Whisper

Whisper — семейство открытых моделей распознавания речи, выпущенных OpenAI. Модель превращает звучащую речь в текст и умеет переводить речь со многих языков сразу на английский. Веса опубликованы под свободной лицензией MIT, поэтому их можно скачать и запускать на собственном оборудовании.

Текущий открытый релиз — large-v3-turbo, дистиллированная модель, представленная в октябре 2024 года. Она сохраняет почти всю точность полной large-v3, но работает примерно в 8 раз быстрее, что делает её гораздо удобнее для пакетной обработки и работы, близкой к реальному времени. Полный чекпоинт large-v3 по-прежнему доступен, если нужна максимальная точность.

Помимо открытых моделей, OpenAI теперь предлагает транскрипцию через свой API. Классический эндпоинт — whisper-1, к нему добавились модели на базе GPT-4o: gpt-4o-transcribe и более дешёвая gpt-4o-mini-transcribe, у которых есть, например, разделение по говорящим (диаризация). По сообщениям, примерно в мае 2026 года появился потоковый вариант gpt-realtime-whisper, который отдаёт фрагменты транскрипта вживую по мере речи.

Цены делятся на две части. Открытые модели бесплатны: вы платите только за собственные вычисления. Хостинговый API оплачивается по факту: whisper-1 и gpt-4o-transcribe стоят $0,006 за минуту ($0,36/час), gpt-4o-mini-transcribe — $0,003 за минуту ($0,18/час), а живой gpt-realtime-whisper — около $0,017 за минуту.

Точность сильно зависит от языка. Whisper обучали примерно на 99 языках, но качество выше всего для языков с большим объёмом данных, таких как английский, и заметно падает для редких. Для запуска крупных моделей локально нужна мощная видеокарта, а во время долгих пауз модель иногда выдумывает несуществующий текст.

Whisper подойдёт, если вам нужен бесплатный движок транскрипции для собственного сервера, важна широкая языковая поддержка или нужен готовый API без построения собственного конвейера. Хостинговые модели GPT-4o стоит выбрать, если из коробки нужны диаризация или потоковая расшифровка.