Whisper

Whisper — це сімейство відкритих моделей розпізнавання мовлення, випущених OpenAI. Модель перетворює усне аудіо на текст і вміє перекладати мовлення з багатьох мов одразу англійською. Ваги опубліковані під вільною ліцензією MIT, тож їх можна завантажити й запускати на власному обладнанні.

Поточний відкритий реліз — large-v3-turbo, дистильована модель, представлена в жовтні 2024 року. Вона зберігає майже всю точність повної large-v3, але працює приблизно у 8 разів швидше, що робить її значно зручнішою для пакетної обробки та роботи, близької до реального часу. Повний чекпоінт large-v3 і далі доступний, коли потрібна максимальна якість.

Окрім відкритих моделей, OpenAI тепер пропонує транскрипцію через свій API. Класичний ендпоінт — whisper-1, до нього додалися моделі на основі GPT-4o: gpt-4o-transcribe і дешевша gpt-4o-mini-transcribe, які додають опції на кшталт розділення за мовцями (діаризації). За повідомленнями, приблизно в травні 2026 року з'явився потоковий варіант gpt-realtime-whisper, що віддає фрагменти транскрипту вживу в міру мовлення.

Ціни поділяються на дві частини. Відкриті моделі безкоштовні: ви платите лише за власні обчислення. Хостинговий API оплачується за фактом використання: whisper-1 і gpt-4o-transcribe коштують $0,006 за хвилину ($0,36/год), gpt-4o-mini-transcribe — $0,003 за хвилину ($0,18/год), а живий gpt-realtime-whisper — близько $0,017 за хвилину.

Точність суттєво залежить від мови. Whisper навчали приблизно на 99 мовах, але якість найвища для мов із великим обсягом даних, як-от англійська, і помітно падає для рідкісніших. Для локального запуску великих моделей потрібна потужна відеокарта, а під час довгих пауз модель іноді вигадує неіснуючий текст.

Whisper підійде, якщо вам потрібен безкоштовний рушій транскрипції для власного сервера, важлива широка мовна підтримка або потрібен готовий API без побудови власного конвеєра. Хостингові моделі GPT-4o варто обрати, якщо з коробки потрібні діаризація чи потокова розшифровка.