Как транскрибировать аудио и видео с помощью Whisper: локально и бесплатно

OpenAI Whisper — мировой стандарт локального распознавания речи с открытым исходным кодом. В 2026 году модель Whisper Large-v3 расшифровывает часовое аудио на русском языке за 1.5–2 минуты на обычном GPU, автоматически расставляет знаки препинания, тайм-коды и генерирует готовые субтитры .vtt и .srt.

Ниже представлена практическая инструкция по установке, ускоренному запуску через Faster-Whisper и настройке разделения спикеров (диаризации).

---

Сравнение моделей Whisper и системные требования

Для разных задач и конфигураций ПК выбирается соответствующий размер модели:

Модель	Параметры	Требуемая VRAM (Faster-Whisper)	Скорость (RTX 4070)	Качество русского языка
Tiny / Base	39M – 74M	1.0 GB	80x realtime	Среднее (подходит для черновых заметок)
Small / Medium	244M – 769M	2.0 – 2.8 GB	60x realtime	Высокое (отличный баланс скорости)
Large-v3	1550M	4.2 GB (FP16) / 3.0 GB (INT8)	45x realtime	Максимальное (профессиональная расшифровка)
Large-v3-Turbo	809M	3.2 GB	65x realtime	98% точности Large-v3 при скорости Medium

---

Шаг 1. Быстрый запуск Whisper через консоль (CLI)

Самый простой способ транскрибировать файл — использовать официальный Python-пакет или CLI-утилиту.

Установка зависимостей:

Для обработки медиафайлов потребуется установленный ffmpeg и Python:

# macOS (через Homebrew)
brew install ffmpeg

# Ubuntu / Debian
sudo apt install ffmpeg

# Установка Whisper и PyTorch с поддержкой CUDA
pip install -U openai-whisper

Команда запуска транскрибации:

whisper meeting_2026.mp3 --model large-v3 --language ru --device cuda --output_format all

После завершения в папке появятся файлы .txt, .vtt, .srt и .json с полной разметкой.

---

Шаг 2. Ускорение в 4 раза с Faster-Whisper и веб-интерфейсом

Оригинальный Whisper на PyTorch работает медленнее, чем оптимизированная реализация Faster-Whisper на движке CTranslate2.

Пример скрипта на Python с Faster-Whisper:

from faster_whisper import WhisperModel

# Загрузка модели в квантованном виде INT8 для экономии памяти
model = WhisperModel("large-v3", device="cuda", compute_type="int8_float16")

segments, info = model.transcribe("meeting.mp3", language="ru", beam_size=5)

print(f"Обнаружен язык: {info.language} (вероятность: {info.language_probability:.2f})")
print(f"Длительность аудио: {info.duration / 60:.1f} мин\n")

with open("transcript.txt", "w", encoding="utf-8") as f:
    for segment in segments:
        line = f"[{segment.start:.2f}s -> {segment.end:.2f}s] {segment.text}\n"
        print(line, end="")
        f.write(line)

---

Шаг 3. Диаризация: разделение реплик по спикерам (WhisperX)

Чтобы в итоговом тексте было видно, кто именно говорит («Спикер 1: … Спикер 2: …»), используется связка с нейросетью PyAnnote через WhisperX:

Команда для транскрибации с определением спикеров:

pip install whisperx

whisperx interview.wav --model large-v3 --language ru --diarize --hf_token HF_ACCESS_TOKEN

Фреймворк выполнит фонемное выравнивание (Phoneme Alignment) и точно сопоставит голосовые отпечатки с репликами в субтитрах.

---

Шаг 4. Сравнение производительности: GPU против CPU

Транскрибация длинных аудиофайлов требует значительных вычислительных мощностей.

• NVIDIA GPU (CUDA): Обработка 60 минут записи занимает ~1.2–1.5 минуты (скорость 45x realtime).
• Apple Silicon (M3/M4 Metal): Обработка 60 минут занимает ~2.5–3 минуты (скорость 22x realtime).
• Обычный процессор (CPU 16 ядер): Обработка 60 минут занимает ~18–20 минут (скорость 3.2x realtime).

---

Резюме и следующие шаги

Локальный запуск Whisper дает полную независимость от платных облачных сервисов и гарантирует безопасность конфиденциальных записей.

Следующим логичным шагом является автоматическое создание саммари и конспектов полученного текста или его перевод и озвучка на другие языки.