Формирование субтитров к видео на основе распознавания речи?

Есть пару сотен гигов видео с зарубежных конференций на английском.
Проблема: не всегда понятно что сказал докладчик.
Поэтому ищу программу или сервис, который мог бы, проанализировав видео или звуковую дорожку, распознать английскую речь. Уже просто получить текст было бы замечательно, но в идеале хотелось бы на выходе получить субтитры к видео.

Что удалось пока нагуглить:
VoxcribeCC — если верить вот этому ролику, то это то, что нужно. Но есть существенный минус — очень дорого выходит (10$ за 1 час).

Gaupol — по описанию вроде подходит и программа бесплатная, но под Win отключена возможность распознования речи.

Ещё есть статья на вики по теме, если кому интересно.