# speech.cpp 0.8.2: запись и распознавание речи прямо в браузере

Источник: https://modelium.tech/zhurnal/speech-cpp-0-8-2-live-transcription-browser-vad/

8 октября вышла стабильная speech.cpp 0.8.2: теперь можно открыть локальную страницу, выбрать модель и расшифровать запись или речь с микрофона без написания кода. Программа загружает выбранные модели при первом использовании; для длинных записей добавлено разбиение по участкам речи. Это обновление программы, а не новые веса Qwen3-ASR: скорость и точность на вашем компьютере редакция не измеряла.

## Что изменилось 8 октября

Хотите превратить запись встречи в текст, не отправляя её в облачный сервис? Вышла **speech.cpp 0.8.2**: у программы для локального запуска речевых моделей теперь есть страница в браузере с вкладками для озвучки текста, расшифровки аудиофайла и распознавания голоса во время разговора. Большая часть функций появилась в 0.8.0 8 октября; обновления 0.8.1 и 0.8.2 в тот же день исправили обработку длинного текста и хранение загруженных файлов модели. Поэтому речь именно о текущем стабильном выпуске 0.8.2, а не о новой модели. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

**Для обычного пользователя:** можно выбрать модель на странице, дождаться её первой загрузки и попробовать свою запись. Страница работает на своём компьютере после установки; при первом выборе модели понадобится интернет, чтобы получить её веса с Hugging Face. Дальше проверьте результат по исходной записи: имена, цифры и пропущенные фразы распознаются не безошибочно. [s4](#src-s4) [s5](#src-s5)

## Почему длинную запись стало проще расшифровать

Новинка — определение участков, где человек говорит: VAD (voice activity detection). С ним программа разбивает длинное аудио на отрезки речи и передаёт их модели распознавания последовательно. В интерфейсе можно выбрать **Silero VAD** вместе с **Qwen3-ASR 0.6B**; Qwen3-ASR включает русский в перечень поддерживаемых языков. Вкладка Live показывает предварительный текст с микрофона и заменяет его окончательной фразой после паузы. Если модель определения речи не выбрана, вкладка расшифровки принимает целую запись длительностью не более минуты и предлагает добавить её для более длинной. [s4](#src-s4) [s5](#src-s5) [s6](#src-s6)

Для тех, кто интегрирует речь в своё приложение, 0.8.0 также добавил распознавание через `/v1/realtime`, команду `speech asr --vad --live` и более длинную расшифровку с `--vad`; это **инженерные функции**, не обязательные для первого знакомства со страницей. [s1](#src-s1) [s4](#src-s4)

## Как попробовать без написания программы

Один путь — **Mac с Apple Silicon**. Откройте «Терминал» и выполните команду установки для закреплённого выпуска: `curl -fsSL https://raw.githubusercontent.com/nyosegawa/speech.cpp/eacd7865c0d4d5a97854a8c6281bf194b8e06df2/install.sh | sh -s -- --version 0.8.2`. Инсталлятор скачивает архив из GitHub, сверяет SHA-256 и добавляет команду в PATH; прежде чем запускать скрипт из сети, можно прочитать его по ссылке в источниках. После установки откройте новое окно терминала, выполните `speech --version` и убедитесь, что программа показывает 0.8.2. Затем выполните `speech serve --open`: должен открыться локальный адрес `127.0.0.1:8080` с вкладками Speak, Transcribe и Live. Если установка недоступна для вашей ОС, у выпуска также есть пакеты Windows x64/Vulkan и Linux x64/CPU или Vulkan; требования к драйверам и glibc перечислены в официальной инструкции. [s3](#src-s3) [s4](#src-s4) [s7](#src-s7) [s11](#src-s11)

Для маленькой проверки на вкладке **Transcribe** выберите `qwen3-asr-0.6b` и загрузите собственную короткую запись со словами «Встреча перенесена на пятницу, в три часа дня». При первом выборе дождитесь скачивания файла модели; после обработки на странице должен появиться текст. Не ожидайте буквального совпадения с примером: сверьте день недели и время с записью, а не с обещанным ответом модели. Для записи подлиннее добавьте `silero-vad` через отдельный выбор на этой вкладке; для Live разрешите браузеру доступ к микрофону. По документации размер загружаемого Qwen3-ASR-файла около 0,84 ГБ, Silero VAD — около 1,2 МБ; **это объём файлов, не минимальный объём оперативной или видеопамяти**. [s4](#src-s4) [s5](#src-s5) [s6](#src-s6)

Инструкция сверена с документацией выпуска, но **Modelium не запускал модель и не измерял результат**. Если программа не открылась, начните с проверки установленной версии и требований вашей ОС; если модель не появилась, проверьте соединение при её первой загрузке. Для приватной работы после загрузки закройте доступ к сети и повторите пробу на своём компьютере. Страница обслуживается локально и по умолчанию слушает `127.0.0.1`; не выставляйте незащищённый речевой сервер в публичную сеть. [s4](#src-s4) [s5](#src-s5) [s7](#src-s7)

## Что известно о лицензиях и точности

Код speech.cpp распространяется под MIT. Это не автоматически распространяется на каждую модель: выбранный GGUF-пакет (файл с весами модели) Qwen3-ASR 0.6B помечен Apache-2.0, а репозиторий Silero VAD GGUF — MIT; перед коммерческим использованием проверяйте условия конкретного пакета и происхождение весов. Файлы GGUF здесь преобразованы для speech.cpp и не взаимозаменяемы с одноимёнными файлами для llama.cpp, LM Studio или Ollama. [s8](#src-s8) [s9](#src-s9) [s10](#src-s10)

Автор проекта публикует измерения 0.8.0 на Apple M5/Metal и RTX 2080/Vulkan для определённых моделей и наборов аудио. Это **авторские тесты**, а не независимая проверка и не гарантированная скорость на вашем устройстве; минимальное требование к памяти из них не следует. Практический следующий шаг — открыть инструкцию установки для своей ОС и проверить одну собственную запись, затем сравнить расшифровку с оригиналом. [s3](#src-s3) [s7](#src-s7)

## Источники

1. [speech.cpp v0.8.0 — release notes](https://github.com/nyosegawa/speech.cpp/releases/tag/v0.8.0) — получено 2026-10-08
2. [speech.cpp v0.8.1 — release notes](https://github.com/nyosegawa/speech.cpp/releases/tag/v0.8.1) — получено 2026-10-08
3. [speech.cpp v0.8.2 — stable release and assets](https://github.com/nyosegawa/speech.cpp/releases/tag/v0.8.2) — получено 2026-10-08
4. [speech.cpp server and browser page at v0.8.2](https://github.com/nyosegawa/speech.cpp/blob/eacd7865c0d4d5a97854a8c6281bf194b8e06df2/docs/server.md) — получено 2026-10-08
5. [speech.cpp model catalog at v0.8.2](https://github.com/nyosegawa/speech.cpp/blob/eacd7865c0d4d5a97854a8c6281bf194b8e06df2/docs/models.md) — получено 2026-10-08
6. [Qwen3-ASR 0.6B GGUF: model card and language list](https://huggingface.co/sakasegawa/Qwen3-ASR-0.6B-GGUF/tree/450483d7e7ffc6ddb47048094247db782f7dda04) — получено 2026-10-08
7. [speech.cpp install and requirements at v0.8.2](https://github.com/nyosegawa/speech.cpp/blob/eacd7865c0d4d5a97854a8c6281bf194b8e06df2/docs/install.md) — получено 2026-10-08
8. [speech.cpp MIT license at v0.8.2](https://github.com/nyosegawa/speech.cpp/blob/eacd7865c0d4d5a97854a8c6281bf194b8e06df2/LICENSE) — получено 2026-10-08
9. [Qwen3-ASR 0.6B GGUF card (Apache-2.0)](https://huggingface.co/sakasegawa/Qwen3-ASR-0.6B-GGUF/blob/450483d7e7ffc6ddb47048094247db782f7dda04/README.md) — получено 2026-10-08
10. [Silero VAD GGUF repository (MIT)](https://huggingface.co/sakasegawa/silero-vad-GGUF/tree/7fcb7aa2a70c312f8579fc987b3e1cdecf9321ca) — получено 2026-10-08
11. [speech.cpp pinned installer script at v0.8.2](https://github.com/nyosegawa/speech.cpp/blob/eacd7865c0d4d5a97854a8c6281bf194b8e06df2/install.sh) — получено 2026-10-08