Коротко о главном (BLUF): «Кто когда говорил» разбирает запись по говорящим: определяет, кто именно и в какие минуты звучал, собирает реплики в диалог и умеет вести живые субтитры с микрофона. Всё считается прямо в браузере — файл никуда не загружается, токены не списываются.
Это разделение голосов (диаризация): по звуковой дорожке модель определяет границы реплик и отмечает каждую спикером — «Спикер 1», «Спикер 2» и так далее, до четырёх говорящих. Инструмент нужен везде, где после записи возникает вопрос «а это кто сказал?»: интервью, встречи, подкасты, лекции, разговорные диктофонные записи.
Если включить распознавание речи, к разделению добавляется текст: слова раскладываются по спикерам и складываются в читаемый диалог с метками времени. Такой расшифровкой удобно пользоваться сразу, а субтитры SRT/VTT с именами говорящих — подключать к видео.
Вторая вкладка — живые субтитры: включите микрофон, и фразы появляются на экране по ходу речи. Ничего не записывается и не отправляется: субтитры живут только на вашей странице.
Выберите аудио или видео файл (MP3, WAV, M4A, MP4, WebM и другие) и нажмите кнопку. Галочка «Также распознать речь» собирает диалог с текстом; если она снята, инструмент только разложит запись по говорящим — быстрее и без модели распознавания.
При первом запуске браузер один раз скачивает модели (около 380 МБ) и кеширует их у себя — следующие разборы начинаются сразу. Результат — таймлайн «кто и когда говорил» и, с распознаванием, готовый диалог. Его можно скопировать или выгрузить в TXT, SRT, VTT и JSON.
На вкладке «Микрофон» субтитры появляются по фразам, как в телетексте: законченная фраза уходит в список с меткой времени, новая фраза набирается следом. Это удобно для созвонов, лекций и перевода речи в текст на ходу.
Звук с микрофона идёт только в модель внутри браузера. Ни записи, ни загрузок на сервер нет — проверьте вкладку сети в инструментах разработчика, если хотите убедиться сами.
Модель различает до четырёх говорящих. Лучше всего она работает на записях с достаточно чистым звуком и явными сменами реплик: интервью и созвоны разбирает уверенно, запись из шумного зала с перебивками — хуже. Длинные записи обрабатываются окнами, поэтому минуты аудио не ломают разбор.
Точность расшифровки зависит от языка и качества звука. Модель распознавания обучена на английской речи: русский диалог в ней расшифровывается, но с бо́льшим числом ошибок, чем англоязычный. Для чисто текстовой расшифровки на многих языках рядом есть отдельный инструмент «Распознавание речи (бесплатно)».
Всё считается на вашем устройстве: файл не покидает компьютер, токены не списываются, аккаунт не нужен — инструмент работает гостю. WebGPU ускоряет разбор заметно; если браузер его не отдаёт, модели идут на процессор через WASM — медленнее, но работает.
Модели тяжёлые: для комфортной работы нужно около гигабайта памяти. Если страница зависла на слабом устройстве, попробуйте платную облачную модель или зайдите с помощщего компьютера.
Да. Модели и их веса загружаются в ваш браузер, а расчёт идёт на устройстве. Сам файл и результаты никуда не отправляются — у инструмента вообще нет серверного запроса с аудио.
При первом запуске браузер скачивает модели (около 380 МБ) и кеширует их. Следующие запуски берут веса из кеша и начинаются сразу.
Да. Диалог выгружается в TXT, SRT, VTT и JSON, и в каждой реплике субтитров стоит её спикер: «Спикер 1», «Спикер 2» и так далее.
До четырёх одновременно звучащих спикеров. Если в записи звучал только один человек, всё будет отнесено к «Спикеру 1».
Модели считают тяжёлые операции на видеокарте через WebGPU. Если браузер его не поддерживает, инструмент автоматически переходит на процессор (WASM) — корректно, но заметно медленнее.
«Распознавание речи» переводит запись в текст и субтитры без разделения по говорящим. «Кто когда говорил» дополнительно раскладывает реплики по спикерам и умеет вести живые субтитры с микрофона.