Gemini 3.5 Transcribe против Whisper: $0,30 за час, но без замера на украинском

Коротко (TL;DR)

• Gemini Transcribe vs Whisper — это сравнение не с одним продуктом, а с двумя. Открытые веса Whisper работают на вашем компьютере и никуда не денутся. Облачный whisper-1 OpenAI удаляет из API 26 февраля 2027 года, и его пользователям замену искать придётся в любом случае.
• Точность на английском. На бенчмарке Artificial Analysis (данные на 7 ноября 2026 года) Gemini 3.5 Transcribe ошибается в 2,6% слов, Whisper large-v3 — в 4,1–4,5% в зависимости от хостинга. ElevenLabs Scribe v2 точнее обоих — 2,2%.
• Украинский и русский Gemini официально поддерживает, но независимого замера точности на них мы не нашли. У Whisper large-v3 на украинском есть оценка 6,28% (FLEURS, квантованная версия).
• Цена. Около $0,30 за час аудио у Gemini против $0,22 у Scribe v2 и $0,27 у gpt-transcribe: эти три сервиса стоят почти одинаково. Локальный Whisper бесплатен, но просит видеокарту с 6–10 ГБ памяти.
• Ловушки Gemini. Очистка от слов-паразитов (режим smart) не работает вместе с разметкой говорящих и таймкодами, а с ними запись ограничена 30 минутами. Бесплатный ключ отдаёт ваши записи Google на улучшение продуктов.
• Вердикт. Gemini — сильный кандидат для чистого текста лекций и коротких встреч, локальный Whisper — для конфиденциальных интервью, Scribe v2 — для долгих встреч с тремя и более участниками. Последнее слово за проверкой на 3–5 минутах вашего собственного аудио.

Gemini 3.5 Transcribe за минуту: что вышло 26 августа и где доступно

Gemini 3.5 Transcribe — специализированная модель Google для преобразования речи в текст, а не универсальный чат-бот, которому подсунули аудио. Модель вышла 26 августа 2026 года (подробности релиза — в нашей новости о запуске Gemini 3.5 Transcribe), а все параметры ниже сверены с документацией Gemini API на 7 ноября 2026 года.

• Две модели. gemini-3.5-transcribe расшифровывает готовые записи, gemini-3.5-transcribe-live — поток с микрофона в реальном времени.
• 85+ локалей с автоопределением. В официальном списке есть украинский (uk-UA) и русский (ru-RU). По документации модель сама переключается между языками даже внутри одной фразы — это обещание вендора, полезное для смешанной речи и суржика.
• Функции. Диаризация (разметка «кто говорит»), пословные таймкоды, собственный словарь до 1000 терминов, режим smart с очисткой текста и нормализация чисел: «двадцать шесть миллионов долларов» превращается в «$26M».
• Где доступна. По анонсу Google — в Gemini API через Google AI Studio и Google Antigravity.
• Преемник Chirp 3. Google ссылается на замер Artificial Analysis: время до финальной расшифровки сократилось на 70%.

Со статусом есть странность внутри самой Google. На 7 ноября 2026 года changelog Gemini API (запись от 26 августа) называет модель общедоступной (GA), страница моделей отмечает её как Stable, а анонс в блоге по-прежнему говорит о «публичном превью». Для разовой расшифровки это неважно. Для продакшн-интеграции мы бы закладывались на то, что параметры ещё могут поменяться, пока Google не снимет противоречие.

И одна поправка к первым пересказам релиза, включая нашу новость: «убирает слова-паразиты» модель только в режиме smart (в документации Google он называется Smart transcription). По умолчанию API работает в режиме verbatim и отдаёт текст дословно — со всеми «эм», повторами и оговорками.

Whisper — это два разных продукта: открытые веса и облачный API

Whisper — модель распознавания речи OpenAI с открытыми весами. Вопрос «переходить ли с Whisper» имеет смысл только после того, как понятно, о каком Whisper речь: о том, что крутится на вашей видеокарте, о том же самом у стороннего хостинга или об облачном whisper-1 в API OpenAI.

Ключевая дата — в официальном списке выводимых моделей OpenAI: 26 августа 2026 года, в день релиза Gemini 3.5 Transcribe, компания уведомила разработчиков, что 26 февраля 2027 года из API исчезнут whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe и gpt-4o-transcribe-diarize. Замена от самой OpenAI — gpt-transcribe и gpt-live-transcribe.

OpenRouter как агрегатор моделей: один ключ к сотням нейросетей и сбор 5,5%

Nano Banana Pro на потоке: 487 обложек, статистика брака и то, чего не видно в демо

Лимиты ChatGPT и других ИИ-чатов: бесплатный тариф, $20 и что делать при упоре

ИИ-подписка за $20: что входит в ChatGPT Plus, Claude Pro и Google AI Pro

Какой ИИ-чат выбрать: 5 нейросетей в независимых рейтингах и под разные задачи

Отсюда два разных решения:

• Если у вас облачный whisper-1, вопрос не «переходить ли», а «куда». Кандидатов как минимум три: gpt-transcribe от той же OpenAI, Gemini 3.5 Transcribe и ElevenLabs Scribe v2.
• Если у вас локальный Whisper, вас никто не торопит. Переход имеет смысл, только если облачная модель заметно точнее на вашем языке и вас устраивает, что запись уходит на чужой сервер. Как развернуть Whisper у себя и собрать на нём офлайн-диктовку, мы разбирали в сравнении Wispr Flow и своего Whisper.

Хостинг тоже имеет значение: в той же таблице Artificial Analysis Whisper large-v3 на Replicate ошибается в 10,1% слов при 4,1% у fal.ai. Веса одинаковые, отличаются настройки запуска, так что «Whisper» в чужом сервисе может оказаться заметно хуже Whisper у вас.

Точность Gemini и Whisper на английском: что измерено, а что нет

WER (Word Error Rate) — доля слов, которые модель заменила, пропустила или вставила лишними по сравнению с эталонной ручной расшифровкой. Меньше — лучше. 2,6% — это примерно одна ошибка на 38 слов, 4,1% — одна на 24.

Выборочная сводка по лидерборду Artificial Analysis на 7 ноября 2026 года (метрика AA-WER v2, английское аудио):

Важно, на чём это измерено. По методологии Artificial Analysis индекс считается примерно по 8 часам аудио: 50% — речь для голосовых ассистентов (закрытый набор AA-AgentTalk), 25% — английская часть записей Европарламента (VoxPopuli), 25% — звонки компаний с инвесторами (Earnings22). Украинского и русского в наборе нет. Встречающееся в обзорах утверждение, что 2,6% посчитаны «по 85+ языкам», методологии противоречит.

Место в рейтинге тоже не вечное. На запуске 26 августа Artificial Analysis ставила Gemini 3.5 Transcribe на пятое место, а на 7 ноября 2026 года FAQ рейтинга не включает модель в первую пятёрку: там Fun-Realtime-ASR-preview, MAI-Transcribe-2, Voxtral Small Transcribe 3, Scribe v2 и Voxtral Mini Transcribe 3. На ту же дату точнее Gemini также, в частности, Grok Voice Transcribe 2.0 (2,3%) и StepAudio 3 ASR (2,5%). Цифра 2,6% не изменилась — просто пришли модели точнее.

Украинский у Gemini и Whisper: какие есть замеры

Для русского отдельных независимых цифр ни по одному из движков мы в открытых источниках не нашли. Вывод из таблицы простой: разрыв 2,6% против 4,1% на английском нельзя автоматически переносить на украинский. Преимущество Gemini на нашем языке может оказаться и больше, и меньше, и обратным — без проверки на своих записях это неизвестно.

Сколько стоит час аудио: Gemini, gpt-transcribe, Scribe v2 и Whisper

Google считает Gemini 3.5 Transcribe в токенах, поэтому мы пересчитали прайс на 7 ноября 2026 года в часы. Аудио на входе идёт по 25 токенов в секунду: 90 000 токенов в час по $2 за миллион — это $0,18. Текст на выходе Google оценивает в 175 токенов в минуту: 10 500 токенов по $12 за миллион — ещё $0,126. Итого около $0,31 за час, сама Google округляет до ~$0,005 за минуту, то есть ~$0,30 за час. Artificial Analysis даёт ту же оценку: $5 за 1000 минут.

Что из этого следует:

• Между Gemini, gpt-transcribe, Scribe v2 и whisper-1 цена почти не решает. На 10 часах в месяц разница между Scribe v2 и whisper-1 — $1,40. Выбирать стоит по языку, приватности и функциям, а не по прайсу.
• Хостинг открытого Whisper в 2,5–7,5 раза дешевле Scribe v2, gpt-transcribe и Gemini, но на английском уступает им в точности: 4,1–4,6% ошибок против 2,2–3,3% у этой тройки.
• Локальный Whisper стоит денег один раз — железом. По README OpenAI модели large нужно около 10 ГБ видеопамяти, turbo (809 млн параметров) — около 6 ГБ при скорости примерно в 8 раз выше. Эти скорости OpenAI мерила на английском и на серверной A100, на домашней видеокарте они будут другими.
• Бесплатный уровень Gemini API берёт $0 за вход и выход, но платите вы данными — об этом следующий раздел ниже.

Диаризация, таймкоды и лимиты: где Gemini упирается в 30 минут

Диаризация — это разметка «кто говорит»: каждому фрагменту текста модель присваивает метку вроде spk_1 или spk_2. Пословные таймкоды — время начала и конца каждого слова, без них не собрать субтитры. У Gemini 3.5 Transcribe эти функции конфликтуют с самыми заметными её возможностями, и в обзорах это почти не проговаривают.

Даже потолок говорящих у Google расходится: документация пишет «до 8, от трёх — экспериментально», анонс в блоге — «до трёх». Надёжная граница сегодня — три человека. У потоковой модели диаризации нет вовсе.

На фоне конкурентов это выглядит так:

Отдельная находка: у OpenAI единственная модель с разметкой говорящих стоит в том же списке на удаление, что и whisper-1. Кто сегодня делит встречи по спикерам через gpt-4o-transcribe-diarize, к февралю 2027 года будет искать замену и этой функции — и Gemini с её 30 минутами закрывает её лишь частично.

Как это выглядит на практике, хорошо видно по сервису Whisper Memos: если пользователь выбрал Gemini 3.5 Transcribe, на неё уходят встречи до 30 минут, а более длинные, со своим словарём и все остальные по умолчанию остаются на ElevenLabs Scribe — «самом надёжном варианте разделения говорящих», по словам самих разработчиков. ElevenLabs у нас знакома по другому продукту: её дубляж видео ElevenLabs Dubbing мы разбирали отдельно.

Приватность: бесплатный ключ Gemini, платный ключ и Whisper офлайн

Для интервью с источником, медицинских или юридических записей и рабочих созвонов этот раздел важнее точности.

• Бесплатный ключ Gemini API. По условиям Gemini API на 7 ноября 2026 года Google использует отправленное содержимое и ответы модели, чтобы предоставлять, улучшать и развивать свои продукты, а люди-рецензенты могут читать, размечать и обрабатывать ваш вход и выход. В прайсе это прямо отмечено строкой «Used to improve our products: Yes» у бесплатного уровня.
• Платный ключ (с подключённым биллингом). Та же строка прайса для платного уровня — «No»: записи на улучшение продуктов не идут.
• Исключение, которое Украины не касается. Для пользователей из ЕЭЗ, Швейцарии и Великобритании условия платного уровня действуют и на бесплатном. Украина в этот список не входит.
• OpenAI и ElevenLabs. Запись в любом случае уходит на серверы компании. Условия хранения у каждого сервиса свои, перед загрузкой чувствительного аудио их стоит прочитать.
• Whisper локально. Единственный вариант, при котором звук вообще не покидает ваш компьютер. Цена — видеокарта на 6–10 ГБ и время на установку.

Практическое правило: конфиденциальное аудио не отправляйте на бесплатный ключ Gemini. Либо подключайте биллинг (час всё равно стоит около $0,30), либо расшифровывайте локально.

Выбор между Gemini, Whisper и Scribe v2: подкаст, лекция, встреча

«Какой лучший ИИ для транскрибации» — вопрос без одного ответа: побеждает не модель с минимальным WER на английском, а та, у которой нет ограничения, упирающегося в вашу задачу. Под конкретные сценарии картина такая:

Связка из строки про субтитры — не наша фантазия. В обсуждении релиза на Hacker News (363 балла, 127 комментариев) двое разработчиков независимо описали одну и ту же схему: первый проход Whisper даёт точные пословные таймкоды, второй проход через универсальную Gemini (Flash или Pro, не Transcribe) даёт чистый текст. Один из них собирался проверить, заменит ли эту связку новая модель. Если субтитры нужны вам для монтажа, посмотрите и наш разбор того, что нейросеть для видеомонтажа уже делает сама.

Для диктовки учтите ограничение потоковой модели: по странице модели у Gemini 3.5 Transcribe Live нет ни таймкодов, ни разметки говорящих, а сессия ограничена 10 минутами. Если диктуете промпты для работы с кодом, пригодится гайд про голосовой ввод в Claude Code: встроенная команда /voice, Whisper и Wispr Flow.

Как сравнить Gemini и Whisper на своей записи за 20 минут

Транскрибация аудио нейросетью проверяется только на вашем аудио: ваш микрофон, ваш язык, ваши имена и термины. Протокол ниже укладывается примерно в 20 минут, если взять короткий фрагмент.

1. Выберите 3–5 минут типичной записи. Не самый чистый кусок, а обычный: с фоновым шумом, перебиваниями, именами, цифрами и, если это ваш случай, суржиком или переключением между украинским и русским.
2. Прогоните фрагмент через кандидатов. Gemini 3.5 Transcribe (для чувствительного аудио — только платный ключ; язык можно подсказать параметром language_codes, например uk-UA), Whisper large-v3 или turbo локально, по желанию gpt-transcribe и Scribe v2.
3. Сделайте эталон. Возьмите лучшую из расшифровок и исправьте её на слух, слово за словом. Это быстрее, чем печатать с нуля, но исправлять нужно придирчиво, иначе эталон подыграет тому движку, с которого вы начали.
4. Нормализуйте тексты перед сравнением. Нижний регистр, без знаков препинания, числа в одном виде. Gemini сама превращает «двадцать шесть миллионов» в «$26M», и без нормализации это засчитается как ошибка, хотя смысл верный.
5. Посчитайте WER. Формула: (замены + пропуски + вставки) / число слов в эталоне. Вручную на 500 словах это утомительно; в Python то же самое делает библиотека jiwer одной функцией.
6. Посмотрите, что не видно в WER. Правильно ли записаны имена и термины, не перепутаны ли цифры, не появился ли текст в паузах (типичный сбой Whisper), верно ли размечены говорящие. Одна ошибка в сумме договора важнее десяти пропущенных «ну».

Решение принимайте по худшему сбою, а не по среднему проценту: модель с WER на процент выше, но без выдуманных фраз в тишине, для интервью полезнее.

Риски Gemini и Whisper: перефраз, галлюцинации и устаревший рейтинг

• Режим smart может изменить смысл. Он сам разрешает оговорки: в примере из документации «давайте во вторник, ой нет, в среду в два» превращается в «в среду в 14:00». Модель решает за говорящего, что тот имел в виду. Для цитат в журналистике и протоколов это риск. В обсуждении на Hacker News пользователь диктовки на Pixel жаловался, что модель «упрощает» фразу и выбрасывает её часть, меняя смысл. Для цитирования используйте verbatim.
• Whisper галлюцинирует. Карточка модели на Hugging Face прямо признаёт, что в расшифровке может появиться текст, которого в аудио не было. Исследование на arXiv (2025) описывает повторы уже распознанных фраз на неречевых участках и зацикливание. Паузы, музыка и шум — зона риска.
• Нет замера на украинском и русском. Все цифры точности Gemini, кроме вендорских, — английские. Решение «Gemini точнее Whisper на нашем языке» сегодня не опирается на независимые данные.
• Таймкоды и диаризация у Gemini ограничены. 30 минут на запись, три говорящих надёжно, а пословные таймкоды по документации могут снизить общую точность.
• Статус и условия могут измениться. Changelog называет модель GA, страница моделей — Stable, анонс — превью. Бесплатный уровень и цены Google может пересмотреть.
• Рейтинг устаревает за недели. С 26 августа по 10 октября 2026 года Gemini 3.5 Transcribe выпала из пятёрки Artificial Analysis, не изменив собственный результат.
• Срок whisper-1. После 26 февраля 2027 года интеграции на облачном Whisper перестанут работать, а вместе с ним уйдёт и gpt-4o-transcribe-diarize.

Быстрее всего в этой статье устареют цены, место в рейтинге и статус GA или превью. Свежие данные — на странице прайса Gemini API, в лидерборде Artificial Analysis и в списке выводимых моделей OpenAI.

Частые вопросы о Gemini 3.5 Transcribe и Whisper

Gemini 3.5 Transcribe лучше Whisper на украинском языке?

Неизвестно. На английском Gemini 3.5 Transcribe ошибается в 2,6% слов против 4,1–4,5% у Whisper large-v3, но независимого замера на украинском мы на 7 ноября 2026 года не нашли. Google публикует только общую цифру 5,04% по набору ведущих языков. У Whisper large-v3 на украинском есть оценка 6,28%. Сравнивать стоит на своих записях.

Сколько стоит расшифровка часа аудио через Gemini 3.5 Transcribe?

Около $0,30 за час на платном уровне Gemini API по прайсу на 7 ноября 2026 года: $2 за миллион токенов аудио и $12 за миллион токенов текста, что Google оценивает в ~$0,005 за минуту. Потоковая версия Live стоит около $0,009 за минуту, то есть примерно $0,54 за час. Бесплатный уровень есть, но с передачей данных Google.

Можно ли пользоваться Gemini 3.5 Transcribe бесплатно и безопасно ли это для интервью?

Бесплатно можно: на бесплатном уровне Gemini API вход и выход не тарифицируются. Но по условиям Google использует такие записи для улучшения продуктов, а их могут читать люди-рецензенты. Для интервью с источником и рабочих записей подключите платный ключ (около $0,30 за час) или расшифровывайте локальным Whisper. Использовать Gemini API в клинической практике условия Google запрещают.

Понимает ли Gemini 3.5 Transcribe, кто говорит, и сколько говорящих держит?

Да, у модели есть диаризация в режиме verbatim. Документация обещает до восьми говорящих, но от трёх и выше разметка экспериментальная, а анонс Google говорит о трёх. С диаризацией запись ограничена 30 минутами, режим smart и свой словарь при этом недоступны. Для встреч на 4–10 человек надёжнее ElevenLabs Scribe v2 с поддержкой до 32 говорящих.

Закроют ли Whisper и придётся ли переходить?

Закроют только облачный whisper-1: OpenAI удаляет его из API 26 февраля 2027 года вместе с gpt-4o-transcribe, gpt-4o-mini-transcribe и gpt-4o-transcribe-diarize. Открытые веса Whisper под лицензией MIT остаются, их можно запускать локально сколько угодно. Пользователям whisper-1 нужно до февраля выбрать замену: gpt-transcribe, Gemini 3.5 Transcribe или другой сервис.

Чем Gemini 3.5 Transcribe отличается от ElevenLabs Scribe v2?

На английском Scribe v2 точнее: 2,2% ошибок против 2,6% у Gemini по Artificial Analysis на 7 ноября 2026 года, и дешевле — $0,22 за час против ~$0,30. Scribe принимает записи до 10 часов и различает до 32 говорящих. У Gemini есть режим smart с очисткой текста и автоопределение 85+ локалей, но лимит 30 минут при диаризации.