Транскрибация аудио в текст: 12 нейросетей на одной записи

Мы взяли одну запись — три с половиной минуты русской речи под музыку — и прогнали её через все модели расшифровки, какие есть в каталоге. Ниже полный текст от каждой: что услышала, за сколько справилась и где ошиблась.

Что выяснилось на прогоне

Самая быстрая модель потеряла первый куплет. Whisper Large V3 Turbo — самая известная и самая шустрая из всех — начала расшифровку со второго куплета. Первые сорок секунд записи просто не попали в текст. Ошибки при этом нет: модель отдаёт связный, грамотный результат, по которому невозможно догадаться, что начало пропало. Это худший вид сбоя — тихий.

Из десяти моделей начало записи услышали девять. Пропустила одна, и именно та, которую чаще всего берут по умолчанию.

Дороже не значит лучше. Разброс цены между моделями — в четырнадцать раз. При этом лучший результат по полноте текста дала не самая дорогая: NVIDIA Parakeet расшифровал 1547 знаков за 4,8 секунды, столько же выдал gpt-4o-transcribe — но вдвое медленнее и заметно дороже.

Whisper 1 замолчал на середине. Старая версия выдала 215 знаков вместо полутора тысяч — примерно седьмую часть записи — и остановилась. Стоит она при этом дороже большинства работающих моделей. Если вы где-то видите «расшифровка на Whisper», стоит уточнить, на какой именно: разница между версиями больше, чем между разными вендорами.

Скорость расшифровки — не то же самое, что скорость модели. Быстрые управляются за 5 секунд, то есть в сорок раз быстрее реального времени. Медленные — за 40 секунд. Для часовой записи это разница между минутой ожидания и десятью.

Как читать таблицу ниже

У каждой модели показано время работы и объём получившегося текста в знаках. Знаки — самый честный признак: если у одной модели 1550, а у другой 1140 на той же записи, вторая что-то не услышала. Сравните начало текстов — там и видно, кто пропустил куплет.

Текст приведён как есть, без правки. Пунктуацию модели расставляют по-разному, и это тоже часть выбора: кому-то нужен поток без знаков, кому-то — готовые предложения.

Что важно знать до начала

Русский язык нужно указывать явно. Если этого не сделать, Whisper распознаёт русскую речь и записывает её латиницей: «Ocean Prishla Nizamato» вместо «Осень пришла незаметно». Формально модель не ошиблась — она услышала звуки верно, но записала не тем алфавитом. У нас язык проставляется автоматически, но если работаете с моделью напрямую, про этот параметр забывать нельзя.

Музыка мешает сильнее, чем шум. Наша запись — песня, то есть речь на фоне инструментов. Это заметно тяжелее для распознавания, чем диктофонная запись совещания: модель путает границы слов там, где их перекрывает бит. На чистой речи все десять моделей отработали бы ровнее — зато разницы между ними не было бы видно вовсе.

Имена и числа проверяйте руками. Ни одна модель не гарантирует правильного написания фамилии или номера. Это общее свойство распознавания речи, а не недостаток конкретной модели: там, где человек догадывается по смыслу, модель слышит звук.

Какую выбрать

Если расшифровок много и важна скорость — берите быстрые модели, но проверяйте начало файла. Если запись одна и она важная — прогоните её через две разные модели и сравните: расхождение сразу покажет, где кто-то недослышал. Это дешевле и надёжнее, чем вычитывать текст целиком.