Output formats¶

The transcription result is saved in seven formats. All files are UTF-8 with \n line breaks. The speaker is "Канал N" (Channel N) for the channels of a stereo recording; if the channels are mixed into one (--mono, a mono recording or identical channels), there is no speaker.

Format	Used for
`txt`	Reading the text: one segment per line
`json`	Programs: information about the recording and the segments
`jsonl`	Programs and streams: one segment per line, files can be appended to each other
`srt`	Subtitles for video players and editors
`vtt`	WebVTT subtitles for browsers
`ass`	Aegisub subtitles with the speaker in the Name field
`csv`	Spreadsheets and analytics: Excel, pandas

The examples below are the result of stt-ru transcribe call.wav for a stereo recording of a conversation.

TXT¶

Канал 1: Наталья, благодарю вас за ожидание. По данному вопросу я сейчас ваш звонок переведу на специалиста профильного подразделения. Оставайтесь, пожалуйста, на линии.
Канал 0: Угу
Канал 0: Угу
Канал 1: Я в свою очередь с вами прощаюсь. Всего доброго, до свидания.
Канал 0: До свидания.

JSON¶

An object with the fields source (file name), model, duration (recording duration, s), channels (number of recognized channels) and segments. A segment has start and end in seconds, channel, speaker and text; for mixed channels channel and speaker are null.

{
  "source": "call.wav",
  "model": "gigaam-v3-e2e-rnnt",
  "duration": 15.751,
  "channels": 2,
  "segments": [
    {
      "start": 0.994,
      "end": 9.054,
      "channel": 1,
      "speaker": "Канал 1",
      "text": "Наталья, благодарю вас за ожидание. По данному вопросу я сейчас ваш звонок переведу на специалиста профильного подразделения. Оставайтесь, пожалуйста, на линии."
    },
    {
      "start": 3.49,
      "end": 3.934,
      "channel": 0,
      "speaker": "Канал 0",
      "text": "Угу"
    }
  ]
}

JSON Lines¶

One segment per line with the file name in source: the results of several files can be collected into one file (this is how --summary out/all.jsonl works).

{"source": "call.wav", "start": 0.994, "end": 9.054, "channel": 1, "speaker": "Канал 1", "text": "Наталья, благодарю вас за ожидание. По данному вопросу я сейчас ваш звонок переведу на специалиста профильного подразделения. Оставайтесь, пожалуйста, на линии."}
{"source": "call.wav", "start": 3.49, "end": 3.934, "channel": 0, "speaker": "Канал 0", "text": "Угу"}

SRT¶

The speaker is at the beginning of the subtitle text.

1
00:00:00,994 --> 00:00:09,054
Канал 1: Наталья, благодарю вас за ожидание. По данному вопросу я сейчас ваш звонок переведу на специалиста профильного подразделения. Оставайтесь, пожалуйста, на линии.

2
00:00:03,490 --> 00:00:03,934
Канал 0: Угу

WebVTT¶

The speaker is in the <v> voice tag and at the beginning of the text: players that do not show voices still show who is speaking.

WEBVTT

00:00:00.994 --> 00:00:09.054
<v Канал 1>Канал 1: Наталья, благодарю вас за ожидание. По данному вопросу я сейчас ваш звонок переведу на специалиста профильного подразделения. Оставайтесь, пожалуйста, на линии.

00:00:03.490 --> 00:00:03.934
<v Канал 0>Канал 0: Угу

ASS¶

Subtitles in the format saved by Aegisub: the speaker is in the Name field, the recording file in Audio File, times are accurate to hundredths of a second. The format is the same as the ASS files of version 0.2.

[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:00.99,0:00:09.05,Default,Канал 1,0,0,0,,Наталья, благодарю вас за ожидание. По данному вопросу я сейчас ваш звонок переведу на специалиста профильного подразделения. Оставайтесь, пожалуйста, на линии.
Dialogue: 0,0:00:03.49,0:00:03.93,Default,Канал 0,0,0,0,,Угу

CSV¶

Columns Audio File, Start, End, Name, Text, times in milliseconds, comma separator. The file starts with a BOM, so Excel opens Cyrillic text without any setup; CSV printed to the console has no BOM, so for Excel save it with --output-dir or --summary. The columns are the same as in the CSV of version 0.2, so spreadsheets and reports built on it keep working.

Audio File,Start,End,Name,Text
call.wav,994,9054,Канал 1,"Наталья, благодарю вас за ожидание. По данному вопросу я сейчас ваш звонок переведу на специалиста профильного подразделения. Оставайтесь, пожалуйста, на линии."
call.wav,3490,3934,Канал 0,Угу