Whisper на русском или готовый сервис — что выбрать

Честное сравнение с цифрами из открытых замеров, включая те, где Whisper выигрывает. Если после этой страницы вы поставите Whisper себе — она сработала правильно.

Коротко: это разные инструменты

Whisper — модель, которую вы запускаете сами. Этот сервис — готовая обработка, куда вы отдаёте файл. Сравнивать их «кто точнее» можно, но выбор чаще решается не точностью, а тем, есть ли у вас желание держать своё железо и настраивать разделение говорящих отдельно.

Точность: три замера, и они не сходятся

Ниже — доля слов, которые пришлось бы исправить (меньше значит лучше). Важно, чей это замер: авторы модели считают на своём наборе, независимые исследователи — на своём, и расхождение между ними больше, чем разница между самими моделями.

• Замер авторов GigaAM, десять наборов. Whisper large-v3 — 21,0 % в среднем, модель этого сервиса — 11,2 %. Это замер разработчиков модели, и относиться к нему нужно как к таковому.
• Независимая проверка, июнь 2026. На студийной речи паритет: Whisper turbo 7,28 % против 7,89 %. На шумном материале с YouTube Whisper впереди — 26,9 % против 28,3 %.
• Независимый обзор, сентябрь 2025 (автор Vosk): семейство GigaAM в среднем 8,42 % против 16,2–16,8 % у разных версий Whisper, включая записи телефонных разговоров.
• Наш собственный прогон — 2398 записей: 6,71 % на подготовленной начитке, 8,76 % на спонтанной речи и 12,81 % на самом трудном наборе. Методика и скрипты открыты, цифры можно перепроверить.

Вывод, который эти цифры позволяют сделать честно: на чистой русской речи разница невелика, на шуме преимущества нет ни у кого, а на телефонных записях выигрывает не Whisper. Вывод, который они НЕ позволяют сделать: «распознаём лучше всех».

Когда правильнее взять Whisper

• Записи нельзя выпускать за пределы своего контура — тогда вопрос закрыт, и это правильное решение.
• Нужны десятки языков, а не русский.
• Объёмы большие и постоянные, своё железо уже есть, а инженерное время — дешевле минут.
• Задача разовая и техническая: разобрать архив, поэкспериментировать, встроить в собственный конвейер.

Когда своё запускать не стоит

Если нужен не «текст», а готовая расшифровка встречи: реплики разложены по людям, люди названы по именам, знаки препинания на месте, время у каждого слова. Whisper даёт первый шаг из этой цепочки — распознавание. Остальное придётся собирать: ставить модель разделения голосов, придумывать, как хранить отпечаток голоса участника между записями, сшивать длинные файлы, править числа и знаки. Это не месяц работы одного человека, но и не вечер.

Вопросы