Расшифровка речи без облака: час записи за три минуты
TL;DR Записи встреч, голосовые и ролики я расшифровываю на домашнем Mac mini, без облачных сервисов. Час русской речи превращается в текст примерно за три минуты. Русский распознаёт GigaAM v3 от Сбера, английский и ещё 23 европейских языка — Parakeet v3 от NVIDIA. С телефона всё работает через бота в Телеграме: отправляешь аудио, получаешь текст. На деньгах это почти не экономит: самый дешёвый облачный вариант стоит около рубля за час звука. Выигрыш в другом: запись звонка с клиентом не уходит третьим лицам, а на русском GigaAM точнее. Ниже — скорость в разных условиях, цены и места, где модели ошибаются. Чтение — минут шесть.
Маркетологу расшифровка нужна каждую неделю: протокол встречи, интервью с клиентом для оффера, чужой вебинар, из которого нужны три цифры, звонки отдела продаж. Облачные сервисы (отправляешь запись на чужой сервер, получаешь текст) справляются. Но запись звонка с клиентом — это его голос, номер и детали сделки. Передача таких записей третьим лицам требует договора и согласий по закону о персональных данных, и перед этим лучше спросить юриста. Расшифровка на своём компьютере снимает сам вопрос передачи.
Простыми словами Модель распознавания речи слушает запись и пишет текст. Локальная — значит, модель лежит на вашем компьютере и считает на нём. Звук не уходит в интернет.
Как это работает: пять шагов от видео до текста
Скрипт — небольшая программа, которая гонит файл через все шаги подряд. Он принимает файл или папку. Ссылку на ролик агент сначала скачивает программой yt-dlp, потом отдаёт скрипту. Дальше пять шагов:
- Программа ffmpeg вынимает звуковую дорожку из видео.
- Скрипт режет звук на куски по 8–22 секунды в самых тихих местах, чтобы не резать слово пополам.
- Модель VoxLingua107 определяет язык каждого куска.
- Русские куски распознаёт GigaAM v3, остальные — Parakeet TDT 0.6B v3.
- Рядом с исходником появляются текст с таймкодами (метками времени) и субтитры .srt.
Ролик, где языки перемешаны, например русское интервью с английскими вставками, расшифровывается целиком: каждый кусок уходит своей модели. Обе модели ставят пунктуацию и пишут числа цифрами: «конверсия 2,5%».
Whisper от OpenAI я не взял. На английском Parakeet точнее: в рейтинге Open ASR у него 6,3% ошибок в словах против 7,4% у Whisper large-v3. Ещё одна причина — выдумки на тишине. Whisper large-v3-turbo у меня проверял разборчивость в тестах озвучки и на тишине дописывал «Продолжение следует» и «субтитры создавал…» — фраз, которых в записи не было.
Час русской речи — около трёх минут
Скорость я мерил несколько раз в разных условиях, и цифры разошлись. Запись «×20» значит, что файл обрабатывается в 20 раз быстрее, чем звучит. Сводка:
| Что мерил | Во сколько раз быстрее записи | Час записи |
|---|---|---|
| Только модель GigaAM, запись 7:50, один процесс | ×57 | около минуты |
| Бот в Телеграме: аудиозапись 7:50 за 14 секунд, с загрузкой модели | ×34 | около 2 минут |
| Скрипт на любом файле с определением языка, русский | ×20 | около 3 минут |
| То же, английский | ×15 | около 4 минут |
| Первый тест на звонках, 30 сентября, другая версия обвязки | ×14 | около 4 минут |
Разница — в том, что входит в замер. Голая модель на одной записи считает быстрее всего. Скрипт для любых файлов тратит время на определение языка, а если в файле есть не русская речь, держит в памяти три модели, до 3,3 ГБ. Для планирования я беру ×20: час русской записи — три минуты.
Одну запись быстрее не сделать: больше потоков процессора (параллельных линий работы) её не ускоряют, а даже замедляют — один поток дал ×57, четыре — ×47. Куски короткие, внутри куска распараллеливать нечего. Зато пачку файлов можно пустить в несколько процессов сразу: каждый идёт медленнее, но вместе четыре процесса дали ×117, восемь — ×130.
Качество: модели путают созвучные слова
В тесте локальных моделей я написал 12 учебных диалогов отдела продаж и озвучил их синтетическим голосом macOS, всего 5 минут звука. GigaAM ошиблась в 8,9% слов, а если не считать разницу в записи чисел — в 2,6%. Синтетический голос распознаётся легче живого, на живых звонках с шумом ошибок будет больше. По таблице самих разработчиков GigaAM на русском в среднем ошибается в 8,3% слов против 21,0% у Whisper. Это их собственный замер на наборах, похожих на звонки и голосовые, версию Whisper они не указали.
Типичная ошибка — созвучные слова. «Компаниях» вместо «кампаниях» в тексте про рекламу — классика. Для разбора звонков это неопасно: смысл восстанавливается из контекста. Для цитаты в статье — опасно: цитату я сверяю по записи.
Бот в Телеграме: с телефона, за секунды
Скрипт удобен за компьютером. С телефона удобнее бот: отправляешь ему голосовое или аудиофайл до 20 МБ, он присылает текст, файл .md и субтитры. Короткий текст приходит сообщением, длинный — только файлами. Аудиозапись на 7 минут 50 секунд он расшифровал за 14 секунд, голосовые на 10–35 секунд — за 4 секунды.
Бот — обычная программа, ИИ-агента внутри нет. Он работает на том же Mac mini и запускается при входе в систему. Доступ — по одобрению: новый человек нажимает «Старт», я один раз нажимаю «Разрешить». Аудио хранится 14 дней, расшифровки — на компьютере без срока, в синхронизацию с другими устройствами они не попадают.
Замечание Через бота звук проходит через серверы Телеграма. Поэтому бот — для надиктовок и своих заметок. Для записей звонков с клиентами годится только скрипт на самом компьютере.
Облако стоит копейки: своя модель — ради приватности и точности на русском
В ноябре я прикинул, во что обойдётся сделать из этого сервис для многих людей. Цены — со страниц продавцов на 4 ноября 2026 года, курс ЦБ того же дня. Арендованный сервер — тот же компьютер, но чужой: платишь помесячно.
| Вариант | Цена | Когда выгоден |
|---|---|---|
| Whisper large-v3-turbo через облачный сервис OpenRouter | 0,012 $ за час звука, около 1 ₽ | по деньгам почти всегда; на живой русской речи ошибается чаще GigaAM |
| Parakeet v3 через OpenRouter | 0,06 $ за час, около 4,9 ₽ | английский и европейские языки |
| Другие облачные сервисы расшифровки | от 2 до 36 ₽ за час | российские сервисы оставляют данные в России |
| Своя GigaAM на арендованном сервере | от 6 200 ₽ в месяц за 8 виртуальных ядер, до 22 000 ₽ за 32 | дешевле Parakeet с объёма около 1 300 часов в месяц, дешевле Whisper — около 6 300 часов |
| Свой компьютер | только электричество, если компьютер уже есть | записи нельзя отдавать третьим лицам |
В деньгах Самый дешёвый облачный вариант — копейки: тысяча часов записей через Whisper стоит около тысячи рублей. Свою модель имеет смысл держать ради двух вещей: запись не уходит третьим лицам, и на русском GigaAM точнее. Если записей, которые нельзя отдавать, нет, облако проще.
Замечание Скорость GigaAM на арендованном сервере я не мерил. На серверном процессоре она будет ниже, чем на Mac mini: моя оценка ×5–15 на виртуальное ядро — самая неуверенная цифра расчёта.
Где это не работает
- Нужно знать, кто что сказал. Модели не различают говорящих. Для звонков спасает стереозапись, где у каждого свой канал. Для встречи пяти человек в одной комнате — нет.
- Японский, китайский, арабский, турецкий. Скрипт такие куски пропускает и пишет об этом. Нужна третья модель, например Whisper.
- Цитата в публикацию. Созвучные слова и фамилии модель путает. Всё, что идёт в текст в кавычках, сверяйте по записи.
- Таймкод на каждое слово. Таймкоды стоят на кусок в 8–22 секунды. Для монтажа по словам нужен отдельный шаг.
- Ролики с YouTube на сервере. С серверов дата-центров YouTube просит подтвердить, что вы не бот. Если не помогут куки отдельного аккаунта (файлы, по которым сайт узнаёт, что вы уже заходили), нужны резидентные прокси — посредники с обычными домашними адресами. По моей оценке, при пике в сотню одновременных запросов это самая дорогая статья сервиса — 40–240 тысяч рублей в месяц. Другие видеохостинги я не проверял.
Откуда числа
- Скорость голой модели, ×117 и ×130 на нескольких процессах — мой замер 4 ноября 2026 года на Mac mini M6, 16 ГБ, запись 7:50, лучший из двух прогонов.
- ×20, ×15 и до 3,3 ГБ памяти — замер скрипта 30 октября 2026 года. ×14, 8,9% и 2,6% ошибок — тест на синтетических диалогах 30 сентября 2026 года.
- 14 и 4 секунды в боте — журнал бота, 5 ноября 2026 года.
- 6,3% против 7,4% на английском — рейтинг Open ASR Leaderboard от Hugging Face. 8,3% против 21,0% на русском — таблица авторов GigaAM на GitHub.
- Цены OpenRouter, других сервисов и аренды серверов — страницы продавцов на 4 ноября 2026 года. Пороги: 6 200 ₽ за сервер, делённые на 4,9 ₽ за час Parakeet, — около 1 300 часов; на 0,98 ₽ за час Whisper — около 6 300 часов.
Сколько записей звонков с клиентами в вашей компании сейчас уходит в чужие сервисы, и кто подписывал договор о данных?