Локальный запуск
Whisper: расшифровка аудио в текст на своём компьютере
Запись интервью, созвона или своего курса надо расшифровать, а отдавать её онлайн-сервису не хочется: там чужой сервер, лимит по минутам и подписка. Плюс у половины таких сервисов доступ из России сломан. Остаётся вариант, о котором обычно пишут туманно: поставить распознавание речи себе на компьютер.
Факты сверены с первоисточниками 10 сентября 2026: справки открывали живьём, цены и лимиты смотрели на сайтах сервисов. Ссылки на документы стоят рядом с фактами в тексте.
Разбор идёт по шагам установки: чем локальная расшифровка отличается от онлайн-сервиса, что поставить и в каком порядке, как выбрать размер модели под свою видеокарту, какие команды дают текст и какие сразу субтитры, и когда локальный запуск честно выигрывает, а когда проще отдать файл сервису.
Короткий ответ
Whisper это модель распознавания речи от OpenAI, которая ставится на компьютер и считает локально: запись не уходит на чужой сервер и лимитов по минутам нет. Русскую речь разбирает, файлы субтитров с таймкодами отдаёт сразу.
Ставится командой pip install -U openai-whisper, и отдельно нужен ffmpeg в системе. Дальше всё упирается в видеопамять: large просит около 10 ГБ, turbo около 6 ГБ, а tiny и base обходятся примерно гигабайтом.
Что такое Whisper
Whisper распознаёт речь и превращает её в текст. Работает с десятками языков, включая русский, и умеет не только расшифровку, но и перевод иностранной речи в английский текст.
Ключевое отличие от привычных онлайн-сервисов в том, где считается результат. Онлайн-расшифровка это загрузка файла на чужой сервер с чужими лимитами по минутам и с вопросом о том, что происходит с записью дальше. Whisper считает на вашей машине: файл не уезжает никуда, длина ролика ограничена только терпением, а платить за минуты не нужно.
Установка
Основной способ описан в репозитории проекта одной командой: pip install -U openai-whisper. Она ставит сразу и библиотеку для питона, и командную строку, которой дальше и удобно пользоваться.
Второе обязательное условие: ffmpeg в системе. Без него модель не сможет прочитать звук из файлов: именно ffmpeg достаёт дорожку и приводит её к нужному виду. На Windows он ставится через choco install ffmpeg или scoop install ffmpeg, на macOS через brew install ffmpeg, в Debian и Ubuntu через sudo apt install ffmpeg.
По совместимости в документации заявлен питон версий с 3.8 по 3.11. Это тот случай, когда самая свежая версия питона может выйти боком: зависимости под неё собираются не всегда.
Какую модель выбрать
Размеров шесть, и разница между ними сводится к трём величинам: сколько параметров, сколько нужно видеопамяти и во сколько раз быстрее самой крупной модели.
| Модель | Видеопамять | Скорость к large |
|---|---|---|
| tiny, 39 млн параметров | около 1 ГБ | примерно в 10 раз быстрее |
| base, 74 млн | около 1 ГБ | примерно в 7 раз |
| small, 244 млн | около 2 ГБ | примерно в 4 раза |
| medium, 769 млн | около 5 ГБ | примерно в 2 раза |
| large, 1550 млн | около 10 ГБ | опорная скорость |
| turbo, 809 млн | около 6 ГБ | примерно в 8 раз |
Turbo стоит особняком: это оптимизированная версия large-v3, которая расшифровывает заметно быстрее при незначительной потере точности. Именно она выбирается по умолчанию, если модель не указана явно.
Что брать под русскую речь
У четырёх размеров есть отдельные англоязычные версии с суффиксом .en, на русском они бесполезны. Для русской речи берутся мультиязычные модели, и практическая развилка тут простая: medium как разумный компромисс, turbo когда важнее скорость, large когда запись сложная и правки дороже времени.
Совсем маленькие tiny и base на русском годятся для черновой расшифровки «о чём вообще была запись», но не для субтитров: имена и термины они не вытягивают.
Команды для расшифровки
Минимальный вызов выглядит так: whisper audio.mp3 --model turbo. Файл может быть и видео: звук из него достанет ffmpeg.
Язык лучше указывать явно, а не полагаться на автоопределение: whisper zapis.mp3 --language Russian. На коротких записях и на речи с паузами автоопределение промахивается, и вся расшифровка уезжает не в тот язык.
Полный список ключей всегда под рукой: whisper --help. Там же настройки размера окна, температуры и порогов, которые пригодятся, когда базовый результат уже получен и хочется его дожать.
Готовые субтитры на выходе
Главное практическое достоинство командной строки: она отдаёт не сплошной текст, а готовые файлы. Доступные форматы вывода: txt, vtt, srt, tsv и json, плюс отдельное значение для записи всех форматов сразу.
| Формат | Для чего |
|---|---|
| srt | Субтитры для площадок и видеоредакторов |
| vtt | Субтитры для веба |
| txt | Сплошной текст без таймкодов, для поста или конспекта |
| tsv | Таблица с таймкодами, если результат разбирается скриптом |
| json | Полный ответ модели, включая разбивку по сегментам |
То есть одна расшифровка закрывает сразу и субтитры, и текстовую версию. Как этот файл дальше превращается в текст на картинке и чем субтитры отдельным файлом отличаются от вшитых в кадр, разобрано в материале про автоматические субтитры к видео.
Отдельно про качество исходника. Модель ошибается там же, где ошибается человеческое ухо: на шуме, эхе и наложении голосов. Поэтому запись имеет смысл сначала почистить, способы собраны в разборе как убрать фоновый шум.
Перевод речи в английский
Кроме расшифровки Whisper умеет переводить: иностранная речь на входе, английский текст на выходе. Включается это режимом --task translate.
Здесь есть ловушка, о которой сказано в документации прямо: модель turbo для задач перевода не обучалась. Если запросить у неё перевод, она вернёт исходный язык, и со стороны это выглядит как будто ключ не сработал. Для перевода нужно брать мультиязычные модели, и лучше medium или large.
Обратного направления, то есть перевода на русский, у модели нет: перевод идёт только в английский. Если нужен русский текст с иностранного видео, порядок другой: сначала расшифровка на языке оригинала, потом перевод текста отдельным инструментом.
Когда локальный запуск оправдан
Ставить модель на компьютер имеет смысл не всегда. Разовую расшифровку одного ролика быстрее сделать автосубтитрами, не трогая ни питон, ни ffmpeg.
| Ситуация | Локально или онлайн |
|---|---|
| Один ролик, ничего секретного | Онлайн: быстрее и без установки |
| Запись нельзя выкладывать наружу | Только локально |
| Десятки файлов в неделю | Локально: разово настроить и гонять пакетом |
| Слабый ноутбук без видеокарты | Онлайн или маленькая модель локально |
Whisper удобно ложится в тот же набор, что и остальные локальные модели: та же логика с размерами, той же ценой в видеопамяти. Если рядом планируется языковая модель, полезны разборы LM Studio и llama.cpp, а формат весов, который встречается почти везде, объяснён в материале про GGUF.
Памятка
Порядок действий от установки до готовых субтитров, без объяснений.
Частые вопросы
Что такое Whisper и чем он отличается от онлайн-расшифровки?
Whisper это модель распознавания речи от OpenAI, которую ставят на свой компьютер и запускают локально. Отличие от онлайн-сервисов в том, что запись никуда не отправляется: она обрабатывается на вашем железе. Платы за минуты нет, лимитов на длину файла нет, а скорость зависит от вашей видеокарты и выбранного размера модели.
Как установить Whisper?
Основной способ описан в репозитории: команда pip install -U openai-whisper. Дополнительно в системе должен быть установлен ffmpeg, без него модель не сможет прочитать звук из файлов. Заявленная совместимость с Python от 3.8 до 3.11. Установка ставит и командную строку, и питоновскую библиотеку сразу.
Какую модель Whisper выбрать?
Размеров шесть: tiny, base, small, medium, large и turbo. По документации им нужно примерно 1, 1, 2, 5, 10 и 6 гигабайт видеопамяти, а скорость относительно large составляет 10x, 7x, 4x, 2x, 1x и 8x. Turbo это оптимизированная версия large-v3, она быстрее при незначительной потере точности, и именно она выбирается по умолчанию. Для русской речи разумно начинать с medium или turbo.
В каких форматах Whisper сохраняет результат?
Командная строка умеет отдавать txt, vtt, srt, tsv и json, а также записать все форматы разом. Для субтитров нужен srt или vtt: в них уже проставлены таймкоды, и файл можно сразу загрузить на площадку или подложить в видеоредактор.
Может ли Whisper перевести речь на английский?
Да, для этого есть режим перевода: он превращает иностранную речь в английский текст. Важная оговорка из документации: модель turbo для перевода не обучалась и вернёт исходный язык, даже если режим перевода указан. Для перевода нужно брать мультиязычные модели, лучше medium или large.
Нужна ли видеокарта для Whisper?
Работать модель может и на процессоре, но медленно, и разница растёт вместе с размером модели. Требования к видеопамяти указаны в документации: около гигабайта для самых маленьких моделей и порядка десяти для large. Если видеокарты нет, разумнее брать tiny, base или small и не ждать скорости.
Что нужно поставить, кроме самого Whisper?
Обязателен ffmpeg в системе: именно он достаёт звуковую дорожку из файла и приводит её к нужному виду, без него модель просто не прочитает запись. На Windows он ставится через choco или scoop, на macOS через brew, в Debian и Ubuntu через apt. Второе условие мягче: в документации проекта заявлена совместимость с питоном версий с 3.8 по 3.11, и на более свежих версиях зависимости собираются не всегда.
Насколько быстро Whisper расшифровывает запись?
Точной цифры в минутах не назовёт никто, и авторы проекта об этом предупреждают отдельно. В документации приведены относительные скорости моделей, но измерены они на английской речи и на серверной видеокарте A100, а реальная скорость зависит от языка, темпа речи и вашего железа. Полезнее относительная шкала: turbo примерно в восемь раз быстрее large при минимальной потере точности.
Можно ли запустить Whisper без видеокарты?
Запустить можно, вопрос только в терпении: на процессоре расшифровка идёт кратно дольше, и крупные модели там брать бессмысленно. Практичный путь на слабой машине это модели поменьше, tiny и base, которым хватает около гигабайта видеопамяти. Если запись не секретная и разовая, быстрее выйдет отдать её онлайн-сервису, а локальный запуск оставить на случаи, когда файл нельзя выпускать наружу.