Whisper

Whisper — это семейство моделей распознавания речи с открытым исходным кодом, выпущенных OpenAI. Она преобразует звучащую речь в текст, а мультиязычные модели large-v3 могут переводить речь со многих языков напрямую на английский. Веса модели опубликованы под разрешительной лицензией MIT, поэтому их можно скачать и запускать на собственном оборудовании.

Текущий открытый релиз — large-v3-turbo, оптимизированная версия large-v3, выпущенная в сентябре 2024 года. Она сохраняет почти всю точность полной модели large-v3, работая при этом примерно в 8 раз быстрее, что делает её гораздо более практичной для пакетной обработки и работы в близком к реальному времени режиме. Полная контрольная точка large-v3 по-прежнему доступна для тех случаев, когда требуется максимально возможное качество. Сама Turbo не обучена для задач перевода; для перевода речи на английский используйте другие мультиязычные контрольные точки large-v3.

Помимо открытых моделей, OpenAI предлагает размещённую транскрипцию через свой API. Исходная конечная точка whisper-1, а также gpt-4o-transcribe, gpt-4o-mini-transcribe и gpt-4o-transcribe-diarize были объявлены устаревшими в августе 2026 года и будут удалены из API 26 февраля 2027 года. Теперь OpenAI рекомендует gpt-transcribe для транскрипции файлов и gpt-live-transcribe для потоковой передачи аудио в реальном времени. gpt-realtime-whisper и gpt-realtime-translate также указаны на странице цен OpenAI.

Цены делятся на два направления. Модели с открытым исходным кодом бесплатны для использования — вы платите только за собственные вычислительные мощности. Размещённый API тарифицируется за минуту аудио: gpt-transcribe стоит $0.0045/мин, gpt-live-transcribe и gpt-realtime-whisper стоят $0.017/мин, а gpt-realtime-translate стоит $0.034/мин. Устаревшие модели whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe и gpt-4o-transcribe-diarize по-прежнему тарифицируются по действующим ставкам за минуту до их удаления 26 февраля 2027 года.

Точность сильно варьируется в зависимости от языка. Whisper обучена примерно на 99 языках, но качество наиболее высокое для языков с большим объёмом данных, таких как английский, и заметно снижается для менее распространённых языков. Запуск более крупных моделей локально также требует мощного GPU, и модель может иногда галлюцинировать текст во время длительных пауз в тишине.

Whisper хорошо подходит, если вам нужен бесплатный, самостоятельно размещаемый движок транскрипции, требуется широкая многоязычная поддержка, или нужен управляемый API без создания собственного конвейера обработки. Выбирайте размещённые модели gpt-transcribe или gpt-live-transcribe, если вам нужна транскрипция файлов или потоковая транскрипция через API OpenAI, и планируйте перейти с любых интеграций, всё ещё использующих устаревшие конечные точки.