Как извлечь текст из видео — вопрос с тремя разными ответами, и правильный зависит от того, откуда этот текст брать. Слова говорящего есть только в звуковой дорожке. Субтитры к чужому ролику уже лежат на площадке готовым текстом. Надписи на слайде — часть картинки, и звука за ними нет вовсе. Инструменты для этих случаев не совпадают, поэтому первым делом стоит понять, за каким текстом вы пришли.
Речь: расшифровка звуковой дорожки
Самый частый случай. Человек говорит, на экране при этом ничего не написано, а нужны его слова. Программа слушает дорожку и печатает то, что услышала.
Час записи обрабатывается примерно за 10–12 минут — около пятой части длительности ролика. На выходе получается сплошной текст с таймкодами: абзацев по смыслу в нём нет, имена говорящих не проставлены. Для черновика, поиска цитаты или пересказа этого хватает. Документ из такого текста собирают уже руками.
Ролик с YouTube качать необязательно: сервисы расшифровки обычно принимают ссылку и достают дорожку сами. Свой файл идёт как есть, видеоформаты вроде mp4 и mov разбираются наравне с аудио.
В Video2Text это Telegram-бот @vid2text_bot: отправляете файл MP4, MOV, MP3, WAV, OGG или M4A размером до 500 МБ либо ссылку на ролик и получаете текст. Базовый тариф работает с записями до двух часов, первые обработки бесплатны и без регистрации. Про ссылки на YouTube есть отдельный разбор — транскрибация ютуб-видео.
Субтитры: готовый текст лежит под роликом
Если ролик лежит на YouTube, сначала загляните под описание: там бывает кнопка «Показать расшифровку видео». Она открывает сбоку панель со всем текстом ролика и временными метками. Метки отключаются в меню самой панели, после чего текст выделяется и копируется целиком.
Субтитры бывают двух видов, и текст у них разного качества. Те, что автор загрузил сам, набраны человеком: со знаками препинания, заглавными буквами и правильными фамилиями. Автоматические распознаны машиной прямо на площадке — они идут одним потоком строчных букв без точек и запятых, а имена, названия компаний и технические термины в них перевраны. Цитировать такой текст без сверки со звуком нельзя: одна перепутанная фамилия в цитате стоит дороже сэкономленных десяти минут.
Субтитров может не оказаться вовсе. Автор их отключил, язык ролика площадкой не поддерживается, запись лежит не на YouTube, а в облаке или на диске. В этом случае вы возвращаетесь к первому пункту и расшифровываете звук.
Надписи в кадре: снимок экрана и распознавание
Слайд с цифрами, схема, титры, адрес на визитке в кадре — этого текста в звуковой дорожке нет, и расшифровка до него не доберётся. Здесь работает распознавание изображения.
Порядок простой. Ставите ролик на паузу на нужном кадре, переключаете качество на максимальное, разворачиваете на весь экран и снимаете кадр: Win+Shift+S в Windows, Cmd+Shift+4 на Mac, боковые кнопки на телефоне. Потом отправляете картинку на распознавание текста и получаете содержимое слайда текстом.
Два момента портят результат чаще всего. Первый — качество воспроизведения: мелкий шрифт в таблице на 360p размазан уже на экране, и распознавать там нечего. Второй — съёмка монитора телефоном: на фотографии появляются блики, рябь от пикселей экрана и наклон строк, из-за которых буквы читаются с ошибками. Снимок средствами системы этих проблем лишён.
Как довести расшифровку до читаемого вида: 20–40 минут на час записи
Расшифровка приходит одним куском на несколько тысяч слов, и читать её в таком виде тяжело. Сначала текст делят на абзацы по темам и подписывают, кто где говорит. Потом вычитывают — на час чистой записи уходит 20–40 минут, и это та часть, которую машина за вас не сделает.
Если текст нужен для цитат, держите таймкоды до самого конца. Спорное место проверяется за пятнадцать секунд: открыли запись на нужной отметке, послушали, поправили. Без таймкодов поиск того же места по часовой записи занимает несколько минут.
Когда из ролика нужны субтитры для своего канала, расшифровка сохраняется файлом SRT — он подхватывается и YouTube, и видеоредактором.
Как выбрать за минуту
- Слышно голос, нужны слова — расшифровка звуковой дорожки.
- Ролик на YouTube, хватает приблизительного текста — панель расшифровки под описанием.
- Текст написан на экране — снимок кадра и распознавание картинки.
Время в этой задаче теряют обычно на неподходящем инструменте: расшифровывают звук ради надписи на слайде или перепечатывают вручную субтитры, которые лежат готовыми под описанием ролика.