# Распознавание речи локально: как выбрать Whisper и альтернативы

Источник: https://modelium.tech/zhurnal/raspoznavanie-rechi-lokalno/

Для локального перевода речи в текст сначала определите язык записи, допустимость загрузки моделей и требования к таймкодам. Whisper и его реализации faster-whisper и whisper.cpp — разные способы запуска; Qwen3-ASR — отдельное семейство. Сравнивайте кандидатов на одном разрешённом русском аудио с ручным эталоном: поддержка языка и авторские тесты не гарантируют качество именно вашей записи.

**Проверено по исходникам 30 сентября 2026 года.** Ни одну модель Modelium для этой статьи не запускал. Сравнение ниже — протокол самостоятельного пилота, а не рейтинг измеренной точности.

## Что должно получиться на выходе?

Вход — разрешённая к обработке запись русской речи и короткий фрагмент с вручную выверенным текстом. Выход — транскрипт с отметками спорных слов и, если задача требует, сегментными таймкодами. Для встречи с несколькими голосами нужен отдельный слой диаризации: WhisperX описывает комбинацию ASR, выравнивания слов и назначения анонимных меток спикеров; одно лишь распознавание текста не определяет личность говорящего [s6](#src-s6).

До установки определите, допустимо ли загружать веса и зависимости из сети, где будет храниться аудио и нужен ли результат без сети после подготовки окружения. Это условия вашего пилота, а не обещание, что установка сама по себе не обращается наружу. Для проверки сетевого режима есть отдельный материал «Как проверить офлайн-контур».

## Чем отличаются Whisper, faster-whisper, whisper.cpp и Qwen3-ASR?

**OpenAI Whisper** — семейство моделей и эталонная Python-реализация для распознавания и перевода речи [s1](#src-s1). Для русского выбирайте многоязычный вариант: версии `.en` предназначены для английского. `turbo` может делать транскрипцию, но, согласно README, не обучался задаче перевода в английский; не смешивайте «текст по-русски» и «перевести сказанное на английский» [s1](#src-s1). Таблица скоростей разработчика получена на английском аудио и A100: её нельзя превращать в прогноз для вашего CPU или русской записи [s1](#src-s1).

**faster-whisper** — другой движок запуска весов Whisper, на базе CTranslate2, с вариантами CPU/int8 и CUDA [s3](#src-s3). В README есть отдельные параметры для таймкодов слов и фильтра VAD; в режиме VAD проверяйте, не исчезли ли тихие или короткие реплики [s3](#src-s3). Результат `transcribe` отдаётся как генератор сегментов: если не пройти его итерацией, работа по распознаванию может ещё не выполниться [s3](#src-s3). Опубликованные сравнительные скорости — тесты авторов на заданных моделях и железе, а не независимый выбор победителя для вашего оборудования [s3](#src-s3).

**whisper.cpp** — C/C++ реализация Whisper с CPU-only и бэкендами для ряда GPU; это выбор при желании использовать CLI и отдельную сборку, а не аргумент, что любая конфигурация будет быстрее Python [s4](#src-s4). В закреплённом README `whisper-cli` демонстрируется на WAV 16-bit: аудио другого формата для такого пути сначала приводят к совместимому PCM, затем проверяют выбранный многоязычный ggml-файл модели. Пример `base.en` из README — английский и не подходит как базовый кандидат для русского [s4](#src-s4) [s1](#src-s1).

**Qwen3-ASR** — отдельное семейство весов, а не реализация Whisper; карточка 0.6B перечисляет русский среди поддерживаемых языков [s5](#src-s5). Выбирайте точный checkpoint и сохраняйте его ревизию. Авторские заявления о качестве, включая сравнения с другими системами, не равны измерениям на ваших телефонных звонках или совещаниях [s5](#src-s5). Детали вариантов разобраны на отдельной странице Qwen3-ASR.

## Как сделать первый локальный тест без ложного «победителя»?

- **Выберите данные.** Возьмите разрешённый фрагмент с фоновым шумом, терминами и несколькими характерными для вашей задачи именами. Вручную зафиксируйте эталон и места, где даже человеку плохо слышно. Не передавайте закрытое аудио в онлайн-демо ради сравнения.

- **Зафиксируйте вариант.** Запишите ревизию весов, runtime, устройство, язык и параметры распознавания. Для первого опыта можно открыть гайд по faster-whisper/VAD; он рассматривает именно влияние удаления тишины. Для эталонной реализации OpenAI описывает установку `openai-whisper`, необходимость `ffmpeg` и CLI с явным языком [s1](#src-s1). Для пути whisper.cpp сначала проверьте формат входного WAV и соответствующий файл многоязычной модели [s4](#src-s4).

- **Получите транскрипт.** Запустите каждый вариант на одном и том же исходном аудио, сохранив текст и таймкоды. VAD и нормализацию звука не меняйте между кандидатами без записи изменений. Для faster-whisper до конца переберите генератор сегментов: иначе нельзя утверждать, что транскрипция завершена [s3](#src-s3).

- **Сверьте ошибки вручную.** Отмечайте пропущенные слова, подменённые имена и цифры, придуманные фразы на паузах, потерю коротких реплик и расхождение сегментных времён. Карточка Whisper отдельно предупреждает о тексте, которого в аудио не произносили, и о неравномерной точности между языками и диалектами [s2](#src-s2). Не переносите авторские цифры WER на свою запись.

- **Только затем решайте задачу.** Если нужны метки людей, переходите к отдельной диаризации; если требуется перевод, проверьте модель и режим перевода, а не оценивайте перевод по транскрипту на исходном языке [s6](#src-s6) [s1](#src-s1).

Проверяемый итог пилота — сохранённые аудио, эталон и ошибочные интервалы для каждого варианта плюс запись конфигурации запуска. Пока собственных сопоставимых прогонов Modelium нет, мы не назначаем «лучший ASR для русского» и не называем минимальную RAM/VRAM. Репозиторий OpenAI Whisper содержит MIT-лицензию для своего кода; это не автоматическая оценка лицензий Qwen, аудиоданных, зависимостей или коммерческого сценария в целом [s7](#src-s7).

## Источники

1. [OpenAI Whisper — README, pinned Git commit](https://github.com/openai/whisper/blob/86098128c0b4f24f0e2aa2994de830614b474227/README.md) — получено 2026-09-30
2. [OpenAI Whisper — model card, ограничения](https://github.com/openai/whisper/blob/86098128c0b4f24f0e2aa2994de830614b474227/model-card.md) — получено 2026-09-30
3. [SYSTRAN faster-whisper — README, pinned Git commit](https://github.com/SYSTRAN/faster-whisper/blob/ed9a06cd89a93e47838f564998a6c09b655d7f43/README.md) — получено 2026-09-30
4. [ggml-org whisper.cpp — README, pinned Git commit](https://github.com/ggml-org/whisper.cpp/blob/6e4ab854f67f743900934a703d5603419384c961/README.md) — получено 2026-09-30
5. [Qwen — карточка Qwen3-ASR-0.6B, pinned HF revision](https://huggingface.co/Qwen/Qwen3-ASR-0.6B/blob/5eb144179a02acc5e5ba31e748d22b0cf3e303b0/README.md) — получено 2026-09-30
6. [WhisperX — README, pinned Git commit](https://github.com/m-bain/whisperX/blob/771b4a14a9486f8fd5aef18ef49e35d639523dd3/README.md) — получено 2026-09-30
7. [OpenAI Whisper — лицензия репозитория, pinned Git commit](https://github.com/openai/whisper/blob/86098128c0b4f24f0e2aa2994de830614b474227/LICENSE) — получено 2026-09-30