Главы, транскрипты и поиск внутри видео

Коротко

Главы делят видео на именованные разделы, между которыми можно переходить. Интерактивный транскрипт – это текст всего сказанного в виде кликабельных строк, которые прокручиваются синхронно с видео. Поиск внутри видео позволяет ввести слово и попасть точно на ту секунду, где оно прозвучало. Вместе эти три функции превращают длинную лекцию из сплошного потока в материал, по которому удобно перемещаться. Технически все три опираются на один источник – текст с тайм-кодами: чаще всего это файл глав в формате W3C WebVTT и транскрипт, полученный распознаванием речи. По нему плеер рисует маркеры глав, синхронизирует транскрипт и строит поисковый индекс. Польза двойная: транскрипт, на котором работает поиск, – это и текстовая альтернатива, которую требуют стандарты доступности (WCAG 2.1 и 2.2, а также построенный на WCAG 2.1 ГОСТ Р 52872-2019; критерий 1.2.1), а главы и текст транскрипта читают Яндекс и Google. В статье – все термины простым языком, устройство маркера главы и поиска по транскрипту, выбор между покупкой и разработкой и чек-лист готовности, чтобы навигацию и поиск закладывали в продукт с самого начала, а не прикручивали потом.

Почему это важно

Для директора по обучению (L&D), основателя EdTech-стартапа или продакт-менеджера навигация решает, будут ли библиотекой курсов пользоваться или её забросят. Учащийся, который вернулся за одной конкретной вещью – формулой, шагом по технике безопасности, вызовом API – и не нашёл её, не станет пересматривать 40-минутную лекцию: он просто уйдёт. Главы, транскрипты и поиск внутри видео – самый дешёвый и действенный способ сделать так, чтобы видеотека отвечала на вопросы, а не только проигрывала ролики. Попутно они решают ещё две задачи. Первая – доступность: транскрипт – базовая текстовая альтернатива по WCAG и ГОСТ Р 52872-2019 и самый дешёвый способ создать специальные условия для глухих и слабослышащих учащихся. Вторая – видимость в поиске: главы и транскрипты читают поисковики. Статья поможет оценить все три функции, разобраться в стандартах, которые делают их переносимыми, и принять решение о покупке или разработке, от которого зависит, получите ли вы надёжную функцию или строку поиска, которая ничего не находит.

Сначала – что это за три вещи

Сравните роман в мягкой обложке и хороший учебник. Роман – сплошной поток: чтобы найти нужный эпизод, листаешь наугад. В учебнике есть оглавление, предметный указатель в конце и чёткие заголовки глав, и вы сразу открываете нужное место. Главы, транскрипты и поиск внутри видео как раз и превращают видео из романа в учебник.

Главы – это оглавление. Они делят таймлайн видео на именованные разделы («Введение», «Настройка окружения», «Разбор примера»), у каждого из которых есть момент начала. Разделы отмечены маркерами на полосе перемотки и собраны в кликабельный список. Их задача – дать учащемуся сразу перейти к нужному разделу.

Интерактивный транскрипт – полный текст всего сказанного, который показывается рядом с видео, подсвечивает каждую фразу в момент, когда она звучит, и позволяет кликнуть по любой строке, чтобы перемотать видео к этому месту. Это определение не наше, так его формулирует W3C Web Accessibility Initiative (W3C WAI, «Transcripts», обновлено в 2024 году). Обычный транскрипт – статичная текстовая версия; интерактивный – тот же текст, синхронизированный с плеером.

Поиск внутри видео – это предметный указатель. Учащийся вводит слово или фразу и получает точные тайм-коды, где это прозвучало, а один клик переносит его на нужную секунду. Это возможно только благодаря транскрипту: искать по самой речи нельзя, а по её тексту – можно.

Все три функции объединяет одно: текст с тайм-кодами, то есть текст с привязанными метками времени. Если он сделан хорошо, главы, транскрипт и поиск получаются из него почти сами. Если плохо или его нет вовсе – все три функции строятся на песке.

Нажмите, чтобы увеличить

Как на самом деле работает маркер главы

Чтобы принимать верные решения, писать код не нужно, но если понимать устройство на уровень глубже, проще распознать слабую реализацию и говорить с инженерами на одном языке.

Для глав есть веб-стандарт, созданный ровно под эту задачу: WebVTT (Web Video Text Tracks Format) от W3C, организации, которая разрабатывает веб-стандарты (W3C WebVTT, Candidate Recommendation). WebVTT – текстовый формат для любого текста, синхронизированного с видео: субтитров, описаний и – что нам и нужно – глав. HTML-элемент video подключает такой файл через элемент <track>, а атрибут kind указывает тип дорожки. Для глав пишут kind="chapters", и каждая запись в файле – она называется cue – описывает одну главу: время начала, время конца и заголовок (W3C WebVTT; элемент track в HTML).

Вот как выглядит файл глав. Его может прочитать и человек, в этом весь смысл:

WEBVTT

00:00:00.000 --> 00:01:13.000
Введение

00:01:13.000 --> 00:05:40.000
Настройка окружения

00:05:40.000 --> 00:12:02.000
Разбор примера: процесс бронирования

Вот и весь механизм. Плеер читает файл, ставит на полосе перемотки маркер в начале каждой главы и показывает заголовки кликабельным списком. Когда учащийся нажимает «Разбор примера», плеер переходит на 5 минут 40 секунд.

Как команда «перейти на 5:40» передаётся по системе? Через ещё один небольшой стандарт W3C – Media Fragments URI. Он позволяет сослаться на момент видео, добавив фрагмент к его адресу: lecture-7.mp4#t=340 означает «точка на 340-й секунде» (W3C Media Fragments URI 1.0). Эта простая договорённость – общий знаменатель для всей статьи: начало главы, клик по транскрипту и результат поиска сводятся к «перемотать на это значение #t=». (Тем же стандартом мы привязываем заметки учащихся к моменту видео в статье Заметки, закладки и аннотации учащихся.)

Нажмите, чтобы увеличить

Интерактивный транскрипт: один текст, три задачи

Транскрипт здесь – главный рабочий инструмент: один и тот же текст решает сразу три задачи.

Задача первая – доступность, и это не опция. Транскрипт – текстовая альтернатива аудио. Её требуют Web Content Accessibility Guidelines (WCAG) 2.1 и пришедшая им на смену версия 2.2 – международный стандарт, на котором построен российский ГОСТ Р 52872-2019 о доступности интерфейсов для людей с инвалидностью. Критерий 1.2.1 (Audio-only and Video-only, Prerecorded) относится к уровню A, самому базовому: для записанного контента, где есть только звук, нужен транскрипт с равноценной информацией (W3C WCAG 2.2, SC 1.2.1). Для видео со звуком субтитры тоже требуются на уровне A (SC 1.2.2), а полный транскрипт как замена медиа – на уровне AAA (SC 1.2.8, Media Alternative). Но в образовании описательного транскрипта ждут настолько часто, что безопаснее считать его обязательным минимумом (W3C WAI, «Transcripts»). В российском праве прямого требования субтитров или транскриптов к учебному видео нет, а ГОСТ – добровольный стандарт. Однако 273-ФЗ (ст. 79) обязывает образовательные организации создавать специальные условия для обучающихся с ОВЗ и инвалидностью, включая специальные технические средства и услуги сурдопереводчика, и транскрипт с субтитрами – самый дешёвый способ закрыть эту потребность для видео. Подробно о доступности – в статьях Субтитры, транскрипты и аудиоописание для обучения и WCAG 2.1 AA и ГОСТ Р 52872-2019 для учебного видео.

Задача вторая – навигация. Сделайте транскрипт интерактивным (подсветка текущей фразы, перемотка по клику на строку), и он станет вторым, более подробным оглавлением. Главы дают десяток точек перехода, транскрипт – сотни. Механика та же перемотка по #t=, что и у клика по главе, только точка перехода есть у каждой реплики субтитров.

Задача третья – поиск. Ему посвящён отдельный раздел ниже: без транскрипта поиск внутри видео вообще невозможен.

Одно уточнение, которое избавит от споров в будущем. Файл субтитров и транскрипт – не одно и то же, хотя одно часто делают из другого. Субтитры – короткие строки, синхронные с видео; транскрипт – связный текст с абзацами, который читают отдельно от видео. Описательный транскрипт включает ещё и важную визуальную информацию, которой в субтитрах нет (W3C WAI, «Transcripts»). Черновик транскрипта можно собрать из субтитров, но не выдавайте сырой файл субтитров за транскрипт.

Поиск внутри видео: библиотека начинает отвечать

Поиск внутри видео делает большую библиотеку по-настоящему полезной, и он целиком построен на транскрипте.

На словах механизм простой. Возьмите транскрипт каждого видео с тайм-кодами и сохраните каждую фразу с её меткой времени в поисковый индекс – такой же полнотекстовый, как у поиска по сайту. Когда учащийся вводит «политика возврата», система возвращает все моменты во всех видео, где прозвучали эти слова, и каждый – кликабельным тайм-кодом. Один клик – и плеер перематывается на нужную секунду. Искать по видео стало возможно не потому, что компьютер научился искать по изображению и звуку, а потому, что вы сначала превратили речь в текст.

У поиска внутри видео два варианта, и выбор между ними – настоящее продуктовое решение. Поиск по ключевым словам ищет введённые слова: он быстрый, дешёвый, предсказуемый, но не знает синонимов – по запросу «машина» не найдётся «автомобиль». Семантический поиск сравнивает смысл с помощью эмбеддингов (векторных представлений текста), поэтому «как вернуть деньги» найдёт фрагмент про «возвраты», хотя слова разные. Семантический поиск мощнее и дороже и опирается на ИИ-модели, о которых рассказано в статье Где ИИ встраивается в обучающий продукт. Для русского языка эмбеддинги дают, например, GigaChat API (модели EmbeddingsGigaR и другие) или open-source-модели на своих серверах. Прагматичный путь – сначала запустить поиск по ключевым словам, а семантическое ранжирование добавить, когда библиотека вырастет.

Нажмите, чтобы увеличить

Откуда берётся текст: автоматическая расшифровка и главы

Для нескольких флагманских курсов главы можно расставить, а транскрипт вычитать вручную. Для библиотеки в сотни часов это автоматизируют.

Автоматическая расшифровка использует распознавание речи (ASR) – программы, которые превращают речь в текст с тайм-кодами. Современное распознавание достаточно хорошо, чтобы дёшево получить черновик транскрипта, файла субтитров и поискового индекса для всего каталога. Компромиссы и точность разобраны в статьях раздела про ИИ: Автоматические субтитры для учебного видео и сравнение моделей потокового распознавания речи. Для русской речи подойдут Yandex SpeechKit (есть вариант Hybrid для установки в своём контуре), SaluteSpeech от Сбера или open-source Whisper на собственных серверах; у Kinescope и Yandex Cloud Video автосубтитры встроены в платформу. Если в записи звучат голоса учащихся, аудио и транскрипт – их персональные данные, поэтому распознавание и хранение должны оставаться в России (ч. 5 ст. 18 152-ФЗ). Главное для этой статьи: результат распознавания – черновик. Чтобы транскрипт соответствовал требованиям доступности, а поисковый индекс не засоряли неверно распознанные слова, результат проверяет человек. Субтитры с ошибками не соответствуют WCAG, а поиск, который выдаёт мусор, хуже, чем никакого.

Автоматическая разметка глав – это когда ИИ читает транскрипт, находит смены темы и естественные паузы и предлагает границы глав с заголовками. Времени это экономит много, но правило то же: до публикации список глав утверждает человек, потому что автоматическая глава с названием «э-э, ну, дальше» никому не поможет. Считайте автоглавы черновиком для редактора, а не готовым результатом.

Трекинг навигации: о чём говорят переходы

Раз весь раздел посвящён учебным данным, возникает вопрос: записывать ли, когда учащийся переходит к главе или ищет что-то в видео? Можно, и для этого есть корректный способ по стандартам.

Механизм – Experience API (xAPI) и его Video Profile. Этот стандарт развивает ADL, организация по стандартам в обучении; по нему плеер записывает короткие фразы о действиях учащегося в базу – Learning Record Store (LRS). Когда учащийся перематывает к главе, плеер отправляет утверждение seeked, а Video Profile передаёт, откуда и куда он перешёл, в двух расширениях – time-from и time-to (xAPI Video Profile, ADL). Так «Мария перешла с 0:12 на 5:40» становится событием, которое можно запросить. Подробно – в статье Трекинг видео через xAPI Video Profile.

Зачем это нужно? Данные навигации показывают, что учащиеся не поняли и что им нужно. Если сотни учащихся ищут термин, под который нет главы, этот термин должен стать главой или отдельным уроком. Если все пропускают первые три минуты, вступление слишком длинное. Навигация показывает, чего учащиеся хотят на самом деле, и эти данные дополняют метрики вовлечённости из статьи Частота взаимодействий и сигналы активного обучения.

Бонус: главы работают и на SEO

Эту выгоду команды часто упускают. Транскрипт на странице урока – индексируемый текст, по которому поисковик понимает, о чём видео. Яндекс поддерживает разметку schema.org VideoObject для поиска по видео и описывает в документации Вебмастера обязательные свойства, без которых ролики не проиндексируются (Яндекс Вебмастер, разметка видео). Google идёт дальше и умеет показывать главы как «ключевые моменты» – кликабельные тайм-коды под видео в выдаче. Для этого есть два типа структурированных данных: Clip, где вы размечаете моменты вручную, и SeekToAction, где вы сообщаете формат времени в URL, а поисковик находит моменты сам (Google Search Central, Video structured data, 2026). Для публичного каталога курсов или маркетингового видео главы и транскрипт, которые обеспечивают навигацию в плеере, работают и на видимость в выдаче – из тех же исходных данных. Работа одна, польза двойная.

Сколько это стоит и сколько экономит

Посчитаем на примере, потому что выбор здесь вполне конкретный.

Допустим, у вас библиотека на 200 часов, и вам нужны транскрипты, главы и поиск по всему каталогу. Автоматическая расшифровка стоит ориентировочно 17–34 ₽ за час аудио (сверяйте с прайсом своего провайдера). Возьмём середину, 25 ₽ за час:

• 200 часов × 25 ₽/час = 5 000 ₽ за разовую расшифровку всей библиотеки.

Это дешёвая часть. Основные расходы – проверка человеком. Допустим, редактор правит транскрипт и утверждает главы со скоростью 3× от реального времени, то есть тратит 3 минуты на минуту видео:

• 200 часов × 3 = 600 часов проверки × (условно) 2 100 ₽/час = 1 260 000 ₽ (≈ 1,3 млн ₽) на работу людей.

Получается, что машинная расшифровка почти ничего не стоит, а основная статья бюджета – контроль качества. Теперь об экономии. Если поиск внутри видео экономит каждому из 5000 учащихся всего 4 минуты поиска на курс:

• 5000 × 4 мин = 20 000 минут ≈ 333 человеко-часа экономии на каждом потоке учащихся.

Для корпоративного обучения, где время сотрудников оплачивает компания, сэкономленные часы быстро окупают разработку, а доступность и SEO вы получаете без доплаты.

Разработать, купить или взять готовый плеер

Большинство команд не пишут видеоплеер с нуля. Они решают, какую часть глав, транскрипта и поиска возьмут из плеера или платформы, а что разработают сами. Вот сравнение вариантов и стандартов, которые они поддерживают.

К чему приходит большинство учебных продуктов: главы и интерактивный транскрипт берут у хорошего плеера, чтобы не изобретать их заново, а поиск по всей библиотеке разрабатывают сами. Ни один готовый плеер не ищет по всему вашему каталогу, поэтому этот индекс становится основой продукта и вашим отличием от конкурентов. Подробнее об архитектуре – в статье Создание интерактивного видеоплеера.

Частая ошибка: «просмотрел 100%» не значит «нашёл»

Функции навигации чаще всего губит неверная метрика. Команда выпускает главы и транскрипт, видит, что среднее время просмотра не выросло, и решает, что функции «не сработали». Но навигация и не должна увеличивать время просмотра: при хорошей реализации оно часто падает, потому что учащиеся перестают перематывать вслепую и сразу идут к нужному месту. Правильная метрика – решена ли задача: нашёл ли учащийся ответ, за которым пришёл? Измеряйте долю поисков с результатами, кликабельность глав и то, как часто учащиеся пересматривают видео целиком, а не проигранные минуты. Оценивать навигацию по времени просмотра – всё равно что оценивать каталог библиотеки по тому, как долго люди бродят между полками.

Вторая ловушка помельче – выдавать сырой результат распознавания за транскрипт. Он не пройдёт проверку по WCAG и ГОСТ Р 52872-2019, как только его посмотрит эксперт, и засорит поиск неверно распознанными словами. Машина пишет черновик, человек его утверждает.

Когда главы, транскрипты и поиск – правильный инструмент

Не каждому видео нужны все три функции. 90-секундному ролику микрообучения нужен только транскрипт для доступности: делить на главы и искать там нечего. Вложения окупаются пропорционально длине видео и размеру библиотеки: длинным видео нужны главы, большим библиотекам – поиск по всем видео, а каждому видео нужен транскрипт, потому что доступность – не опция. Дерево решений ниже – краткая версия.

Нажмите, чтобы увеличить

Где здесь Фора Софт

Мы делаем учебные видеопродукты на заказ, и навигация по видео – как раз то место, где заканчиваются возможности универсального плеера и начинается настоящий продукт. Обычно мы советуем командам такое разделение: главы и интерактивный транскрипт взять у хорошего плеера, а бюджет разработки вложить в поисковый индекс по всей библиотеке и трекинг, из которого можно делать выводы о навигации, с распознаванием речи и хранением в российском контуре. Эти части ни один вендор не настроит под ваш каталог. Мы работаем с видеоконференциями, стримингом, OTT и e-learning с 2005 года, и опыт раз за разом подтверждает одно: главный актив – текст с тайм-кодами. Главы, транскрипты, поиск, субтитры и SEO получаются из него, если сделать его правильно. Мы планируем работу так, чтобы дешёвые автоматизируемые части оставались дешёвыми, а проверка качества получала должное внимание.

Ключевые выводы

• Главы, интерактивные транскрипты и поиск внутри видео строятся на одном источнике – тексте с тайм-кодами.
• Главы хранят в формате W3C WebVTT kind="chapters"; клики перематывают видео по значениям Media Fragments #t=.
• Транскрипт решает три задачи: доступность (WCAG SC 1.2.1, уровень A; ГОСТ Р 52872-2019), навигацию и поиск.
• Поиск внутри видео индексирует транскрипт: по ключевым словам – дёшево и буквально, семантический – по смыслу.
• ASR (SpeechKit, SaluteSpeech, Whisper на своих серверах) дёшево готовит черновики транскриптов и глав, но утверждать их должен человек: основной бюджет уходит на проверку.
• Отслеживайте переходы глаголом xAPI seeked (time-from/time-to): данные навигации показывают, что на самом деле нужно учащимся.

Что почитать дальше

• Заметки, закладки и аннотации учащихся
• Создание интерактивного видеоплеера
• Трекинг видео через xAPI Video Profile