Whisper для транскрибации: установка, точность и цены | DarkPlay

Введение

Whisper от OpenAI стал стандартом де-факто для транскрибации аудио. Он справляется с шумом, акцентами и переключением языков лучше большинства коммерческих сервисов. Но чтобы получить идеальный текст на русском, нужно правильно выбрать модель, настроить окружение и знать, как бороться с галлюцинациями нейросети.

Установка и первый запуск

Локальная установка (Python)

Базовый способ — через pip. Убедитесь, что установлен Python 3.9–3.11 и FFmpeg (для обработки аудиокодеков).

pip install -U openai-whisper

После установки проверьте работу командой:

whisper audio.mp3 --model small --language Russian

Альтернатива: faster-whisper

Если у вас слабое железо или нужно транскрибировать часы записей, используйте faster-whisper (реализация на CTranslate2). Он работает в 4 раза быстрее и потребляет меньше памяти.

pip install faster-whisper

Пример кода для использования:

from faster_whisper import WhisperModel
model = WhisperModel("medium", device="cpu", compute_type="int8")
segments, info = model.transcribe("audio.mp3", language="ru")

Выбор модели под ваши задачи

Whisper предлагает 5 размеров: tiny, base, small, medium, large-v3. Для русского языка критично выбирать не меньше small.

Практический совет: Для интервью и подкастов берите medium. Для коротких заметок с диктофона хватит small. Модель large-v3 на русском часто делает лишние исправления имен и терминов, поэтому используйте её только для сложного аудио с несколькими спикерами.

Точность на русском языке и настройка параметров

Ключевые флаги для улучшения результата

При запуске через CLI добавьте параметры:

whisper audio.wav --model medium --language ru --task transcribe --initial_prompt "Это интервью на тему IT-технологий. Слова: Python, API, бэкенд." --condition_on_previous_text False

• --initial_prompt — задаёт контекст. Whisper будет чаще использовать термины из промпта.
• --condition_on_previous_text False — отключает "залипание" на предыдущем тексте. Это снижает риск бесконечного повторения фраз.

Работа с галлюцинациями

Нейросеть может "выдумывать" текст на паузах или при плохом качестве звука. Основные методы борьбы:

1. Предобработка аудио: прогоните файл через фильтр шумоподавления (например, Audacity) или нормализацию громкости (ffmpeg-normalize).
2. Разбивка на чанки: режьте длинные файлы на куски по 3–5 минут. Whisper теряет контекст и начинает фантазировать на длинных записях.
3. Используйте --temperature 0 — это убирает случайность генерации, но может добавить повторы. Оптимально: --temperature 0.2 --temperature_increment_on_fallback 0.2.

Цены API OpenAI и сравнение с локальным запуском

Официальный API Whisper стоит $0.006 за минуту аудио. Для часа записи — $0.36. Это выгодно, если у вас нет GPU и нужно разово расшифровать файлы.

Но есть нюансы:

• API принимает файлы до 25 MB. Длинные записи придётся резать.
• Модель whisper-1 в API менее точна на русском, чем локальная large-v3. Это особенно заметно на именах собственных.
• Промпты (initial prompt) работают хуже, чем в локальной версии.

Когда выбирать API: редкая транскрибация, нет мощного ПК, нужна готовая инфраструктура. Когда выбирать локально: постоянная работа, конфиденциальные данные, максимальное качество через large-v3 или faster-whisper с дообучением.

Выводы

Whisper — лучший бесплатный инструмент для транскрибации, но его нужно настраивать. Для русского языка используйте модель не ниже small, а для серьёзных проектов — medium или large-v3. Если важна скорость — ставьте faster-whisper с типом данных int8. Помните о галлюцинациях: предобрабатывайте аудио, задавайте промпты и отключайте условие на предыдущий текст. API OpenAI удобен для разовых задач, но при регулярной работе локальный запуск дешевле и точнее.