Как перевести аудио видео в текст бесплатно: собрал Telegram-бота за ночь на Whisper и YandexGP
Три минуты голосового сообщения ради десяти секунд сути. Знакомо? Меня это достало, и я сделал бота, который решает проблему раз и навсегда. Пересылаешь ему голосовое, видео или кружочек — получаешь готовый текст и краткое саммари. Без подписок, без ограничений, без необходимости добавлять его в админы чатов.
Почему существующие решения не работают
Пробовал разные варианты перевода аудио в текст онлайн:
- Платные сервисы — быстро заканчиваются лимиты или просят карту за каждую минуту
- Бесплатные боты — требуют права администратора в группах, что не всегда возможно
- Мобильные приложения — нужно экспортировать файлы, это долго и неудобно
Нужно было простое решение: скинул файл — получил текст. Без промежуточных шагов.
Что умеет бот
Переводит голосовые и видео в текстРаботает с любыми форматами, которые отправляют в Telegram:
- Голосовые сообщения
- Видео-сообщения и кружочки
- Обычные видеофайлы
- Аудио в MP3 и других форматах
Сценарий один: пересылаешь сообщение боту, он отвечает расшифровкой. Можно использовать в личных сообщениях или добавить в рабочий чат — не требует админских прав.Делает саммари и выделяет задачиПосле распознавания бот прогоняет текст через YandexGPT. На выходе:
- Короткое резюме о чём речь
- Выделенные задачи, сроки и договорённости списком
- Убрана вода, разговорный мусор и паузы
Особенно полезно для голосовых от руководителей и записей созвонов — не нужно слушать пять минут, чтобы понять, что от вас требуется.
Как устроен под капотом
Распознавание: OpenAI WhisperЛокальная модель, работает без внешних API. Загружается один раз при старте, потом обрабатывает файлы мгновенно. Настроена на русский язык, работает на обычном процессоре без видеокарты.Преимущества локального подхода:
- Аудио не уходит на сторонние серверы — полная приватность
- Не платишь за каждую минуту распознавания
- Нет сетевых задержек и ограничений по запросам
Обработка смысла: YandexGPTТекст после распознавания уходит в API YandexGPT с системным промптом, который превращает бота в делового ассистента. Низкая температура даёт стабильный предсказуемый результат без галлюцинаций.
Пример работы
Пользователь пересылает видео или голосовое длиной три минуты. Бот отвечает:Файл получен, начинаю обработку...Через 10-15 секунд: Расшифровка: [полный текст, можно скопировать] Суть: Договорились с клиентом о созвоне в пятницу, нужно подготовить презентацию по слайдам 3-5. Дедлайн — четверг к 18:00.Задачи:
- Подготовить презентацию
- Согласовать с дизайнером
- Отправить клиенту до 18:00 четверга
Вместо трёх минут прослушивания — десять секунд на прочтение.
Зачем это нужно
Лично меня бесили голосовые, где половина времени — это «ну короче», «типа» и паузы. Хотелось иметь текст, который можно:
- Быстро пробежать глазами
- Скопировать в заметки или таск-менеджер
- Переслать коллеге без необходимости пересказывать
Бот живёт в рабочих чатах уже несколько недель. По статистике поисковых запросов, эта проблема актуальна для тысяч людей каждый месяц — только запросы про перевод аудио в текст набирают более восьми тысяч показов.
Что дальше
Если тема зайдёт — напишу про деплой на недорогом сервере, реальную стоимость обработки минуты аудио и ограничения, с которыми столкнулся (длина сообщений, таймауты Telegram, лимиты API).
Ссылка на бота: Briefly2026_bot
Канал автора: https://vk.com/hihichpockcode