Разбор пятнадцати интервью по исследованию клиентов это тридцать часов ручной работы по-старинке. В практике из этого кейса на всё ушло ноль минут человеческого времени: файлы записей закидываются в папку, и через несколько минут готовая таблица с дословными цитатами лежит на месте. Разбираем, как устроена транскрибация интервью от переслушивания до автоматического конвейера и что из этого можно перенести к себе.
Почему переслушивать запись хуже, чем расшифровывать
Первая ловушка интервьюера: слушать и записывать одновременно невозможно. Поэтому во время разговора остаются ключевые слова на бумажке, чтобы поддерживать диалог, а вся запись идёт в диктофон. Дальше арифметика: часовая встреча требует переслушивания, даже на ускорении это ещё час-полтора-два, плюс остановки и записывание. Транскрибация снимает этот этап целиком: текст читается быстрее, чем слушается запись, и в нём можно искать по словам.
Промежуточный этап: нейросети руками
Обычный полуавтомат выглядит так. Файл загружается в бот транскрибации: открыть, скачать, загрузить, получить, посмотреть, на это уходит 5–10 минут. Полученный текст едет в ChatGPT с готовым промптом, оттуда возвращаются цитаты, которые вручную копируются в таблицу. На одно интервью набирается минимум 15–20 минут. В кейсе таких интервью было пятнадцать, и даже в этом варианте набежало 5 часов работы, потому что модель отдаёт цитаты в свободном виде, и их приходится разносить руками.
Конвейер: папка → Assembly AI → ChatGPT → таблица
Финальная схема собрана в Make, системе, которая связывает сервисы с API. Папка на Google Драйве находится под наблюдением: туда складываются записи, до 10 файлов за раз. Каждый новый файл автоматически уходит в сервис Assembly AI, который расшифровывает аудио с русским языком, разбивкой по спикерам и таймингом каждого слова. Дальше таймер 3 минуты, потому что расшифровка не мгновенная, и текст забирается в ChatGPT с жёстким форматом ответа: цитаты-ответы на 13 конкретных вопросов интервью, ровно 13 переменных, чтобы названия полей не гуляли. Последний шаг отправляет данные в Google Таблицу: если человек уже есть, строка обновляется, если нет, создаётся, а имя берётся прямо из имени файла. Результат: 3–5 минут после нажатия кнопки, участие человека 0 минут, и цитаты дословные, без интерпретаций.
Честные минусы
Минус первый: цепочка заточена под конкретную структуру интервью, тринадцать фиксированных вопросов и таблицу этого кейса, под другой формат расшифровок её нужно переписывать. Минус второй: результат не мгновенный, таймер в три минуты и готовая таблица через 3–5 минут после загрузки, поэтому для задач, где расшифровка нужна в моменте разговора, конвейер не подходит.
Тот же принцип, минимум ручных шагов между записью и готовым контентом, работает в PostZavod: берёт ссылку на ваше видео, расшифрует его и соберёт статью и серию постов для Telegram в вашем стиле письма, публикация вашим ботом, сразу или по расписанию. Транскрибация стоит 1 токен за минуту видео, полный прогон (статья + серия постов) обойдётся в 2 токена. Новым аккаунтам дают 500 токенов бесплатно, без карты.