Чи може ChatGPT транскрибувати аудіо в текст? А Gemini?

Так, ChatGPT може транскрибувати аудіо в текст, але лише на платних тарифах і лише з аудіофайлів: довідковий центр OpenAI зазначає, що завантаження аудіо недоступне на безкоштовному тарифі, а відеофайли й посилання YouTube як джерела аудіо не підтримуються. Gemini від Google теж транскрибує завантажене аудіо — із загальним лімітом 10 хвилин на безкоштовних облікових записах і до 3 годин на платних тарифах Google AI. Для довгих записів, інтерв'ю чи всього, де потрібні часові мітки й позначки спікерів, надійнішим першим кроком залишається спеціалізований сервіс транскрибування, а чат-асистента краще використовувати потім — для підсумків.

У посібнику розбираємо, що кожен асистент реально вміє робити з аудіо, відео й посиланнями YouTube станом на жовтень 2026 року, де межі і як поєднати сильні сторони обох підходів. ШІ-продукти змінюються швидко, тож актуальні подробиці перевіряйте на сторінках довідки, посилання на які наведено нижче.

Чи може ChatGPT транскрибувати аудіо в текст?

ChatGPT працює з мовленням трьома різними способами, і їх часто плутають.

1. Завантаження аудіофайлу

Стаття OpenAI про завантаження файлів і аудіо в ChatGPT пояснює, що до розмови можна прикріпити аудіозапис і попросити ChatGPT транскрибувати його, підсумувати або відповісти на запитання щодо нього. Ключові факти з цієї сторінки, перевірені в жовтні 2026 року:

• Тарифи: завантаження аудіо доступне в платних підписках і робочих просторах ChatGPT, зокрема Enterprise. На безкоштовному тарифі його немає.
• Формати: WAV, MP3, OGG, FLAC, AAC, M4A, PCM, а також WebM чи MP4, що містять лише аудіо. Файл повинен мати коректну аудіодоріжку.
• Розмір: аудіофайли до 512 МБ.
• Тривалість: фіксованого ліміту немає, але OpenAI зазначає, що довші записи можуть оброблятися частинами, обробка відбувається за принципом «наскільки вийде», а дуже довгі записи можуть перевищити час очікування.
• Якість: OpenAI попереджає, що транскрипти можуть містити помилки, визначення спікерів може бути ненадійним, а якість різниться залежно від мови.

2. ChatGPT Record

ChatGPT Record записує нараду, мозковий штурм чи голосову нотатку наживо, транскрибує їх і створює нотатки у вигляді canvas. За сторінкою довідки OpenAI, функція доступна на тарифах Plus, Pro, Business, Enterprise і Edu і лише в настільному застосунку для macOS. Сесії обмежено 4 годинами, аудіо видаляється після транскрибування, а найкраще Record працює англійською. Він може позначати кількох спікерів («Speaker 1») і дозволяє їх перейменувати. Record призначений для фіксації того, що відбувається зараз; файл, який у вас уже є, він не транскрибує.

3. Диктування

Значок мікрофона в полі повідомлення — це голосове диктування: ваше мовлення перетворюється на повідомлення, яке можна відредагувати перед надсиланням. Це зручно, щоб говорити замість друкувати, але транскрибувати так наявний запис не вийде, і надійно «програти» в нього файл теж не можна.

Чи може ChatGPT перетворити відео на текст?

Напряму — ні. У посібнику OpenAI із завантаження немає відеоформатів, і там зазначено, що файли WebM і MP4, розпізнані як відео, не приймаються як аудіо. Якщо потрібен текст із файлу MP4 чи MOV, є два варіанти:

1. Спершу витягти аудіо конвертером чи відеоредактором, зберегти його як MP3 або M4A й завантажити в ChatGPT (на платному тарифі).
2. Скористатися сервісом транскрибування, що приймає відео, наприклад інструментом Audiotexta «відео в текст», який бере відеофайл як є й повертає транскрипт із часовими мітками.

Другий шлях дає ще й файли субтитрів (SRT, VTT), яких ChatGPT стандартно не створює.

Чи може ChatGPT транскрибувати відео YouTube?

Загалом ні, і саме це запитання ставлять найчастіше. Коли ви вставляєте посилання на YouTube, ChatGPT не може відтворити відео чи завантажити його аудіо. З увімкненим вебпошуком він може прочитати текст на сторінці, як-от назву чи опис, і потім підсумувати те, про що, на його думку, відео. Такий підсумок може звучати впевнено, хоча спирається на дуже мало, тож ставтеся до нього обережно. На момент написання в довідковому центрі OpenAI немає статті про підтримку посилань YouTube.

Надійно працює інше: спершу отримати транскрипт і дати ChatGPT текст.

• Скопіюйте його з панелі транскрипції самого YouTube, якщо відео має субтитри (див. як переглянути транскрипцію на YouTube).
• Або вставте посилання в сервіс, який транскрибує аудіо, — це працює й для відео без субтитрів. Наш посібник про те, як перетворити відео YouTube на текст, порівнює варіанти.

Чи може Google (Gemini) перетворити аудіо на текст?

Так. Сторінка довідки Google про завантаження й аналіз файлів у застосунках Gemini охоплює аудіо, відео й документи. Станом на жовтень 2026 року там сказано:

• Потрібно увійти в обліковий запис. До одного запиту можна додати до 10 файлів.
• Аудіо: загальна тривалість до 10 хвилин або до 3 годин із Google AI Pro чи Google AI Ultra.
• Відео: кожне відео до 2 ГБ, загальна тривалість до 5 хвилин або 1 година на платних тарифах.
• Інші файли — до 100 МБ кожен.

Отже, на відміну від ChatGPT, Gemini приймає відеофайли, а також аудіо на безкоштовному обліковому записі в межах тих 10 хвилин загалом. Документація Google не обіцяє дослівного формату транскрипту, часових міток чи позначок спікерів, тож прямо просіть про них у запиті й перевіряйте результат.

Gemini має перевагу й щодо YouTube: стаття Google про вміст YouTube у застосунках Gemini описує, як попросити Gemini знайти відео й підсумувати його на основі публічної інформації з YouTube. Для підсумку це корисно, але це не те саме, що повний транскрипт, який можна перевірити.

Для користувачів Google Workspace Gemini на Google Диску, згідно з оголошеннями Workspace, може підсумовувати відео, збережені на Диску, і відповідати на запитання про них на відповідних тарифах Workspace і Google AI. Сам Google Docs пропонує голосовий ввід для живого диктування, а не транскрибування завантажених файлів. Тарифи й доступність залежать від редакції та мови, тож уточніть в адміністратора.

ChatGPT, Gemini чи спеціалізований сервіс транскрибування

Ліміти перевірено на сторінках довідки постачальників у жовтні 2026 року.

Асистенти явно сильніші в розмові: уточнювальні запитання, перетворення підсумку на лист, пояснення фрагмента. Спеціалізовані сервіси сильніші в самому транскрипті.

Практичні обмеження, про які варто знати до завантаження

Тривалість і розмір

Найважче універсальним чат-асистентам даються довгі записи. ChatGPT може ділити довге аудіо на частини й перевищувати час очікування; Gemini обмежує загальну тривалість на запит. Годинна лекція вміщається в платні тарифи обох, а запис цілоденного воркшопу — ні.

Немає часових міток і спікерів

Транскрипту, який ви хочете цитувати, перетворити на субтитри чи аналізувати, потрібні часові мітки, на які можна клацнути, і позначки спікерів, яким можна довіряти. Чат-асистенти побудовані не навколо цього. Якщо все ж попросите часові мітки, перевірте кілька з них за записом, перш ніж на них покладатися.

Пропуски й вигаданий текст

Будь-яка система розпізнавання мовлення може недочути слова. Специфічний ризик ШІ-моделей — правдоподібний текст, який ніхто не казав, особливо на тихих ділянках, під музику чи коли люди говорять одночасно; а коли чат-модель «причісує» довгий транскрипт, вона може скоротити чи переказати його замість дослівного запису. Просіть дослівний транскрипт і вибірково перевіряйте важливі фрагменти. Чисте аудіо допомагає будь-якій системі: один спікер на мікрофон, мінімум фонового шуму й жодної музики під мовленням.

Приватність і налаштування навчання

Що відбувається з вашим записом, залежить від продукту й налаштувань:

• ChatGPT: на споживчих тарифах OpenAI може використовувати вміст для покращення моделей, якщо ввімкнено «Improve the model for everyone»; вимкнути це можна в розділі Data Controls, а для аудіозаписів є окремий перемикач. OpenAI зазначає, що за замовчуванням не навчає моделі на бізнес-продуктах на кшталт ChatGPT Enterprise.
• Gemini: коли ввімкнено Keep Activity, центр конфіденційності Google зазначає, що деякі розмови можуть переглядати люди для покращення сервісів; Keep Activity можна вимкнути, але кілька функцій Gemini, зокрема інтеграція з YouTube і завантаження з Диска, потребують її.

Для інтерв'ю, розмов із пацієнтами чи дзвінків клієнтів спершу перевірте ці налаштування, отримайте згоду від усіх, кого записуєте, і прочитайте наш посібник про GDPR і транскрибування, якщо працюєте з даними з ЄС. В Україні, крім того, діє Закон «Про захист персональних даних».

Робочий процес, який працює: спершу транскрибуйте, потім питайте асистента

Чат-асистенти чудово працюють із текстом і менш надійні як рушії транскрибування. Розділення роботи використовує сильні сторони обох:

1. Транскрибуйте сервісом розпізнавання мовлення. Скористайтеся Audiotexta у вебзастосунку (завантажте файл, вставте посилання або запишіть із мікрофона) або запустіть Whisper локально, якщо хочете, щоб усе залишалося на вашому комп'ютері. Наше порівняння Whisper і хмарних API розпізнавання мовлення пояснює компроміси.
2. Перевірте транскрипт. Виправте імена й терміни, перейменуйте спікерів і звірте з аудіо кожен фрагмент, який цитуватимете.
3. Експортуйте як текст. Найпростіше вставляти в чат TXT (доступний безкоштовно без облікового запису) або Markdown (на Pro).
4. Вставте його в ChatGPT чи Gemini й попросіть те, що потрібно: «Підсумуй це інтерв'ю в п'яти пунктах», «Перелічи всі рішення й відповідальних», «Напиши чернетку листа за підсумками». Оскільки асистент тепер працює з повним текстом, кожне твердження в його відповіді можна перевірити за часовою міткою.

Audiotexta може взяти на себе й крок із підсумком на тарифі Pro (підсумок, розділи, ключові тези, рішення й завдання), без використання вашого вмісту для навчання моделей. Обирайте ту комбінацію, яка вам підходить; головне — починати з повного транскрипту, який можна перевірити.