Whisper large-v3 и turbo на ПК и Mac: 4,96% ошибок на русском, память от 2,9 ГБ

Коротко (TL;DR)

Whisper large-v3 локально — это самая точная открытая модель распознавания речи от OpenAI, запущенная на вашем компьютере: аудио никуда не уходит, подписки нет, интернет нужен только для скачивания файла модели. Для русского она ошибается примерно в 5 словах из 100 (WER 4,96% на наборе FLEURS), для украинского — примерно в 6 (6,28%).

• Какая версия. Новейшие открытые чекпойнты — large-v3 (ноябрь 2023) и large-v3-turbo (октябрь 2024). Модели «large-v4» нет.
• Сколько весит. Полная large-v3 в формате whisper.cpp — 2,9 GiB, сжатая до 5 бит — 1,1 GiB; turbo — 1,5 GiB и 547 MiB.
• Сколько памяти. Ориентир OpenAI «~10 ГБ» относится к исходной реализации; в faster-whisper та же модель занимает 4,5 ГБ видеопамяти, в 8-битном режиме — 2,9 ГБ. Хватит видеокарты на 8 ГБ и любого Mac на Apple Silicon.
• Скорость. Час записи на RTX 3070 Ti — около 5 минут, с пакетной обработкой — 1,3 минуты (замер на large-v2, архитектура та же); на M4 Max — 2,5 минуты для large-v3 и 1,1 минуты для turbo; на базовом M4 turbo в WhisperKit — 4,2 минуты.
• turbo или large-v3. turbo на Mac быстрее примерно в 2,3 раза и ошибается чуть чаще: +1 процентный пункт на русском и украинском. «В 8 раз быстрее» — заявка OpenAI для видеокарты A100 и английской речи.
• Как запустить. NVIDIA — faster-whisper, Mac — mlx-whisper, любой компьютер — whisper.cpp. Команды с версиями — ниже.

Эта статья про расшифровку готовых файлов: подкасты, записи созвонов, интервью, субтитры. Диктовку в реальном времени, когда текст печатается по мере речи, мы разобрали отдельно — в материале Wispr Flow или свой Whisper. Все замеры скорости ниже чужие, с указанием стенда и методики; где замера нет, скорость не приводим.

Whisper large-v3 локально: что это и чем отличается от v2 и turbo

Whisper — модель автоматического распознавания речи (по-английски ASR, automatic speech recognition). На вход она получает звук, на выходе отдаёт текст с метками времени. Внутри два блока: энкодер «слушает» 30-секундный кусок записи целиком и превращает его в набор признаков, декодер по этим признакам пишет текст слово за словом. Линейка состоит из моделей разного размера — от tiny до large, и чем больше модель, тем точнее и медленнее.

Whisper large-v3 OpenAI анонсировала 6 ноября 2023 года. От предыдущей large-v2 её отличают три вещи:

GOLD · XAUSILVER · XAG

Binance · Wall Street 24/7Золото без сейфа и слитковXAUТоргуйте ценой золота на Binance круглосуточно, с маленькой суммы

GOLDSILVER

Рассчитать сделку

• Вход стал подробнее. Звук перед обработкой превращается в спектрограмму — «картинку» частот. В v3 частотных полос 128 вместо 80, то есть модель различает больше оттенков звука.
• Данных стало больше. large-v3 обучали на 1 млн часов слабо размеченного аудио (по готовым субтитрам) и 4 млн часов, которые разметила сама large-v2.
• Добавился кантонский язык отдельным токеном.

По заявке OpenAI, large-v3 ошибается на 10–20% реже, чем v2, на широком наборе языков. Это слова самой компании; независимая проверка для русского и украинского — в разделе про точность ниже, и она заявку в целом подтверждает.

GLM-5.3 от Z.ai: флагман 753B не для дома, а Flash работает на Mac со 128 ГБ

Mistral Medium 3.5 128B: открытые веса, 75 ГБ в 4 битах, 7,7 ток/с в FP8 на M5 Ultra

Qwen 3.6 35B-A3B — MoE-модель Alibaba: 21–24 ГБ в 4 битах и до 183 ток/с дома

Qwen 3.8 27B на своём железе: 17,6 ГБ в 4 битах и индекс 34 у Artificial Analysis

Stable Diffusion локально — SDXL идёт на 12 ГБ, а полный SD 3.5 Large весит 27,9 ГБ

large-v3-turbo вышла 1 октября 2024 года. Это та же large-v3, у которой декодер урезали с 32 слоёв до 4, а энкодер оставили прежним. Параметров стало 809 млн вместо 1550 млн. Логика простая: «слушающая» часть сохранила качество, а «пишущая» стала в разы легче, поэтому модель работает быстрее. Цена — немного больше ошибок и слабый перевод: turbo дообучали без данных перевода, и OpenAI прямо пишет, что хорошего перевода на английский от неё не ждёт.

Модели «Whisper large-v4» не существует, хотя такой запрос встречается. Самые новые открытые модели распознавания речи OpenAI — large-v3 и large-v3-turbo. Новые ASR-модели компании (gpt-4o-transcribe и другие) доступны только через платный API и локально не запускаются.

Версии Whisper large-v3: размеры, лицензия и вес файлов

Одна и та же модель распространяется в нескольких форматах — под разные программы запуска. Формат определяет, сколько файл весит на диске и сколько памяти займёт в работе. Квантование — это сжатие весов модели: вместо 16 бит на каждое число хранится 8 или 5. Файл становится в 2–3 раза меньше, точность падает обычно незаметно.

Сколько весит Whisper large-v3 в формате ggml (его читает whisper.cpp) — по README проекта на 25.10.2026:

На скриншоте README whisper.cpp, снятом 25 октября 2026 года, рамкой выделены четыре строки семейства large-v3: полный файл и сжатый q5_0 для обычной модели и для turbo. Именно эти файлы скачивает скрипт whisper.cpp.

С лицензией есть расхождение, о котором стоит знать. README репозитория OpenAI говорит, что код и веса выпущены под MIT. Метаданные карточки large-v3 на Hugging Face указывают Apache-2.0, карточка turbo — снова MIT. Обе лицензии разрешают коммерческое использование, поэтому на практике это ничего не меняет: расшифровки можно использовать в работе и продавать. Для юридически строгого проекта сошлитесь на обе.

до выхода на биржу

Binance · Wall Street 24/7OpenAI и Anthropic ещё не на биржеPre-IPOА контракты на их цену уже торгуются на Binance

OpenAIAnthropicNVDA

Смотреть цены

Скачать Whisper large-v3 проще всего не руками, а командой самой программы: она возьмёт файл нужного формата с Hugging Face.

• для faster-whisper — репозиторий Systran/faster-whisper-large-v3 (для turbo — mobiuslabsgmbh/faster-whisper-large-v3-turbo), скачивается сам при первом запуске;
• для mlx-whisper на Mac — mlx-community/whisper-large-v3-mlx и mlx-community/whisper-large-v3-turbo;
• для whisper.cpp — файлы ggml-large-v3.bin и ggml-large-v3-turbo-q5_0.bin из репозитория ggerganov/whisper.cpp на Hugging Face или команда make -j large-v3.

Исходные веса в формате PyTorch лежат на карточке модели — их берут openai/whisper и библиотека Transformers.

Точность large-v3 на русском и украинском: WER по FLEURS

Точность распознавания меряют WER (word error rate) — долей ошибочных слов: пропущенных, лишних и заменённых. WER 5% значит, что на 1000 слов придётся около 50 ошибок. Своей таблицы WER по языкам для large-v3 OpenAI не публикует: в README есть только график-картинка. Поэтому основной источник ниже — независимый бенчмарк Handy, который прогоняет модели на тестовой части набора FLEURS (чтение вслух, чистая запись) в кванте Q8_0.

На графике видно, что на русском large-v3 впереди всех Whisper, а на украинском плотная группа: Parakeet v3 отстаёт от неё на полпункта, turbo — примерно на пункт.

На скриншоте таблицы Handy для украинского, снятом 25 октября 2026 года, рамками выделены три строки Whisper: large-v3 с 6,28%, turbo с 7,31% и large-v2 с 8,17%. Строкой выше large-v3 стоит parakeet-ultra с 5,71% — это Parakeet TDT 0.6B v3, дообученная компанией Moondream (модель moondream/parakeet-ultra на Hugging Face, лицензия CC BY 4.0, сентябрь 2026). Handy рекомендует её для украинского.

Что из этого следует на практике. Переход с v2 на v3 снижает ошибки на русском на 12% (с 5,61 до 4,96), на украинском — на 23% (с 8,17 до 6,28). Заявка OpenAI «на 10–20% меньше ошибок» для русского подтверждается, для украинского выигрыш даже больше. turbo по сравнению с large-v3 добавляет около одной ошибки на каждые 100 слов: примерно 59 ошибок на 1000 слов вместо 50 на русском. Сравнение large-v3 с medium ещё нагляднее: на украинском меньшая medium ошибается в 11,59% слов против 6,28%, то есть почти вдвое чаще.

Почему одна модель даёт и 4,96%, и 16%, и 20,8%

Читая обзоры, легко запутаться: про ту же large-v3 пишут и 4,96%, и 16%, и 20,8%. Все три цифры могут быть верными, потому что меряют разное:

• 4,96% — русский, FLEURS, чистое чтение вслух (Handy).
• 16,0% — среднее по 45 языкам FLEURS в замере Mistral, куда входят и трудные для модели языки. Это вендорный замер: Mistral продаёт конкурента, свой Voxtral.
• 20,8% — среднее по семи русским наборам с шумной и телефонной речью; русскоязычный гайд toolfox пересказывает замер разработчика конкурирующей модели (вторичный источник).

Разрыв 20,8% против 4,96% — это разница условий измерения, а не моделей: чистое чтение вслух против звонков и шума. Поэтому сравнивать модели можно только по одному набору и одной методике, как в таблице выше.

Для украинского источники расходятся сильнее: 6,28% у Handy и 9,5% у ElevenLabs. ElevenLabs методику нормализации текста не раскрывает и продаёт собственную модель Scribe, поэтому её цифру стоит держать как верхнюю границу. Ещё один ориентир — проект BuzzASR: у large-v3 без дообучения на украинском FLEURS доля ошибочных символов (CER) 2,99%, на Common Voice — 3,7%. CER всегда ниже WER, сравнивать их напрямую нельзя.

Как проверить точность на своём аудио. Бенчмарк не знает ваших микрофонов, акцентов и терминов. Возьмите 30–60 минут своей типичной записи, расшифруйте 5–10 минут вручную как эталон и прогоните через две модели — например, large-v3 и turbo. Посчитать WER можно Python-библиотекой jiwer одной функцией wer(эталон, расшифровка). Разница больше 2–3 пунктов на вашем материале важнее любой таблицы.

Whisper large-v3 russian — это не отдельная модель OpenAI, а версии, которые сообщество дообучило на русской речи. На Hugging Face самая скачиваемая из них — antony66/whisper-large-v3-russian, дообученная на Common Voice 17 (около 2,8 тыс. загрузок за 30 дней на 25.10.2026), есть и сборки для faster-whisper и MLX. Независимого замера этих версий на FLEURS в наших источниках нет: дообучение на Common Voice может улучшить одни записи и ухудшить другие, поэтому сравнивайте их с базовой large-v3 по методике выше.

Large-v3 против turbo, Parakeet и Voxtral: какую модель выбрать

Сравнение Whisper large-v3 vs turbo почти всегда сводится к одному компромиссу: turbo быстрее примерно вдвое, large-v3 точнее примерно на пункт. Вопрос Whisper large-v3 vs Parakeet интереснее: модель NVIDIA в разы быстрее, на английском даже точнее, на украинском почти вровень, но знает только 25 европейских языков. Ниже — всё основное в одной таблице.

Parakeet TDT 0.6B v3. Сильнейший соперник Whisper среди открытых моделей. На английском (сводный лидерборд Open ASR) в среднем 6,34% WER против примерно 7,4% у large-v3. На украинском FLEURS отставание от large-v3 всего полпункта (6,84 против 6,28), на русском — полтора пункта (6,54 против 4,96) по замеру Handy; по карточке NVIDIA русский у Parakeet 5,51%. Модель принимает до 24 минут аудио за один проход (на A100 80 ГБ) и работает от 2 ГБ памяти. Минусы — меньше языков и не такая богатая экосистема программ, как у Whisper.

Voxtral от Mistral. Тут нужно разделить две вещи. Voxtral 3, анонсированный 20 октября 2026 года, — это API-модели: Mini Transcribe 3 стоит $0,0035 за минуту, открытых весов в анонсе нет: на своём сервере его можно развернуть только по договору с Mistral, скачать и запустить на домашнем компьютере нельзя. Открытые модели — прошлые: Voxtral Mini 3B (без русского и украинского) и Voxtral Mini 4B Realtime. Последняя по-русски распознаёт хорошо, но рассчитана на потоковую речь, требует видеокарту от 16 ГБ и запускается только через vLLM, а украинского не знает.

Украинская модель NVIDIA (stt_ua_fastconformer_hybrid_large_pc) — узкоспециализированная и лёгкая, 115 млн параметров, WER 5,66% на Common Voice 12 (8,06% с пунктуацией и регистром). Это другой набор данных, чем FLEURS, поэтому напрямую с Whisper её не сравнить, — но для чисто украинского архива на слабом железе её стоит проверить.

Apple SpeechAnalyzer — системный распознаватель macOS 26, без установки моделей. В тесте MacStories 34-минутное видео он расшифровал за 0:45 против 1:41 у MacWhisper с large-v3-turbo, то есть в 2,2 раза быстрее. Поддерживает ли он украинский, мы подтвердить не смогли: проверьте список SpeechTranscriber.supportedLocales на своём Mac.

Итог сравнения: для русского и смешанной речи — Whisper large-v3, для скорости на Mac — turbo, для английского и больших объёмов на видеокарте NVIDIA — Parakeet, для украинского — сравнить large-v3 и Parakeet на своём материале.

Сколько памяти и времени займёт расшифровка на RTX и Apple M4

Сначала про память. Видеопамять (VRAM) — память видеокарты, куда загружается модель; если модель не влезла, программа либо упадёт, либо перейдёт на медленный процессор. У Mac вместо неё единая память: один общий объём на процессор и графику.

График показывает, что пугающая цифра «~10 ГБ» из README OpenAI относится к исходной реализации на PyTorch, а оптимизированные программы обходятся вдвое-втрое меньшим объёмом.

Замеры взяты из README faster-whisper: видеокарта RTX 3070 Ti 8 ГБ, CUDA 12.4, 13 минут аудио, модель large-v2. У large-v3 та же архитектура и то же число параметров, поэтому порядок цифр сохраняется. Отсюда простое правило: на видеокарте от 8 ГБ large-v3 работает в любом режиме оптимизированных программ, на 6 ГБ — в fp16 без пакетного режима или в int8, а самый лёгкий вариант семейства — turbo в формате q5_0, файл 547 MiB.

Объём памяти карт — по спецификациям NVIDIA. Замеров large-v3 на RTX 3060, 4090 и 5090 с понятной методикой в открытых источниках мы не нашли, поэтому цифр скорости для них не приводим: по пропускной способности памяти их не пересчитать. Ясно одно: на любой из этих карт large-v3 упрётся не в память, а в программу запуска. Как эти же карты ведут себя с языковыми моделями, мы собирали в обзоре RTX 5090, 4090 и 3090 в локальных LLM.

Теперь скорость. Её удобно мерить во сколько раз быстрее реального времени (×RT): 12× значит, что час записи расшифруется за 5 минут.

Самое заметное на графике: пакетный режим faster-whisper на той же 8-гигабайтной карте ускоряет работу почти вчетверо, M4 Max с turbo расшифровывает час примерно за минуту, а строки WhisperKit почти не зависят от класса чипа.

Пересчёт в минуты — наш: 60 ÷ ×RT. Исходные секунды: в бенчмарке faster-whisper 13 минут аудио обработаны за 2 мин 23 с (openai/whisper), 1 мин 05 с (whisper.cpp), 1 мин 03 с (faster-whisper) и 17 с (пакет из 8). Это единственный прямой замер на видеокарте RTX с полной методикой.

Откуда «в 8 раз быстрее» и почему у вас будет меньше. Таблица OpenAI сравнивает turbo с large на видеокарте A100 и английской речи. Два независимых замера на Mac дают одинаковое отношение — около 2,3 раза: у vllm-mlx 55× против 24× (M4 Max), у MacStories 1:41 против 3:55 (MacWhisper, правда, против large-v2). Блоги называют 4–5 раз. Ускорение turbo — это выигрыш на декодере, а энкодер у обеих моделей одинаковый, поэтому чем больше времени уходит на «слушание», тем скромнее разница.

Почему класс чипа почти не важен. WhisperKit — программа Argmax, которая гоняет Whisper на нейродвижке Mac (Neural Engine — отдельный блок чипа для нейросетей) через Core ML. В её открытом бенчмарке M4 Pro, у которого графических ядер вдвое больше, чем у M4, расшифровывает turbo всего на 16% быстрее (16,8× против 14,4×), а базовый M2 отстаёт от M4 Pro на четверть. MLX и whisper.cpp считают на графике, и там старший чип выигрывает сильнее: M4 Max с MLX — 55× на turbo. Сопоставимых замеров MLX на M4 и M4 Pro мы не нашли, а строки разных программ и записей напрямую не сравниваются. Вывод для покупки: Mac под одну только расшифровку можно брать базовый — час записи займёт 4–5 минут. Как устроена единая память Mac и сколько её нужно для языковых моделей — в отдельном разборе; там требования совсем другие.

Какая программа быстрее на Mac. В сравнении mac-whisper-speedtest на MacBook Pro M4 24 ГБ короткий клип моделью turbo обработан за 1,02 с в mlx-whisper, за 1,23 с в whisper.cpp с Core ML и за 6,96 с в faster-whisper на процессоре. Вывод: на Mac faster-whisper не берите — он не умеет работать с графикой Apple.

Сколько займёт ваш архив: расчёт

Формула одна: минуты работы = часы записи × 60 ÷ ×RT. Пример для архива подкастов на 40 часов:

Подставьте свой ×RT из таблицы выше. Если результат больше, чем вы готовы ждать, сначала переключитесь на turbo или пакетный режим — это бесплатно, — и только потом думайте о новом железе.

Как запустить Whisper локально: faster-whisper, whisper.cpp и MLX

Ниже три пути с версиями на 25 октября 2026 года: faster-whisper 1.2.1, mlx-whisper 0.4.3, whisper.cpp v1.9.5. Команды взяты из официальных README; мы приводим их как есть, без собственного прогона. Выберите путь по своему железу:

Windows или Linux с NVIDIA: faster-whisper за пять шагов

faster-whisper — переписанный Whisper на движке CTranslate2. Ему нужен Python 3.9 или новее, а для видеокарты — библиотеки NVIDIA cuBLAS и cuDNN 9 для CUDA 12. Отдельно ставить FFmpeg не нужно: звук декодирует встроенная библиотека.

1. Установите Python 3.9+ и драйвер NVIDIA с поддержкой CUDA 12.
2. Создайте окружение и поставьте пакет:

python -m venv whisper-env
source whisper-env/bin/activate        # Windows: whisper-env\Scripts\activate
pip install faster-whisper

1. Создайте файл transcribe.py:

from faster_whisper import WhisperModel

model = WhisperModel("large-v3", device="cuda", compute_type="float16")
# мало видеопамяти: compute_type="int8_float16"; без видеокарты: device="cpu", compute_type="int8"

segments, info = model.transcribe("zapis.mp3", beam_size=5, language="ru", vad_filter=True)
print("Язык:", info.language, info.language_probability)
for s in segments:
    print(f"[{s.start:.1f} → {s.end:.1f}] {s.text}")

1. Запустите python transcribe.py. При первом запуске скачается модель Systran/faster-whisper-large-v3.
2. Для ускорения в 3–4 раза включите пакетный режим: BatchedInferencePipeline(model=model) и transcribe("zapis.mp3", batch_size=8). Пакет из 8 в fp16 занимает 6,1 ГБ, поэтому на карте 8 ГБ не поднимайте его выше; batch_size=16 — для карт от 12 ГБ. Для turbo замените "large-v3" на "turbo".

Параметр vad_filter=True включает VAD (voice activity detection) — фильтр, который вырезает тишину до распознавания. Это заметно снижает выдуманный текст на паузах.

Mac на Apple Silicon: mlx-whisper

MLX — фреймворк Apple для машинного обучения на чипах серии M. Установка занимает одну команду, но есть ловушка.

pip install mlx-whisper
mlx_whisper zapis.mp3 --model mlx-community/whisper-large-v3-turbo --language ru -f srt

Ловушка: без параметра --model программа берёт крошечную whisper-tiny (около 74 МБ), и расшифровка выходит плохой. Это частая причина отзывов «Whisper на Mac ошибается». Для полной модели укажите mlx-community/whisper-large-v3-mlx. Формат вывода задаёт -f: txt, srt, vtt или json.

Альтернатива без Python — WhisperKit от Argmax: brew install whisperkit-cli, работает на нейродвижке; именно его замеры на M2, M4 и M4 Pro приведены в таблице скорости.

Любой компьютер: whisper.cpp

whisper.cpp — реализация Whisper на C/C++ от автора llama.cpp, с тем же форматом файлов ggml; про её «старшего брата» для языковых моделей — в сравнении Ollama, LM Studio и llama.cpp. Работает на процессоре, видеокартах NVIDIA (CUDA) и AMD/Intel (Vulkan), а на Mac умеет отдавать энкодер нейродвижку через Core ML — это более чем втрое быстрее, чем только процессор.

git clone https://github.com/ggml-org/whisper.cpp
cd whisper.cpp
cmake -B build -DGGML_CUDA=1          # NVIDIA; для AMD и Intel: -DGGML_VULKAN=1; Mac: без флага (Metal)
cmake --build build -j --config Release
make -j large-v3-turbo                # скачает модель; полная — make -j large-v3
ffmpeg -i zapis.mp3 -ar 16000 -ac 1 -c:a pcm_s16le zapis.wav
./build/bin/whisper-cli -m models/ggml-large-v3-turbo.bin -f zapis.wav -l ru -osrt

Две детали, на которых спотыкаются чаще всего: whisper-cli читает только 16-битный WAV (отсюда строка с ffmpeg), а язык по умолчанию у него английский. Без -l ru или -l auto русская речь превратится в английский текст. Флаги -otxt, -osrt и -ovtt сохраняют результат в текст или субтитры.

Типичные ошибки при запуске и как их исправить

• faster-whisper не находит библиотеки cuDNN. Обычно установлен cuDNN 8 или CUDA 11, а свежим версиям нужен cuDNN 9 для CUDA 12. Либо обновите библиотеки NVIDIA, либо откатите ctranslate2, как описано в README.
• Видеопамять закончилась. Переключитесь на compute_type="int8_float16" или turbo; закройте игры и браузер с аппаратным ускорением.
• На Mac всё медленно. Проверьте, что запускаете mlx-whisper или whisper.cpp, а не faster-whisper: последний работает только на процессоре.
• Первый запуск whisper.cpp с Core ML идёт минуты. Это компиляция модели под нейродвижок, она происходит один раз.
• Текст на английском вместо русского. Не указан язык: -l ru в whisper.cpp, language="ru" в faster-whisper, --language ru в MLX.

Риски large-v3: галлюцинации, повторы и окна по 30 секунд

Когда large-v3 не подходит без доработки? Whisper — сильная модель, но у неё есть известные слабые места. Их полезно знать до того, как вы отдадите расшифровку клиенту или в суд.

• Галлюцинации — текст, которого не было в записи. Карточка large-v3 прямо предупреждает: модель может выдавать несказанные фразы и склонна к повторам, особенно на тишине, музыке и шуме. Исследование Careless Whisper нашло выдуманные фразы примерно в 1% записей, и 38% из них содержали явный вред — насилие, ложные связи, ложный авторитет. Важная оговорка: это проверка версий Whisper 2023 года, до large-v3, — ориентир для семейства, а не замер v3. Лечение — VAD-фильтр и выборочная проверка там, где ошибка стоит дорого: медицина, юриспруденция, цитаты.
• Регресс против v2 на отдельных записях. На форуме OpenAI пользователь сравнил модели на 20 записях звонков и получил лучший результат у large-v2 во всех случаях, кроме двух. Речь шла о переводе звонков на английский, и это частное наблюдение, а не бенчмарк, но вывод полезный: для своего типа записей сравните v2 и v3 на десятке файлов.
• Окна по 30 секунд. Whisper слушает запись кусками по 30 секунд, а длинный файл программа режет и склеивает. На стыках слова могут теряться или дублироваться: 24 октября 2026 года в одном из проектов на whisper.cpp описали потерю слов на каждой границе окна в режиме --no-timestamps. Помогают VAD, режим с метками времени и проверка стыков на образце.
• turbo плохо переводит. Если нужен перевод на английский прямо из речи (task="translate"), берите large-v3, а не turbo.
• Нет разделения по спикерам. Whisper не говорит, кто произнёс фразу. Для протоколов созвонов нужна надстройка с диаризацией — разметкой «кто говорит», например WhisperX: по заявке авторов — 70× реального времени для large-v2 в пакетном режиме и меньше 8 ГБ видеопамяти.
• Разные версии программ дают немного разный текст. Обновление MLX или whisper.cpp может поменять расшифровку отдельных фраз. Для воспроизводимого результата фиксируйте версии пакетов.
• Приватность — сильная сторона, но не автоматическая. Локальная модель не отправляет звук наружу, однако обёртки и GUI-приложения бывают с телеметрией или облачными функциями. Для конфиденциальных записей используйте программы из этого гайда и при необходимости отключайте сеть.

Локальный Whisper или облачный API: сколько стоит час записи

Локальная расшифровка бесплатна, если компьютер у вас уже есть: платите только за электричество. Облако берёт деньги за минуту, зато не требует железа. Цены OpenAI API на 25 октября 2026 года: gpt-4o-transcribe — $0,006 за минуту, gpt-4o-mini-transcribe — $0,003, gpt-transcribe — $0,0045. Классической модели whisper-1 на странице цен нет. У Mistral Mini Transcribe 3 — $0,0035 за минуту.

Расчёт: часы × 60 × цена за минуту. Вывод: при десятке часов в месяц облако стоит копейки, и покупать железо ради Whisper смысла нет. Локальный запуск выигрывает в трёх случаях: записи нельзя отдавать третьим лицам, объём исчисляется сотнями часов или видеокарта/Mac уже стоят на столе.

Какую модель Whisper взять под подкаст, совещание и субтитры

Сведём всё в одну таблицу решений. Цифры скорости — из раздела про память и скорость.

Для последней строки мы разбирали отдельный сценарий — голосовой ввод в Claude Code, там другая логика: важна задержка, а не точность часового архива.

Если вы ещё только выбираете компьютер, учтите, что Whisper — лёгкая задача по памяти: ему хватает базового Mac или видеокарты на 8 ГБ. Требования к памяти задают языковые модели, а не распознавание речи, поэтому подбирать Mac лучше по ним — в путеводителе какой Mac выбрать для локального ИИ. Для одного только Whisper разница между базовым и старшими чипами — минуты, а не «работает или нет»: turbo в WhisperKit расшифровывает час записи на M4 за 4,2 минуты, на M4 Pro — за 3,6.

Что устареет первым. Цены API, версии программ и рейтинги Handy меняются быстрее всего — сверяйте их на страницах источников. Сами модели large-v3 и turbo не менялись с 2024 года.

Частые вопросы о локальной расшифровке речи

Сколько видеопамяти нужно для Whisper large-v3 и turbo?

Для large-v3 в оптимизированных программах — от 3 до 6 ГБ: замер faster-whisper даёт 4,5 ГБ в fp16, 2,9 ГБ в int8 и 6,1 ГБ в пакетном режиме. Ориентир OpenAI «~10 ГБ» для large и «~6 ГБ» для turbo относится к исходной реализации на PyTorch. Видеокарта на 8 ГБ подходит для любого режима, на 6 ГБ — для int8 или turbo.

Whisper large-v3 понимает украинский и насколько точно?

Да. На наборе FLEURS независимый бенчмарк Handy даёт large-v3 6,28% WER, turbo — 7,31%, прошлой large-v2 — 8,17%. Вендор ElevenLabs называет 9,5%, но методику не раскрывает и продаёт конкурента. Parakeet v3 от NVIDIA на украинском почти не уступает — 6,84%, поэтому для украинского архива стоит сравнить обе модели на своих записях.

Чем отличается large-v3 от large-v3-turbo и что быстрее на Mac?

turbo — та же large-v3 с декодером из 4 слоёв вместо 32: 809 млн параметров вместо 1550 млн. На Mac она быстрее примерно в 2,3 раза — на M4 Max 55× реального времени против 24×. Плата — около одного процентного пункта WER на русском и украинском и слабый перевод на английский.

Можно ли запустить Whisper large-v3 на Mac без видеокарты?

Да, отдельная видеокарта Mac не нужна: графика встроена в чип M1–M5 и использует единую память. Запускайте через mlx-whisper или whisper.cpp с Core ML — оба работают на графике и нейродвижке Apple. Памяти хватит на любом Mac с Apple Silicon: полная модель в whisper.cpp занимает около 3,9 ГБ. Не берите faster-whisper — на Mac он считает только процессором.

Есть ли Whisper large-v4 и стоит ли переходить на Parakeet?

Модели large-v4 нет: самые новые открытые модели распознавания речи OpenAI — large-v3 (2023) и large-v3-turbo (2024). Parakeet TDT 0.6B v3 точнее Whisper на английском и в разы быстрее, но знает 25 европейских языков. Для русского large-v3 точнее (4,96% против 6,54%), для украинского модели почти вровень — переход имеет смысл после проверки на своём аудио.