ChatGPT: расшифровка аудио в текст — и что умеет Gemini

Да, ChatGPT умеет расшифровывать аудио в текст, но только на платных тарифах и только из аудиофайлов: в справке OpenAI сказано, что загрузка аудио недоступна на бесплатном тарифе, а видеофайлы и ссылки на YouTube как источник звука не поддерживаются. Gemini от Google тоже расшифровывает загруженное аудио — с общим лимитом 10 минут на бесплатных аккаунтах и до 3 часов на платных тарифах Google AI. Для длинных записей, интервью и всего, где нужны таймкоды и метки спикеров, надёжнее начать со специального сервиса транскрибации, а чат-ассистента подключать потом — для кратких содержаний.

В этом руководстве — что каждый ассистент на самом деле делает с аудио, видео и ссылками на YouTube по состоянию на октябрь 2026 года, где проходят ограничения и как совместить сильные стороны обоих. ИИ-продукты быстро меняются, поэтому актуальные детали проверяйте на страницах справки по ссылкам ниже.

Отдельно о доступности. По сообщениям СМИ, на момент написания ChatGPT и Gemini официально не работают в России, а оплатить их подписки с российской карты бывает непросто. Если вы в Казахстане, Беларуси или другой стране, проверьте актуальный список поддерживаемых регионов на сайтах OpenAI и Google. Сервис транскрибации, доступный из вашей страны, в любом случае закрывает самую трудоёмкую часть работы — сам текст.

Может ли ChatGPT расшифровать аудио в текст?

ChatGPT работает с речью тремя разными способами, и их часто путают.

1. Загрузка аудиофайла

В статье OpenAI о загрузке файлов и аудио в ChatGPT сказано, что к беседе можно прикрепить аудиозапись и попросить ChatGPT расшифровать её, кратко пересказать или ответить на вопросы по ней. Главное с этой страницы (проверено в октябре 2026 года):

• Тарифы: загрузка аудио доступна в платных подписках и рабочих пространствах ChatGPT, включая Enterprise. На бесплатном тарифе её нет.
• Форматы: WAV, MP3, OGG, FLAC, AAC, M4A, PCM, а также WebM или MP4, если в них только аудио. В файле должна быть корректная аудиодорожка.
• Размер: аудиофайлы до 512 МБ.
• Длительность: фиксированного лимита нет, но OpenAI предупреждает, что длинные записи могут обрабатываться частями, обработка идёт по принципу «как получится», а очень длинные записи могут прерваться по тайм-ауту.
• Качество: по словам OpenAI, в расшифровках возможны ошибки, определение спикеров может быть ненадёжным, а качество различается в зависимости от языка.

2. ChatGPT Record

ChatGPT Record записывает встречу, мозговой штурм или голосовую заметку вживую, расшифровывает её и создаёт заметки в canvas. По данным справки OpenAI, функция доступна на тарифах Plus, Pro, Business, Enterprise и Edu и только в десктопном приложении для macOS. Сессия ограничена 4 часами, аудио удаляется после расшифровки, а лучше всего Record работает на английском. Он умеет размечать нескольких спикеров («Speaker 1») и переименовывать их. Record нужен, чтобы зафиксировать то, что происходит сейчас; готовый файл он не расшифровывает.

3. Диктовка

Значок микрофона в поле ввода — это голосовая диктовка: ваша речь превращается в сообщение, которое можно отредактировать перед отправкой. Удобно, чтобы говорить вместо того, чтобы печатать, но расшифровать уже готовую запись так нельзя, и надёжно «проиграть» в неё файл тоже не получится.

Может ли ChatGPT перевести видео в текст?

Напрямую — нет. В инструкции OpenAI по загрузке нет видеоформатов, и там сказано, что файлы WebM и MP4, распознанные как видео, как аудио не принимаются. Если вам нужен текст из файла MP4 или MOV, есть два варианта:

1. Сначала извлечь звук конвертером или видеоредактором, сохранить его в MP3 или M4A и загрузить в ChatGPT (на платном тарифе).
2. Воспользоваться сервисом транскрибации, который принимает видео, например инструментом Audiotexta «видео в текст»: он берёт видеофайл как есть и возвращает расшифровку с таймкодами.

Второй путь заодно даёт файлы субтитров (SRT, VTT), которые ChatGPT в стандартном виде не выдаёт.

Может ли ChatGPT расшифровать видео с YouTube?

Как правило, нет, и это самый частый вопрос. Когда вы вставляете ссылку на YouTube, ChatGPT не может воспроизвести видео или скачать его звук. С включённым веб-поиском он, возможно, прочитает текст на странице — название или описание — и перескажет, о чём, по его мнению, видео. Такой пересказ может звучать уверенно, но опираться почти ни на что, так что относитесь к нему осторожно. На момент написания в справке OpenAI нет статьи о поддержке ссылок на YouTube.

Надёжно работает другое: сначала получить расшифровку и дать ChatGPT текст.

• Скопируйте её из панели расшифровки на самом YouTube, если у видео есть субтитры (см. как посмотреть текст видео на YouTube).
• Или вставьте ссылку в сервис, который расшифровывает звук, — это работает и с видео без субтитров. В нашем руководстве о том, как получить текст из видео YouTube, сравниваются варианты.

Может ли Google (Gemini) расшифровать аудио в текст?

Да. Справка Google о загрузке и анализе файлов в приложениях Gemini охватывает аудио, видео и документы. По состоянию на октябрь 2026 года там сказано:

• Нужно войти в аккаунт. В один запрос можно добавить до 10 файлов.
• Аудио: общая длительность до 10 минут или до 3 часов с Google AI Pro или Google AI Ultra.
• Видео: каждое видео до 2 ГБ, общая длительность до 5 минут или до 1 часа на платных тарифах.
• Остальные файлы — до 100 МБ каждый.

Значит, Gemini, в отличие от ChatGPT, принимает видеофайлы, а аудио — даже на бесплатном аккаунте, в пределах тех самых 10 минут. При этом документация Google не обещает дословного формата расшифровки, таймкодов или меток спикеров, так что прямо просите о них в запросе и проверяйте результат.

У Gemini есть и преимущество с YouTube: в статье Google о контенте YouTube в приложениях Gemini описано, как попросить Gemini найти видео и кратко его пересказать на основе публичной информации YouTube. Для краткого содержания это полезно, но это не то же самое, что полная расшифровка, которую можно проверить.

Для пользователей Google Workspace, согласно анонсам Google, Gemini в Google Диске на подходящих тарифах Workspace и Google AI умеет кратко пересказывать видео, хранящиеся на Диске, и отвечать на вопросы по ним. Сами Google Документы предлагают голосовой ввод для живой диктовки, а не расшифровку загруженных файлов. Тарифы и доступность зависят от редакции, языка и страны, так что уточняйте у администратора.

ChatGPT, Gemini или специальный сервис транскрибации

Лимиты проверены на страницах справки сервисов в октябре 2026 года.

Ассистенты явно сильнее в диалоге: ответить на уточняющие вопросы, переписать итоги в письмо, объяснить фрагмент. Специальные сервисы сильнее в самой расшифровке.

Практические ограничения, о которых стоит знать до загрузки

Длительность и размер

Длинные записи — главное слабое место универсальных чат-ассистентов. ChatGPT может делить длинное аудио на части и прерываться по тайм-ауту; Gemini ограничивает общую длительность на запрос. Часовая лекция поместится на платных тарифах обоих, а запись целого дня семинара — нет.

Нет таймкодов и спикеров

Расшифровке, которую вы собираетесь цитировать, превращать в субтитры или анализировать, нужны кликабельные таймкоды и метки спикеров, которым можно доверять. Чат-ассистенты не построены вокруг этого. Если всё же просите таймкоды, проверьте несколько из них по записи, прежде чем на них полагаться.

Пропуски и выдуманный текст

Любая система распознавания речи может ослышаться. Особый риск ИИ-моделей — правдоподобный текст, которого никто не произносил, особенно на паузах, музыке и при одновременной речи; а когда чат-модель «причёсывает» длинную расшифровку, она может сократить или пересказать её вместо дословной записи. Просите дословную расшифровку и выборочно проверяйте важные фрагменты. Чистый звук помогает любой системе: один говорящий на микрофон, минимум фонового шума и никакой музыки под речью.

Конфиденциальность и настройки обучения

Что будет с вашей записью, зависит от продукта и настроек:

• ChatGPT: на потребительских тарифах OpenAI может использовать контент для улучшения моделей, если включён параметр «Improve the model for everyone»; его можно отключить в Data Controls, а для аудиозаписей есть отдельный переключатель. OpenAI сообщает, что по умолчанию не обучает модели на данных бизнес-продуктов вроде ChatGPT Enterprise.
• Gemini: при включённой настройке Keep Activity (сохранение истории действий), как сказано в центре конфиденциальности Google, некоторые беседы могут просматривать люди для улучшения сервисов; эту настройку можно выключить, но ряд функций Gemini, включая интеграцию с YouTube и загрузку с Диска, без неё не работает.

Для интервью, разговоров с пациентами и звонков клиентов сначала проверьте эти настройки, получите согласие всех, кого записываете, и прочитайте наше руководство о GDPR и транскрибации, если работаете в ЕС; в России дополнительно учитывайте 152-ФЗ и правила передачи персональных данных за рубеж.

Рабочая схема: сначала расшифровка, потом ассистент

Чат-ассистенты отлично работают с текстом и не так надёжны в роли движка транскрибации. Если разделить задачу, сильные стороны обоих сработают:

1. Расшифруйте запись сервисом распознавания речи. Используйте Audiotexta в веб-приложении — загрузите файл, вставьте ссылку или запишите с микрофона — или запустите Whisper локально, если хотите, чтобы всё оставалось на вашем компьютере. Наше сравнение Whisper и облачных API распознавания речи объясняет, чем приходится жертвовать в каждом случае.
2. Проверьте расшифровку. Исправьте имена и термины, переименуйте спикеров и сверьте с аудио все фрагменты, которые будете цитировать.
3. Выгрузите её текстом. TXT (бесплатно) или Markdown (на Pro) проще всего вставить в чат.
4. Вставьте текст в ChatGPT или Gemini и попросите то, что нужно: «Кратко перескажи это интервью в пяти пунктах», «Перечисли все решения и ответственных», «Напиши черновик письма по итогам». Теперь ассистент работает с полным текстом, и любое утверждение в его ответе можно проверить по таймкоду.

Audiotexta может выполнить и шаг с кратким содержанием сама на тарифе Pro (сводка, главы, ключевые моменты, решения и задачи) — без использования вашего контента для обучения моделей. Выбирайте любую комбинацию; главное — начинать с полной расшифровки, которую можно проверить.