# Whisper: какие модели выбрать для локальной транскрибации

Источник: https://modelium.tech/zhurnal/whisper-modeli/

Для русской речи выбирайте многоязычный Whisper без суффикса .en: tiny, base, small, medium, large-v3 или turbo. Размер — компромисс, а не гарантия качества и скорости на вашем устройстве; turbo предназначен для транскрибации, но не обучался переводу речи на английский. Проверьте выбранный checkpoint на разрешённой записи с вручную выверенным текстом.

**Данные проверены по исходникам 30 сентября 2026 года.** Имена моделей относятся к закреплённому коду OpenAI, а карточки HF — к указанным ревизиям. Modelium не проводил собственных тестов и не загружал эти веса. [s3](#src-s3) [s5](#src-s5) [s7](#src-s7)

## Какой Whisper подходит для русского языка?

Для русской транскрибации нужны **многоязычные** варианты: `tiny`, `base`, `small`, `medium`, `large-v3` или `turbo`. Суффикс `.en` у первых четырёх размеров означает вариант для английского; по исходной таблице у `large` и `turbo` английской отдельной версии нет. Если исходная речь русская, результат распознавания должен оставаться на русском, а не переводиться на английский. [s1](#src-s1)

Это именно семейство весов Whisper, а не несколько обязательных программ: исходная реализация OpenAI использует PyTorch; альтернативные runtimes разбираются отдельно в [практическом гайде по локальному ASR](/zhurnal/raspoznavanie-rechi-lokalno/). Настройки и поддержка формата конкретного runtime требуют собственной проверки; имя модели без точного артефакта не гарантирует воспроизводимость. [s1](#src-s1) [s3](#src-s3)

## Чем различаются tiny, base, small, medium, large-v3 и turbo?

В таблице разработчика указаны **39 млн параметров для tiny**, **74 млн для base**, **244 млн для small**, **769 млн для medium** и **1550 млн для large**. Больший вариант — кандидат для сравнения, а не гарантированно лучший результат на конкретном русском акценте или записи с шумом. OpenAI сообщает, что качество отличается по языкам и диалектам; модель может выдавать слова, которых не было в аудио. [s1](#src-s1) [s2](#src-s2)

`large` в закреплённом коде OpenAI указывает на файл `large-v3`, а явное `large-v2` — на другой checkpoint. `turbo` и `large-v3-turbo` тоже указывают на один файл, но **не** на файл `large-v3`. Это важно при повторении пилота: пишите полное имя и ревизию/хеш выбранного файла, не только «Whisper large». [s3](#src-s3)

`turbo` — вариант large-v3 с сокращённым декодером: закреплённая карточка описывает переход с 32 до 4 decoder layers, а `config.json` содержит 4 decoder layers при 32 encoder layers. Авторы позиционируют его как более быстрый при небольшом ухудшении качества, но это **заявление**, не результат Modelium на русской записи. Таблица OpenAI даёт относительную скорость по английской речи на A100; нельзя переносить её на ваш CPU, CUDA, длину и качество записи. [s5](#src-s5) [s6](#src-s6) [s1](#src-s1)

**Есть расхождение в исходниках:** в README OpenAI turbo указан как 809 млн параметров, в model card того же закреплённого коммита — 798 млн. Поэтому не используйте эту цифру для расчёта железа или сравнения; зафиксируйте конкретный checkpoint и проверяйте параметры выбранного артефакта. У HF-карточки turbo тоже встречается значение 809 млн — расхождение с model card остаётся. [s1](#src-s1) [s2](#src-s2) [s5](#src-s5)

## Как оценить железо и лицензию без ложных обещаний?

В README OpenAI приведены приблизительные VRAM-ориентиры для авторского пути: tiny/base около 1 ГБ, small около 2 ГБ, medium около 5 ГБ, large около 10 ГБ, turbo около 6 ГБ. Это **авторская таблица**, а не универсальный минимум RAM/VRAM: используемая точность, backend, устройство и другие процессы меняют фактическое потребление. Размер скачанного файла и число параметров тоже не дают надёжного минимума. Сначала проверьте свободные ресурсы, потом измерьте реальный запуск. [s1](#src-s1)

OpenAI в README заявляет MIT для кода и весов исходного Whisper; лицензия исходного репозитория действительно содержит MIT-текст. Но у двух закреплённых карточек на HF теги **не совпадают**: `openai/whisper-large-v3-turbo` помечен `mit`, а `openai/whisper-large-v3` — `apache-2.0`. Не замалчивайте расхождение и не переносите одну метку на другой артефакт: для коммерческого проекта проверяйте выбранное место распространения, файлы, зависимости и права на аудиоданные отдельно. Это не юридическое заключение. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5) [s7](#src-s7)

## Как выбрать первый checkpoint и проверить транскрипт?

- **Начните с задачи.** Для короткой русской записи выберите многоязычный `base` или `small` как первую гипотезу; если качество не проходит ваш критерий и устройство позволяет, сравните с `medium`, `large-v3` или `turbo`. Это редакционный порядок теста, не опубликованный рейтинг. [s1](#src-s1)

- **Зафиксируйте окружение.** В закреплённом README для официальной реализации указаны установка пакета `openai-whisper` и внешняя утилита `ffmpeg`; исходный `load_model` принимает официальное имя или путь к checkpoint и проверяет SHA-256 при скачивании. Подготовка окружения и первая загрузка весов могут требовать сеть; это не доказательство, что ваш процесс уже работает офлайн. [s1](#src-s1) [s3](#src-s3)

- **Обработайте разрешённую запись.** Для русской речи явно задайте язык и режим *transcribe*; в исходном CLI `whisper <файл> --model <модель> --language Russian` демонстрируются эти составляющие. Не применяйте `turbo` для *translate* — OpenAI прямо предупреждает, что он не обучался переводу в английский и вернёт исходный язык даже при указании этого режима. [s1](#src-s1)

- **Сверьте слова и время.** Возьмите вручную выверенный фрагмент с именами, числами, паузами и шумом. Отмечайте подмены и придуманные фразы; отдельно проверьте сегментные и, если включены, словесные таймкоды. В исходном коде `transcribe` есть настройка `word_timestamps`; её наличие не доказывает точность каждой временной отметки. [s2](#src-s2) [s8](#src-s8)

- **Сохраните решение.** Запишите имя checkpoint/ревизию, runtime, язык, устройство, параметры, исходное разрешённое аудио и ошибочные интервалы. Если нужны метки говорящих, это отдельная проверка, а не обещание исходной ASR-модели. Карточка OpenAI просит оценивать пригодность в конкретной предметной области перед внедрением. [s2](#src-s2)

Дальше откройте [гайд распознавания речи локально](/zhurnal/raspoznavanie-rechi-lokalno/) и сравните тот же эталон с faster-whisper или Qwen3-ASR: эта страница помогает выбрать **веса Whisper**, а гайд — решить практическую задачу целиком. Не представляйте авторские бенчмарки или поддержку русского языка как доказанную точность на собственном аудио. [s1](#src-s1) [s2](#src-s2)

## Источники

1. [OpenAI Whisper — README на закреплённом коммите](https://github.com/openai/whisper/blob/86098128c0b4f24f0e2aa2994de830614b474227/README.md) — получено 2026-09-30
2. [OpenAI Whisper — model card и ограничения](https://github.com/openai/whisper/blob/86098128c0b4f24f0e2aa2994de830614b474227/model-card.md) — получено 2026-09-30
3. [OpenAI Whisper — закреплённый реестр checkpoint в коде](https://github.com/openai/whisper/blob/86098128c0b4f24f0e2aa2994de830614b474227/whisper/__init__.py) — получено 2026-09-30
4. [OpenAI Whisper — LICENSE исходного репозитория](https://github.com/openai/whisper/blob/86098128c0b4f24f0e2aa2994de830614b474227/LICENSE) — получено 2026-09-30
5. [OpenAI/HF Whisper large-v3-turbo — карточка закреплённой ревизии](https://huggingface.co/openai/whisper-large-v3-turbo/blob/41f01f3fe87f28c78e2fbf8b568835947dd65ed9/README.md) — получено 2026-09-30
6. [OpenAI/HF Whisper large-v3-turbo — config](https://huggingface.co/openai/whisper-large-v3-turbo/blob/41f01f3fe87f28c78e2fbf8b568835947dd65ed9/config.json) — получено 2026-09-30
7. [OpenAI/HF Whisper large-v3 — карточка закреплённой ревизии](https://huggingface.co/openai/whisper-large-v3/blob/06f233fe06e710322aca913c1bc4249a0d71fce1/README.md) — получено 2026-09-30
8. [OpenAI Whisper — параметры transcribe в закреплённом коде](https://github.com/openai/whisper/blob/86098128c0b4f24f0e2aa2994de830614b474227/whisper/transcribe.py) — получено 2026-09-30