи детской сказки с профессиональным голосом. Ну не очень - что слышит то и транскрибирует, например, "што" вместо "что". Тайминг есть, разбивки по спикерам нет. Не удовлетворен.

Пошел на speech2text, прогнал бесплатно ту же сказку - идеально. Прогнал 2,5 часа собрания - идеально, несмотря на то, что качество звука было на среднем уровне. Есть и тайминг, и скиперы. Правда, пришлось заплатить 500 руб. за 6 часов в месяц, но оно того стоит, если нужно быстро и качественно.

[AleksandrBiriukov]

Пока тестирую. По моим кейсам результат в целом хороший, я бы даже сказал, что доволен)

Согласен, качество транскрибации может проседать, особенно если нужна аккуратная стенограмма и разбивка по спикерам.

Пока мой максимум из того, что пробовал, — встреча примерно на 50 минут с 3 спикерами. Для моего сценария этого хватает: получить черновик, глазами его поправить и передать программисту для выполнения задачи. В моём случае важно не дословно всё расшифровать, а нормально вытащить договоренности, задачи и открытые вопросы.

Спасибо за комментарий и совет, speech2text тоже попробую сравнить.