Whisper

Whisper — это open-source модель автоматического распознавания речи (ASR) от OpenAI, выпущенная в 2022 году и широко признанная наиболее точной общедоступной системой транскрипции. Обученная на 680 000 часах многоязычных аудиоданных, она поддерживает 100 языков с высокой точностью — включая многие малоресурсные языки, с которыми коммерческие сервисы транскрипции справляются плохо — и лучше большинства альтернатив справляется с акцентированной речью, техническим жаргоном и фоновым шумом.

Модель распространяется под лицензией MIT, то есть её можно использовать бесплатно в любых целях, включая коммерческие. Запуск Whisper локально не требует оплаты API — затраты на вычисления ограничены вашим собственным оборудованием или облачным инстансом. Модель поставляется в пяти размерах (tiny, base, small, medium, large) с различными компромиссами между скоростью и точностью; модель large-v3 обеспечивает наилучшую точность и работает на большинстве современных GPU с 10 ГБ+ VRAM. OpenAI также предоставляет хостинговый API по цене $0,006/минуту, что конкурентоспособно с коммерческими сервисами транскрипции.

Основное ограничение состоит в том, что Whisper обрабатывает записанные аудиофайлы, а не потоки в реальном времени — встроенной возможности живой транскрипции нет. Сторонние проекты, такие как Whisper Live и WhisperStream, добавляют функциональность реального времени, но требуют дополнительной инфраструктуры. Для приложений, требующих живых субтитров (видеозвонки, прямые эфиры), лучше подойдут облачные сервисы, такие как AssemblyAI или Deepgram. Для пакетной транскрипции записей, подкастов, встреч и интервью Whisper обеспечивает наилучшее соотношение точности и стоимости из доступных решений.