Создайте новое сообщение на смартфоне (с операционной системой Android, iOS...). Поднесите смартфон к динамику компьютера и нажмите на клавиатуре кнопочку с изображением микрофона. Убедитесь, что выбрали раскладку клавиатуры, соответствующую языку видеоролика. Удачи. :)

Там субтитры есть что-ле?
https://www.google.com.ua/search?sourceid=chrome-psyapi2&ion=1&espv=2&ie=UTF-8&q=extract subtitles from mov file&oq=subtitles from mov &aqs=chrome.3.69i57j0l3.14190j0j7

Проблема настолько безнадежная с технической точки зрения, что уже появилась профессия "стеноговорилы" -- человек с хорошей дикцией одевает шумопоглощающую маску со встроенным в нее микрофоном (называется "стеномаска") и заново проговаривает то, что слышит, а компьютер уже распознает то, что ему наговорил "стеноговорила". Эту технологию применяли сначала на телевидении для генерации субтитров в прямых трансляциях, а потом она мало-помалу добралась и до судов -- "стеноговорилы" ввиду их более высокой производительности сейчас вытесняют стенотипистов, точно так же, как стенотиписты когда-то вытеснили стенографистов.

http://www.youtube.com/watch?v=RN0-QHZnvKk

У меня нет такого ощущения, что она уже пала. Конечно, прогресс имеется, еще несколько лет назад голосом можно было только в справочной Google телефоны по адресам искать, на английском, а сегодня можно уже прямо смс-ки набирать на русском. Но все же это не распознавание живой речи, а способ голосового ввода текста – наговаривать текст нужно не только "особо внятно", но и без каких-либо "непростейших" выражений, желательно максимально упрощая. И очень помогает (правильному распознаванию) также сразу же расставлять знаки препинания: здравствуйте восклицательный знак это я запятая как ваши дела вопросительный знак и при этом внимательно смотреть на результат, если не то – все стирать и наговаривать заново, иначе возможно непонимание адресатом, в лучшем случае :-) То есть до записи живой речи еще в ворота тараном долбить и долбить.

Поиски по картинкам и музыке – это другое, поисковик просто сличает картинку или аудио с базой и смотрит, есть ли в ней именно этот файл. Если есть – хорошо, если нет – не нашлось. Но когда заданное изображение не находится, то то, что он предлагает из похожего как правило не имеет с искомым образцом ничего "сущностно общего", совпадает в основном общий цветовой тон. Конкретный пример: ввел сейчас для пробы фото рукоятки дверного замка (отчетливо понятную для любого человека) – предлагает похожие по цветовой гамме картинки, но все типа автомобильных ступичных подшипников, ни одного замка, с ручкой или без.

То есть успехи есть, конечно, но переоценивать их пока не стоит.

Время от времени пользуюсь функцией распознавания речи на айфоне, но необходимость явно обозначать знаки препинания сильно утомляет и мешает свободному потоку сознания. :) В идеале, через несколько лет я ожидаю, что это будет похоже на то, как доктора и большие начальники из западных фильмов 80-х годов наговаривали на кассетные диктофоны тексты медицинских заключений и деловых писем для дальнейшего распознавания "живой" секретаршей. :)

и еще - кто-нибудь еще пробовал заставить смартфон правильно распознать текст песни "Точка, точка, запятая". %)))))