/
/
База знаний

Насколько точно нейросеть расшифровывает русскую речь: проверяем лекцию, разговор и шумную запись

Насколько точно нейросеть расшифровывает русскую речь: лекция, разговор двух людей и шумная запись. Как считать ошибки, где они бывают и как их найти. Пример на Буквице.
Команда Буквицы
Опубликовано: 16.11.2026
8 минут

Точность транскрибации русской речи зависит прежде всего от звука: чем чище запись, тем меньше ошибок. Мы проверили Буквицу на трёх типах записей и посчитали ошибки в каждой:

  • лекция с одним голосом и чистым звуком — 3 ошибки на 2 413 слов, точность около 99,9%;
  • разговор двух людей — около 20 ошибок на 8 330 слов, точность около 99,8%;
  • разговор на фоне громкого шума — около 6 ошибок на 240 слов, точность около 97,5%.

Ошибки почти всегда в одних и тех же местах: имена, термины, числа и короткие реплики на стыке голосов. Поэтому весь текст перепроверять не нужно — достаточно сверить эти места по записи.

Сейчас кто-то скажет: «Машина наврёт, лучше сам перепишу». Доверяй, но проверяй — так мы и сделали. Дальше по порядку: как считают точность, где нейросеть ошибается чаще всего, что показала каждая проверка и как проверить свою запись за 20 минут.

Боярин диктует грамоту у открытого окна, под окном шумит базар и играет гусляр
Проверить точность на своей записи

3 расшифровки в месяц бесплатно

Как считают точность транскрибации

Точность считают от обратного: сначала находят ошибки. Для этого нужен эталон — тот же фрагмент, набранный человеком без ошибок. Затем расшифровку сравнивают с эталоном слово за словом и считают три вида ошибок:

  • замена — сервис написал другое слово: «Ратибор» вместо «Ратмир»;
  • пропуск — слово было, а в тексте его нет;
  • вставка — в тексте лишнее слово, которого не было.

Сумму ошибок делят на число слов в эталоне. Получается доля ошибок, по-английски WER (word error rate). Точность — это 100% минус доля ошибок.

Пример расчёта. В эталоне 300 слов. Сервис заменил 4 слова, пропустил 1 и вставил 1. Ошибок 6. Доля ошибок — 6 из 300, то есть 2%. Точность — 98%.

Отсюда понятно, что значит «99,5%»: пять ошибок на тысячу слов. Час разговора — это 7–9 тысяч слов. Даже при 99,5% в часовой записи останется 35–45 ошибок. Поэтому важные места всё равно проверяют.

Чем чище звук, тем точнее текст. Как это выглядит на настоящих записях, мы проверили ниже.

Где нейросеть ошибается чаще всего

ЧтоПочему ошибаетсяЧто делать
Имена и фамилииМодель знает частые слова и подставляет похожееПопросить назвать имя по буквам; сверить по записи
Термины и аббревиатурыРедкие слова звучат как частыеПроверить глоссарий после расшифровки
Числа, даты, суммы«Пятнадцать» и «пятьдесят» близки по звукуСверить каждое число по записи
Речь хоромДва голоса сливаются в одну строкуДоговориться не перебивать
Шум, эхо, музыкаГолос тонет в фонеМикрофон ближе к говорящему
Иностранные вставкиРаспознаётся один язык за разПроверить английские слова в тексте

Отдельно о словах-паразитах. Полная расшифровка Буквицы их не убирает — для этого есть отдельная кнопка «Улучшить с ИИ». Паузы в тексте не отмечаются: для исследования, где паузы тоже данные, сверяйте такие места по записи.

Проверка 1. Лекции: чистый звук, один голос

Что взяли. Две записи с одним голосом и хорошим звуком: лекцию «Психология обучения» с YouTube на 20 минут 21 секунду и трёхчасовой стрим о правилах русского языка для ЕГЭ. Лекцию отправили по ссылке, стрим загрузили одним файлом.

Что получили. Лекция расшифровалась за 16 секунд, стрим — за 3 минуты. В обоих случаях — полный текст, умный и интерактивный конспекты.

Что распознано хорошо. Фамилии учёных — Пашлер, Рорер, Бьорк, — термины и длинные рассуждения без провалов.

Как считали. Эталона, набранного вручную, у нас нет, поэтому считали проще. Лекцию прогнали ещё через два сервиса и сверили три текста между собой: каждое расхождение проверили по смыслу и написанию фамилий. В стриме вычитали 10 410 слов из 24 793.

Сколько ошибок. В лекции — 3 ошибки на 2 413 слов, например «киноэстетик» вместо «кинестетик». В стриме — 115 ошибок на 10 410 проверенных слов: сервис спотыкался на продиктованных вслух вариантах «зато» и «за то» и на редких терминах.

ПоказательЛекция и стрим
Длина фрагментаЛекция — 20 мин 21 с, 2 413 слов; стрим — 3 ч 19 мин, проверили 10 410 слов из 24 793
ОшибокЛекция — 3; стрим — 115
Доля ошибок (WER)Лекция — около 0,1% (точность около 99,9%); стрим — около 1,1% (около 98,9%)
Ошибки в именах и терминахЛекция — 1 («киноэстетик»); стрим — редкие термины и «зато» / «за то»
ИсходникЛекция — «Психология обучения» на YouTube; стрим — «Вся база для ЕГЭ» на YouTube

Проверка 2. Разговор двух людей: кто что сказал

Что взяли. Открытую демонстрационную сессию психолога с YouTube: 1 час 15 минут живого разговора, 8 330 слов. Загрузили с разделением по говорящим. Подробно тест описан в статье о транскрибации для психолога.

Что проверяем отдельно. В разговоре важно не только какие слова, но и кто их сказал. Поэтому считаем ещё одну ошибку — реплику, отданную не тому говорящему. Разделение по говорящим работает на платном тарифе.

Что получили. Около 20 ошибок по смыслу на 8 330 слов, почти все — в упражнениях, где психолог говорит тихо: «дух и выдох» вместо «вдох и выдох». Клиентку нейросеть подписала по имени, психолога — «Спикер 1»: она не представилась. 38 коротких отрезков из 1 130 получили технические метки вместо имён, а несколько фраз психолога попали к клиентке.

ПоказательРазговор двух людей
Длина фрагмента1 ч 15 мин, 8 330 слов
ОшибокОколо 20 по смыслу
Доля ошибок (WER)Около 0,2% (ошибки по смыслу, без ручного эталона)
Реплики не тому говорящемуНесколько фраз в упражнениях; 38 из 1 130 коротких отрезков — с техническими метками
Что попало в умный конспектПротокол по этапам; местами предположения клиентки поданы как факты

Проверка 3. Шумная запись: разговор на фоне гула голосов

Что взяли. Диалог двух человек на 2 минуты 7 секунд — отрывок интервью с YouTube. Мы сами наложили на него шум: гул голосов и шипение. Речь громче шума всего на 10 дБ — как в людном кафе.

Чего ждать. Здесь ошибок будет больше всего, и это нормально. Важно другое: видно ли по тексту, где запись была неразборчивой, и можно ли быстро найти эти места по тайм-коду.

Что получили. Буквица расшифровала разговор целиком, без провалов, разделила говорящих и сама подписала героиню по отчеству из разговора. Сбилась она в нескольких местах — на названиях и редких словах: «Ергуеме Демидова» вместо «ЯрГУ имени Демидова». Одна короткая реплика интервьюера ушла героине. Тайм-код у каждой реплики помогает найти такие места за секунды. Совет простой: имена, названия и цифры в шумной записи сверяйте на слух.

ПоказательШумная запись
Длина фрагмента2 мин 7 с, около 240 слов, два голоса; речь громче шума на 10 дБ
ОшибокОколо 6 по смыслу
Доля ошибок (WER)Около 2,5% (ошибки по смыслу, без ручного эталона)
Ошибки в именах и терминах«Ергуеме Демидова» вместо «ЯрГУ имени Демидова»; названия города и ресторана — сверять на слух
Реплики не тому говорящемуОдна короткая реплика интервьюера ушла героине
Ошибка в шумной записи: купцу Добромиру отправили бочку пирожков с калиной вместо бочки мёда

Три записи рядом: что меняется от звука

Лекция: около одной ошибки на тысячу слов, в трёхчасовом стриме с терминами — около одиннадцати. Разговор двух людей: две-три ошибки на тысячу слов по смыслу, плюс путаница говорящих в коротких репликах. Шумная запись: около 25 ошибок на тысячу слов, в основном в названиях и редких словах, но текст без провалов. Вывод простой: чем чище звук и привычнее слова, тем меньше правок, а имена, термины и цифры стоит сверять всегда.

Главное, что мы увидели: на любой записи ошибки собираются в одних и тех же местах — имена, термины, тихие и короткие реплики. Хороший микрофон даёт больше, чем смена нейросети.

Как проверить точность самому за 20 минут

  1. Выберите фрагмент на 2–3 минуты. Лучше с именами и цифрами.
  2. Наберите его вручную без ошибок. Это эталон.
  3. Расшифруйте ту же запись в сервисе.
  4. Сравните тексты. Удобно вставить их в любой онлайн-сравниватель текстов.
  5. Посчитайте замены, пропуски и вставки.
  6. Разделите сумму на число слов эталона.

Если сравниваете сервисы, берите одну и ту же запись. Иначе вы сравните микрофоны, а не нейросети.

Как повысить точность расшифровки

  • Держите микрофон ближе к говорящему, чем к шуму.
  • Записывайте созвон в самой программе, а не диктофоном у динамика.
  • Уберите фоновую музыку.
  • Договоритесь не говорить одновременно.
  • Перед загрузкой выберите язык записи.
  • Имена, числа и термины сверяйте по записи: плеер проигрывает её синхронно с текстом, а клик по абзацу переносит к нужному месту.
Точность транскрибации выше, если закрыть окно и положить телефон ближе к говорящему

Частые вопросы

Насколько точна автоматическая расшифровка русской речи?

На чистой записи с одним спикером — пара ошибок на тысячу слов. В разговоре нескольких людей и на шумной записи ошибок больше. Точная цифра зависит от записи, поэтому проверяйте на своём материале.

Что значит точность 99,5%?

Пять ошибок на тысячу слов. В часовой записи это 35–45 слов, которые стоит проверить. Чем чище звук, тем точнее текст.

Можно ли использовать расшифровку без проверки?

Для заметок и конспекта — да. Для цитат, договоров и публикаций — нет: имена, суммы и сроки сверяйте по записи.

Почему нейросеть путает имена?

Она подбирает самое вероятное слово по звуку. Редкое имя похоже на частое — и подставляется частое. Помогает, если имя прозвучит чётко и по буквам.

Что точнее: человек или нейросеть?

На хорошем звуке разница небольшая, а нейросеть быстрее и дешевле. Человек нужен для суда, где требуется заверенная стенограмма, для очень плохого звука и для разговора, где пятеро говорят разом.

Влияет ли формат файла на точность?

Почти нет. Важнее, насколько разборчива речь. Повышать битрейт у MP3 бесполезно: потерянные детали не вернутся. Подробнее — в статье MP3 в текст.

Вывод

Нейросеть расшифровывает русскую речь хорошо, если её хорошо слышно. Ошибки предсказуемы: имена, числа, термины, речь хором и шум. Поэтому самый быстрый путь — расшифровать автоматически и сверить по записи только эти места.

Семь раз проверять не нужно — достаточно один раз сверить имена, цифры и термины. Остальное нейросеть уже записала за вас.

Расшифровать свою запись

И проверить точность на своём материале