Субтитры для видео нейросетью: как сделать
92% зрителей смотрят видео на телефоне без звука хотя бы раз за рабочий день. Для них ролик без подписей немой: смысл несёт только картинка, а голос за кадром не существует. В проекте бренда косметики среднее время просмотра держится на отметке 0:25 — это те секунды, за которые подпись либо удержит человека, либо потеряет его.
Ниже — практическая сторона: какими сервисами расшифровать речь, где автоматика врёт на русском, каким нормативам подчиняется оформление подписей и как подписать пакет из тридцати роликов, не потратив на это день.
Содержание:
- Почему без субтитров падают досмотры
- Чем сделать автосубтитры: таблица 12 инструментов
- Где автосубтитры врут на русском
- Как оформить подписи под площадки
- SRT или вшитые подписи
- Как подписать пакет из 30 роликов
- Пять ошибок на пакетной правке
- Сколько стоит подписать поток
- Итоги
Почему без субтитров падают досмотры?
Зритель пролистывает ленту в общественном месте или на работе, где звук выключен. Подписи дают ему возможность понять ролик за первые секунды и решить остаться. Если текста нет, человек не догадывается о содержании и уходит — площадка читает это как слабое удержание и режет показы.
По данным разбора Яндекс Рекламы, 41% активной аудитории 18–44 лет за последний месяц смотрели ролики без звука. За тот же период 56% респондентов смотрели видео с субтитрами, а 79% назвали их удобнее обычного просмотра. Главная находка для бизнеса другая: 93% готовы включить звук, если их заинтересует текст на экране — то есть подпись работает воронкой к звуковой дорожке, а не заменой ей.
Связку с удержанием даёт исследование Verizon Media и Publicis Media: вероятность досмотреть видео до конца при наличии субтитров выше на 80%. Вторая цифра — из разбора на vc.ru: время просмотра растёт на 12%.
Чем сделать автосубтитры: таблица 12 инструментов
Выбор упирается в три вопроса: сколько минут речи нужно расшифровать, насколько чисто распознаётся русская лексика с терминами и можно ли выгрузить текстовый файл подписей. От ответов зависит и тип сервиса: для пакетной расшифровки нужен облачный API, для правки — локальный редактор. Ниже — инструменты, которые закрывают эти задачи, с ценовыми ориентирами и статусом доступа из РФ.
| Инструмент | Задача | Бесплатно или цена | Русский язык | Доступ из РФ |
|---|---|---|---|---|
| Yandex SpeechKit | Пакетная расшифровка длинных файлов, выгрузка текста с таймкодами | Асинхронный режим — ориентир 0,6 ₽ за минуту, оплата по факту потребления | Русский язык изначально | Доступен из РФ, оплата картой РФ |
| SaluteSpeech | Расшифровка монологов, вебинаров, банковской и финансовой терминологии | Тариф для физлиц — 100 минут распознавания в месяц (продажа новых пакетов физлицам приостановлена с 15.07.2026); пакет 1 000 минут — 1 200 ₽, у юрлиц пакет 20 000 минут — 12 000 ₽ | Русский изначально | Доступен из РФ; юрлицам — по договору |
| Whisper (русские файнтюны) | Локальная расшифровка без передачи файлов наружу | Открытая модель, бесплатно, нужна своя машина | Русские файнтюны дают WER 8,93–10,99% | Работает локально, оплата не нужна |
| Мовавика Видео | Автосубтитры прямо в редакторе, настройка шрифта и положения | Есть бесплатный режим с ограничениями | Российская разработка, распознавание речи на многих языках, включая русский | Доступен из РФ, оплата картой РФ |
| VK Видео | Автоподписи при загрузке ролика на площадку | Автоподписи доступны авторам при загрузке | Распознавание русской речи | Доступен из РФ |
| YouTube Studio | Автосубтитры, редактор подписей, экспорт SRT | Бесплатно | Русский поддерживается, точность требует правки | Доступен из РФ |
| CapCut | Автосубтитры вместе с монтажом и кадрированием | Базовая расшифровка бесплатна | Русский в списке языков | Доступ из РФ ограничен, оплата российской картой недоступна |
| DaVinci Resolve | Speech to Text внутри монтажной программы | Распознавание — только в платной Studio; в бесплатной версии ручной ввод и импорт SRT | Русский поддерживается | Доступен из РФ; распознавание требует платной версии |
| Adobe Premiere Pro | Пакетная расшифровка в монтажном пайплайне | Только по подписке | Русский поддерживается | Оплата российской картой недоступна |
| Subtitle Edit и Aegisub | Ручная вычитка, синхронизация, переформатирование SRT | Бесплатно, открытый код | Интерфейс на английском | Работают локально, оплата не нужна |
| GigaChat и YandexGPT | Расстановка пунктуации и чистка расшифровки после автоматики | Есть бесплатный режим | Русский изначально | Доступен из РФ, оплата картой РФ |
| Descript, Submagic, Vozo AI | Оформление подписей под короткие ролики, стили и анимация текста | Есть бесплатные режимы с лимитом, дальше подписка | Русский поддерживается | Доступ из РФ ограничен, оплата российской картой недоступна |
Практический вывод по этой таблице простой. Если ролики публикуются на российских площадках и объём измеряется десятками часов в месяц, дешевле и спокойнее работать в связке «облачная расшифровка на русском плюс локальный редактор SRT». Зарубежные сервисы с готовым оформлением подписей выигрывают в стиле, но проигрывают в предсказуемости оплаты и доступа.
Где автосубтитры врут на русском?
Модели ошибаются предсказуемо: омофоны, аббревиатуры, названия брендов, числа и профессиональные термины. Отдельная беда — пунктуация. Кавычки и тире автоматика пропускает почти всегда, а эти знаки держат прямую речь и реплики в ролике. Поэтому расшифровку принимают как черновик, а не как финальный текст.
Разброс точности на русском виден по метрике WER — доле слов, распознанных неверно. Русский файнтюн модели Whisper Large V3 Turbo показывает WER 8,93% на шести русских тест-наборах: дообучение на русской речи снижает ошибку 13,25% → 8,93%. Версия, натренированная на русских подкастах, по данным карточки модели даёт 10,99% без пунктуации и 20,91% с пунктуацией и заглавными буквами — разница возникает именно на знаках и регистре.
Правка подписей — это ручной этап, который на потоке из сотен роликов отнимает больше времени, чем сама расшифровка. Контент-завод на ИИ ведёт ролик от исходника до публикации в 10+ соцсетях — от 119 ₽ за публикацию.
Контент-завод на ИИ под ключ →С пунктуацией всё особенно неровно. Макро-F1 по знакам препинания держится на уровне 0,41, границы предложений модель различает на 0,80–0,81, а регистр слов — на 0,83. Общая оценка низкая как раз из-за редких знаков: тире, кавычки и многоточие попадают в расшифровку реже всего, и именно их чаще приходится расставлять руками.
Задача. Бренд записал вебинар на 40 минут: в речи — названия товарных линеек, латинские названия компонентов и цифры объёмов. Инструмент. Асинхронная расшифровка на русском плюс локальный редактор SRT. Шаги. Расшифровка всего файла целиком, затем замена словаря: термины и названия линеек выносятся в список и правятся пакетной заменой до вычитки смысла. Результат. Основной текст читается с первого прохода, а больше всего ручной работы остаётся на пунктуации и цифрах — именно там модель угадывает по звучанию. Латинские термины при этом стабильно распознаются хуже русских слов.
Как оформить подписи под вертикальные площадки?
Оформление подчиняется двум ограничениям: сколько знаков зритель успевает прочитать и куда можно ставить текст, чтобы его не перекрыл интерфейс площадки. В вертикальном видео нижнюю часть экрана занимают кнопки, прогресс-бар и подпись автора — рабочая зона подписей находится в нижне-средней части кадра, выше интерфейсной полосы.
Норматив скорости чтения появился не из формальностей. Подпись конкурирует с изображением за одно и то же внимание: чем быстрее бежит текст, тем меньше зритель успевает разглядеть в кадре. Поэтому длинную фразу разбивают на две подписи, а не ускоряют показ — смысл в кадре важнее привычки вместить всё в один отрезок.
| Параметр | Норматив | Что ломается при нарушении |
|---|---|---|
| Скорость чтения | 17 знаков в секунду для взрослого контента, 13 — для детского | Зритель не успевает прочитать фразу и отвлекается от кадра |
| Длина строки | 38–42 знака в строке, максимум две строки в подписи | Третья строка закрывает середину вертикального кадра |
| Длительность подписи | От 0,8–1 секунды до 7 секунд | Слишком короткая мигает, слишком длинная отстаёт от речи |
| Зона размещения | Нижне-средняя часть кадра, выше интерфейсной полосы, по горизонтали центр | В нижней части кадра текст перекрывают кнопки площадки |
| Разрыв между подписями | Не менее двух кадров | Подписи сливаются, и зритель не понимает, где новая фраза |
| Контраст | Белое на чёрной подложке или обводке | Текст теряется на светлом товаре и пёстром фоне |
SRT или вшитые подписи: что выбрать для потока?
Выбор зависит от того, кто и где будет смотреть ролик. Вшитые подписи видит каждый — их не надо включать, они всегда в кадре, но изменить их после публикации нельзя. Файл SRT оставляет текст редактируемым и переносимым, зато требует, чтобы зритель или площадка его подключили.
Вшитые подписи
- Видны сразу, кнопку включать не нужно
- Одинаково работают на всех площадках и в пересланном ролике
- Стиль можно подогнать под бренд: шрифт, плашка, анимация
- Текст впечатан в картинку — правка после публикации невозможна
- Перевод на другой язык требует пересборки видео
Файл SRT
- Текст остаётся редактируемым и версионируемым
- Один файл переиспользуется для площадок и для расшифровки
- Индексируется поиском на видеоплатформах
- Без подключения зритель видит ролик без подписей
- При экспорте из мобильного редактора файл часто недоступен вовсе
Отдельная ловушка касается экспорта. В CapCut выгрузить можно только подписи, созданные автосубтитрами: текст, набранный руками, в SRT не уходит. В мобильной версии отдельный файл часто недоступен — подписи просто впечатываются в видео. Поэтому для потока готовят оба результата: вшитая версия уходит в публикацию, SRT остаётся в архиве проекта.
Как подписать пакет из 30 роликов за вечер
Пакетная работа держится на подготовке: словарь терминов заводится до первой расшифровки, а не после двадцатого ролика. Тогда правка сводится к вычитке смысла, а не к поиску одной и той же ошибки в каждой записи заново. Ниже — семь шагов, которые превращают тридцать роликов в один вечер работы вместо трёх дней.
Собрать словарь заранее
Названия линеек, латинские термины, имена спикеров и аббревиатуры выписываются в один список. Это единственная подготовка, которая экономит больше всего времени: со словарём одна и та же ошибка правится один раз на весь пакет, а не выискивается заново в каждом файле.
Проверить звук на одном файле
Один самый сложный ролик прогоняется через выбранный сервис: шум, музыка и эхо ломают распознавание сильнее, чем длина записи. Если на нём точность приемлема, пакет пойдёт предсказуемо.
Расшифровать пакетом
Файлы ставятся в очередь целиком, без нарезки на короткие куски: асинхронный режим российского сервиса по документации принимает запись до 4 часов и хранит результат трое суток.
Прогнать словарь заменой
Термины правятся пакетной заменой до смысловой вычитки. Так одна и та же ошибка уходит сразу во всех файлах, а не выискивается по одному.
Восстановить пунктуацию
Знаки доводятся языковой моделью или руками. Кавычки и тире автоматика пропускает чаще всего, и без них прямая речь теряет смысл.
Разбить на подписи по нормативу
Строки режутся по 38–42 знака и двум строкам максимум, длительность выравнивается в диапазон от 0,8–1 до 7 секунд, скорость чтения проверяется по 17 знакам в секунду.
Собрать две версии
Вшитая версия с оформлением уходит на площадки, SRT с текстом остаётся в архиве проекта — он пригодится для поисковой выдачи и для перевода.
На объёме порядок меняется в одном месте: чем больше роликов в пакете, тем важнее шаг со словарём. На контент-заводе на ИИ поток публикаций измеряется тысячами в месяц, и там подписи собираются не вручную, а конвейером: один раз настроенное оформление применяется ко всей партии.
Пять ошибок, из-за которых подписи мешают смотреть
Подписи способны навредить больше, чем помочь. Три причины ухудшения видны по площадкам сразу: текст закрывает товар или лицо, подпись отстаёт от речи на секунду, строки перескакивают и ломают ритм чтения. Две другие замечают уже по метрикам удержания, когда ролик перестаёт добирать просмотры и площадка снижает показы без объяснений в отчёте.
Ставить подпись в самые нижние 20–25% кадра — там её перекроют кнопки площадки. Оставлять авторежим скорости текста: чем быстрее бежит подпись, тем меньше зритель успевает разглядеть в кадре. Публиковать подписи без вычитки пунктуации — знаки препинания автоматика ставит неровно, а кавычки и тире почти никогда. Принимать расшифровку за финальный текст: модель достраивает оборванные фразы и угадывает незнакомые слова по звучанию. И не полагаться на один сервис для всего потока — держите резервный путь расшифровки на случай смены тарифа или лимита.
Сколько стоит подписать поток роликов?
Расшифровка перестала быть затратной статьёй. Асинхронный режим российского облачного сервиса обходится примерно в 0,6 ₽ за минуту записи, пакет другого российского сервиса — 1 200 ₽ за 1 000 минут. Для тысячи роликов по 30 секунд это 500 минут речи. Разброс цены минуты между двумя российскими сервисами — 0,6 ₽ → 1,2 ₽, то есть на таком объёме 300 ₽ → 600 ₽ за всё распознавание.
Дорого стоит другое — ручная правка и сборка оформления. Именно она съедает бюджет, когда публикаций становится больше нескольких десятков в месяц. Пакет контент-завода на 10 аккаунтов даёт около 1 000 публикаций за 119 000 ₽, то есть от 119 ₽ за публикацию — и подписи, как и монтаж с обложкой, входят в эту стоимость.
Итоги: что запомнить про субтитры для видео нейросетью
- Подписи — это удержание, а не украшение. Значительная часть аудитории смотрит без звука, а 93% готовы его включить, если их заинтересует текст на экране.
- Русская речь распознаётся неровно. WER русских моделей расходится от 8,93% до 20,91%, хуже всего даются термины, числа и пунктуация — особенно кавычки и тире.
- Оформление подчиняется нормативам. 17 знаков в секунду, 38–42 знака в строке, две строки максимум, зона — нижне-средняя часть кадра выше интерфейсной полосы.
- Вшитые подписи и SRT решают разные задачи. Первые видны без включения кнопки, второй остаётся редактируемым: для потока нужны оба.
- Экономику определяет правка, а не расшифровка. Само распознавание стоит около 0,6 ₽ за минуту речи, время уходит на вычитку и оформление.
- Словарь терминов заводится до первой расшифровки. Это единственный шаг, который правит одну и ту же ошибку распознавания один раз на весь пакет роликов.
Что делать дальше: возьмите один свой самый сложный ролик — с шумом, музыкой и терминами — и прогоните через два разных сервиса. Считайте правки в тексте вместо общего впечатления. По этому замеру уже можно выбирать инструмент для потока, не переплачивая за функции, которые на русской речи всё равно упираются в вычитку.
Частые вопросы
Можно ли сделать субтитры для видео нейросетью бесплатно?+
Для проверки качества — да. Российский сервис даёт 100 минут распознавания в месяц на бесплатном тарифе, облачный сервис Яндекса тарифицируется по факту за минуты распознавания, у редактора Мовавика есть бесплатный режим. Открытая модель Whisper бесплатна вовсе, но требует своей машины для запуска. Для рабочего потока бесплатных лимитов не хватает: они заканчиваются на первой же партии роликов. Часть зарубежных сервисов на бесплатном тарифе разрешает только личные проекты.
Насколько точно нейросеть распознаёт русскую речь?+
По метрике WER разброс русских моделей — от 8,93% до 20,91% в зависимости от версии модели и набора данных. Российские облачные сервисы заявляют высокую точность на чистой речи, но независимого замера по своей лексике никто не отменял. На практике всё решают условия записи: шум, музыка, эхо и быстрая дикция ухудшают результат сильнее, чем выбор модели. Названия брендов, латинские термины и числа распознаются хуже обычных русских слов.
Почему субтитры не экспортируются из редактора?+
В CapCut выгрузить можно только подписи, созданные функцией автосубтитров: текст, набранный вручную, в файл SRT не уходит. В мобильной версии отдельный файл часто недоступен вовсе — подписи впечатываются в видео. Если файл нужен для архива, расшифровку делают отдельным сервисом и затем импортируют готовый SRT в редактор.
Вшитые субтитры или отдельный файл — что лучше для коротких роликов?+
Для коротких вертикальных роликов используют вшитые подписи: при быстром скролле зритель не станет искать кнопку включения субтитров. Часть площадок эту кнопку в ленте вовсе не показывает. Файл SRT при этом стоит сохранять: он пригодится для поисковой выдачи на видеоплатформах, для перевода и для переиздания ролика под другую площадку.
Сколько знаков должно быть в одной подписи?+
Отраслевой норматив — 38–42 знака в строке и не больше двух строк в одной подписи. Скорость чтения держат в пределах 17 знаков в секунду для взрослого контента и 13 для детского. Длительность одной подписи — от 0,8–1 секунды до 7 секунд, а разрыв между соседними подписями не меньше двух кадров.
Нужно ли ставить субтитры, если в ролике нет речи?+
Да, но другого типа. Распознавать нечего, поэтому текст собирают по сценарию: заголовок на первый экран, подписи к каждому смысловому блоку, цена и выгода в конце. Такой текст работает как часть сценария и делает обзор товара под музыку понятным без звука — а значит, пригодным для ленты, где звук выключен.
