Whisper: какие модели выбрать для локальной транскрибации

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

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. Настройки и поддержка формата конкретного runtime требуют собственной проверки; имя модели без точного артефакта не гарантирует воспроизводимость. s1 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 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

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 s6 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 s2 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

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 s4 s5 s7

Как выбрать первый checkpoint и проверить транскрипт?

1. 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
2. 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 s3
3. 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
4. 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 s8
5. 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

Дальше откройте гайд распознавания речи локально 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 s2