Hang átírása ChatGPT-vel: működik? És mit tud a Gemini?

Igen, a ChatGPT át tud írni hangot szöveggé, de csak fizetős csomagban és csak hangfájlokból: az OpenAI súgóközpontja szerint az ingyenes csomagban nincs hangfeltöltés, a videofájlok és a YouTube-linkek pedig nem támogatottak hangforrásként. A Google Gemini szintén át tudja írni a feltöltött hangot, ingyenes fiókkal összesen 10 perces korláttal, a fizetős Google AI csomagokkal legfeljebb 3 óráig. A hang átírása ChatGPT-vel hosszú felvételeknél, interjúknál vagy bárminél, amihez időbélyeg és beszélőcímke kell, kevésbé megbízható: ilyenkor egy erre szolgáló átíróeszköz a jobb első lépés, a csevegőasszisztenst pedig utána, az összefoglalókhoz érdemes használni.

Ez az útmutató bemutatja, mit tud ténylegesen kezdeni a két asszisztens a hanggal, a videóval és a YouTube-linkekkel 2026 októberi állapot szerint, hol vannak a korlátok, és milyen munkamenet ötvözi mindkét oldal erősségeit. Az MI-termékek gyorsan változnak, ezért az alább hivatkozott súgóoldalakon ellenőrizze az aktuális részleteket.

Át tud írni hangot szöveggé a ChatGPT?

A ChatGPT háromféleképpen kezeli a beszédet, és ezeket gyakran összekeverik.

1. Hangfájl feltöltése

Az OpenAI fájlok és hang ChatGPT-be való feltöltéséről szóló cikke szerint egy hangfelvételt csatolhat a beszélgetéshez, és kérheti a ChatGPT-t, hogy írja át, foglalja össze, vagy válaszoljon kérdésekre vele kapcsolatban. Az oldal fő tényei, 2026 októberében ellenőrizve:

• Csomagok: a hangfeltöltés a fizetős ChatGPT-előfizetésekben és munkaterületeken érhető el, az Enterprise-t is beleértve. Az ingyenes csomagban nem.
• Formátumok: WAV, MP3, OGG, FLAC, AAC, M4A, PCM, valamint csak hangot tartalmazó WebM vagy MP4. A fájlnak érvényes hangsávot kell tartalmaznia.
• Méret: a hangfájlok legfeljebb 512 MB-osak lehetnek.
• Hossz: nincs rögzített időkorlát, de az OpenAI szerint a hosszabb felvételeket szakaszokban dolgozhatja fel, a feldolgozás a lehetőségekhez mérten történik, és a nagyon hosszú felvételeknél időtúllépés léphet fel.
• Minőség: az OpenAI kijelenti, hogy az átiratok hibákat tartalmazhatnak, a beszélők azonosítása megbízhatatlan lehet, és a teljesítmény nyelvenként eltér.

2. ChatGPT Record

A ChatGPT Record élőben rögzít egy megbeszélést, ötletelést vagy hangjegyzetet, átírja, és canvas formájában jegyzeteket készít belőle. Az OpenAI súgóoldala szerint a Plus, Pro, Business, Enterprise és Edu csomagokban, kizárólag a macOS asztali alkalmazásban érhető el. A munkamenetek legfeljebb 4 órásak lehetnek, a hangot az átírás után törlik, és a Record angolul működik a legjobban. Több beszélőt is címkézni tud („Speaker 1”), és ezeket átnevezheti. A Record arra való, hogy valamit most rögzítsen; egy már meglévő fájlt nem ír át.

3. Diktálás

Az üzenetmező mikrofon ikonja a hangalapú diktálás: a beszédét egy üzenetté írja át, amelyet küldés előtt szerkeszthet. Hasznos, ha gépelés helyett beszélne, de nem alkalmas egy meglévő felvétel átírására, és fájlt sem lehet belé megbízhatóan lejátszani.

Át tud alakítani videót szöveggé a ChatGPT?

Közvetlenül nem. Az OpenAI feltöltési útmutatója nem sorol fel videoformátumokat, és azt írja, hogy a videóként azonosított WebM és MP4 fájlokat nem fogadja el hangfeltöltésként. Ha egy MP4 vagy MOV fájlból szeretne szöveget, két lehetősége van:

1. Előbb nyerje ki a hangot egy konverterrel vagy videószerkesztővel, mentse MP3 vagy M4A formátumban, és ezt töltse fel a ChatGPT-be (fizetős csomagban).
2. Használjon videót is elfogadó átíróeszközt, például az Audiotexta videóból szöveg eszközét, amely változtatás nélkül fogadja a videofájlt, és időbélyeges átiratot ad vissza.

A második út feliratfájlokat (SRT, VTT) is ad, amelyeket a ChatGPT nem állít elő szabványos kimenetként.

Át tud írni a ChatGPT egy YouTube-videót?

Általában nem, és ezt kérdezik a legtöbben. Ha beilleszt egy YouTube-linket, a ChatGPT nem tudja lejátszani a videót, és nem tudja letölteni a hangját. Bekapcsolt webes kereséssel elolvashatja az oldalon lévő szöveget, például a címet vagy a leírást, és ebből összefoglalhatja, miről szólhat szerinte a videó. Ez az összefoglaló magabiztosan hangozhat, miközben nagyon kevés információn alapul, ezért kezelje óvatosan. A cikk írásakor az OpenAI súgóközpontjában nincs olyan cikk, amely a YouTube-linkek támogatását írná le.

Ami megbízhatóan működik: előbb szerezze meg az átiratot, és a szöveget adja a ChatGPT-nek.

• Másolja ki a YouTube saját átiratpaneljéből, ha a videónak van felirata (lásd: hogyan nézheti meg a YouTube-átiratot).
• Vagy illessze be a linket egy olyan eszközbe, amely a hangot írja át; ez felirat nélküli videóknál is működik. A YouTube-videó szöveggé alakításáról szóló útmutatónk összehasonlítja a lehetőségeket.

Át tudja írni a Google (Gemini) a hangot szöveggé?

Igen. A Google fájlok feltöltéséről és elemzéséről a Gemini alkalmazásokban szóló súgóoldala a hangot, a videót és a dokumentumokat is lefedi. 2026 októberi állapot szerint ezt írja:

• Be kell jelentkeznie. Egy kéréshez legfeljebb 10 fájl adható hozzá.
• Hang: a hang teljes hossza legfeljebb 10 perc, Google AI Pro vagy Google AI Ultra csomaggal legfeljebb 3 óra.
• Videó: egy videó legfeljebb 2 GB lehet, a teljes hossz legfeljebb 5 perc, a fizetős csomagokkal 1 óra.
• A többi fájl egyenként legfeljebb 100 MB lehet.

A Gemini tehát a ChatGPT-vel ellentétben elfogad videofájlokat, és ingyenes fiókkal is fogad hangot, a 10 perces teljes kereten belül. A Google dokumentációja nem ígér szó szerinti átiratformátumot, időbélyegeket vagy beszélőcímkéket, ezért ezeket kifejezetten kérje a promptban, és ellenőrizze az eredményt. Magyar nyelvű felvételnél érdemes azt is megadni, hogy az átirat magyarul, fordítás nélkül készüljön.

A Gemininek a YouTube-bal kapcsolatban is van előnye: a Google YouTube-tartalmakról a Gemini alkalmazásokban szóló cikke leírja, hogyan kérheti meg a Geminit, hogy a YouTube nyilvános információi alapján keressen meg és foglaljon össze egy videót. Ez egy összefoglalóhoz hasznos, de nem azonos egy teljes, ellenőrizhető átirattal.

A Google Workspace felhasználói számára a Google Drive-ban futó Gemini a Google Workspace-bejelentései szerint a jogosult Workspace- és Google AI-csomagokban össze tudja foglalni a Drive-ban tárolt videókat, és kérdésekre is válaszol velük kapcsolatban. Maga a Google Docs élő diktáláshoz kínál hangalapú gépelést, feltöltött fájlok átírásához nem. A csomagok és az elérhetőség kiadásonként és nyelvenként eltérnek, ezért kérdezze meg a rendszergazdáját.

ChatGPT, Gemini vagy egy erre szolgáló átíróeszköz

A korlátokat 2026 októberében a szolgáltatók súgóoldalain ellenőriztük.

Az asszisztensek egyértelműen jobbak a beszélgetésben: további kérdések feltevésében, egy összefoglaló e-maillé írásában, egy szakasz elmagyarázásában. Az erre szolgáló eszközök magában az átiratban jobbak.

Gyakorlati korlátok, amelyeket feltöltés előtt érdemes ismerni

Hossz és méret

Az általános csevegőasszisztensek a hosszú felvételekkel küzdenek a legjobban. A ChatGPT szakaszokra bonthatja a hosszú hangot, és időtúllépés is előfordulhat; a Gemini kérésenként korlátozza a teljes hosszt. Egy egyórás előadás mindkettő fizetős csomagjába belefér, egy egész napos workshop viszont nem.

Hiányzó időbélyegek és beszélők

Egy olyan átirathoz, amelyet idézni, feliratozni vagy elemezni szeretne, kattintható időbélyegek és megbízható beszélőcímkék kellenek. A csevegőasszisztensek nem erre épülnek. Ha mégis időbélyegeket kér, mielőtt számítana rájuk, ellenőrizzen néhányat a felvételen.

Hiányok és kitalált szöveg

Minden beszédfelismerő rendszer félrehallhat szavakat. Az MI-modelleknél sajátos kockázat a hihetőnek hangzó, de soha el nem hangzott szöveg, különösen csendes szakaszokban, zenénél vagy egymásba vágó beszédnél, és amikor egy csevegőmodell „rendbe teszi” a hosszú átiratot, szó szerinti leírás helyett rövidíthet vagy átfogalmazhat. Kérjen szó szerinti átiratot, és a fontos részeket szúrópróbaszerűen ellenőrizze. A tiszta hang minden rendszernek segít: mikrofononként egy beszélő, kevés háttérzaj, és ne legyen zene a beszéd alatt.

Adatvédelmi és tanítási beállítások

Hogy mi történik a felvételével, az a terméktől és a beállításaitól függ:

• ChatGPT: a magánfelhasználói csomagokban az OpenAI felhasználhatja a tartalmat a modelljei fejlesztésére, ha az „Improve the model for everyone” (a modell fejlesztése mindenki számára) be van kapcsolva; ezt a Data Controls (adatvezérlők) alatt kikapcsolhatja, és a hangfelvételekhez külön kapcsoló tartozik. Az OpenAI szerint az üzleti ajánlatain, például a ChatGPT Enterprise-on alapértelmezés szerint nem tanít.
• Gemini: bekapcsolt Keep Activity (tevékenység megőrzése) mellett a Google adatvédelmi központja szerint egyes beszélgetéseket emberek is átnézhetnek a szolgáltatásai fejlesztéséhez; a Keep Activity kikapcsolható, de több Gemini funkció, köztük a YouTube-integráció és a Drive-feltöltés, igényli.

Interjúknál, betegekkel folytatott beszélgetéseknél vagy ügyfélhívásoknál előbb ellenőrizze ezeket a beállításokat, kérjen hozzájárulást minden rögzített személytől, és ha az EU-ban dolgozik, olvassa el a GDPR-ról és az átírásról szóló útmutatónkat.

A működő munkamenet: előbb átírás, aztán az asszisztens

A csevegőasszisztensek kiválóan dolgoznak szöveggel, átírómotorként viszont kevésbé megbízhatók. Ha kettéosztja a feladatot, mindkettő erősségét kihasználja:

1. Írassa át egy beszédfelismerő eszközzel. Használja az Audiotextát a webalkalmazásban (töltsön fel egy fájlt, illesszen be egy linket, vagy rögzítsen a mikrofonról), vagy futtassa helyben a Whispert, ha mindent a saját gépén szeretne tartani. A Whisper és a felhős beszédfelismerő API-k összehasonlítása elmagyarázza a kompromisszumokat.
2. Nézze át az átiratot. Javítsa a neveket és a szakszavakat, nevezze át a beszélőket, és minden idézni kívánt részt vessen össze a hanggal.
3. Exportálja szövegként. A TXT (ingyenes) vagy a Markdown (Pro) illeszthető be a legkönnyebben egy csevegésbe.
4. Illessze be a ChatGPT-be vagy a Geminibe, és kérje, amire szüksége van: „Foglald össze ezt az interjút öt pontban”, „Sorold fel az összes döntést és a felelősüket”, „Írj egy követő e-mailt”. Mivel az asszisztens most már teljes szövegből dolgozik, a válaszában szereplő minden állítást ellenőrizhet egy időbélyeg alapján.

Az Audiotexta a Pro csomagban magát az összefoglalási lépést is el tudja végezni (összefoglaló, fejezetek, kulcspontok, döntések és teendők), és a tartalmát nem használja modellek tanítására. Azt a kombinációt használja, amelyik Önnek beválik; a lényeg, hogy egy teljes, ellenőrizhető átiratból induljon ki.