Whisper large-v3 і turbo на ПК і Mac: 6,28% помилок для української мови

Коротко (TL;DR)

Whisper large-v3 локально — це найточніша відкрита модель розпізнавання мовлення від OpenAI, запущена на вашому комп’ютері: аудіо нікуди не йде, підписки немає, інтернет потрібен лише для завантаження файлу моделі. Для української вона помиляється приблизно в 6 словах зі 100 (WER 6,28% на наборі FLEURS), для російської — приблизно в 5 (4,96%).

• Яка версія. Найновіші відкриті чекпойнти — large-v3 (листопад 2023) і large-v3-turbo (жовтень 2024). Моделі «large-v4» немає.
• Скільки важить. Повна large-v3 у форматі whisper.cpp — 2,9 GiB, стиснена до 5 біт — 1,1 GiB; turbo — 1,5 GiB і 547 MiB.
• Скільки пам’яті. Орієнтир OpenAI «~10 ГБ» стосується початкової реалізації; у faster-whisper та сама модель займає 4,5 ГБ відеопам’яті, у 8-бітному режимі — 2,9 ГБ. Вистачить відеокарти на 8 ГБ і будь-якого Mac на Apple Silicon.
• Швидкість. Година запису на RTX 3070 Ti — близько 5 хвилин, з пакетною обробкою — 1,3 хвилини (замір на large-v2, архітектура та сама); на M4 Max — 2,5 хвилини для large-v3 і 1,1 хвилини для turbo; на базовому M4 turbo у WhisperKit — 4,2 хвилини.
• turbo чи large-v3. turbo на Mac швидша приблизно в 2,3 раза і помиляється трохи частіше: +1 відсотковий пункт для української та російської. «У 8 разів швидше» — заява OpenAI для відеокарти A100 та англійського мовлення.
• Як запустити. NVIDIA — faster-whisper, Mac — mlx-whisper, будь-який комп’ютер — whisper.cpp. Команди з версіями — нижче.

Ця стаття про розшифрування готових файлів: подкасти, записи дзвінків, інтерв’ю, субтитри. Диктування в реальному часі, коли текст друкується під час мовлення, ми розібрали окремо — у матеріалі Wispr Flow чи свій Whisper. Усі заміри швидкості нижче чужі, із зазначенням стенда й методики; де заміру немає, швидкість не наводимо.

Whisper large-v3 локально: що це і чим відрізняється від v2 і turbo

Whisper — модель автоматичного розпізнавання мовлення (англійською ASR, automatic speech recognition). На вхід вона отримує звук, на виході віддає текст із мітками часу. Усередині два блоки: енкодер «слухає» 30-секундний фрагмент запису цілком і перетворює його на набір ознак, декодер за цими ознаками пише текст слово за словом. Лінійка складається з моделей різного розміру — від tiny до large, і що більша модель, то вона точніша й повільніша.

Дата виходу (release date) Whisper large-v3 — 6 листопада 2023 року, тоді OpenAI її анонсувала. Порівняння Whisper large-v3 vs v2 зводиться до трьох відмінностей:

NvidiaAppleTeslaBitcoin

Binance · Wall Street 24/7Акції, золото, нафта і крипта1 акаунтУвесь ринок в одному акаунті Binance — без брокера й рахунку в США

GOLDOILS&P 500

Як почати

• Вхід став детальнішим. Перед обробкою звук перетворюється на спектрограму — «картинку» частот. У v3 частотних смуг 128 замість 80, тобто модель розрізняє більше відтінків звуку.
• Даних стало більше. large-v3 навчали на 1 млн годин слабко розміченого аудіо (за готовими субтитрами) і 4 млн годин, які розмітила сама large-v2.
• Додалася кантонська мова окремим токеном.

За заявою OpenAI, large-v3 помиляється на 10–20% рідше, ніж v2, на широкому наборі мов. Це слова самої компанії; незалежна перевірка для української та російської — у розділі про точність нижче, і вона заяву загалом підтверджує.

GLM-5.3 від Z.ai: флагман 753B не для дому, а Flash працює на Mac зі 128 ГБ

Mistral Medium 3.5 128B: відкриті ваги, 75 ГБ у 4 бітах, 7,7 ток/с у FP8 на M5 Ultra

Qwen 3.6 35B-A3B — MoE-модель Alibaba: 21–24 ГБ у 4 бітах і до 183 ток/с удома

Qwen 3.8 27B на своєму залізі: 17,6 ГБ у 4 бітах та індекс 34 в Artificial Analysis

Stable Diffusion локально — SDXL іде на 12 ГБ, а повний SD 3.5 Large важить 27,9 ГБ

Whisper large-v3-turbo вийшла 1 жовтня 2024 року. Це та сама large-v3, у якої декодер урізали з 32 шарів до 4, а енкодер залишили колишнім. Параметрів стало 809 млн замість 1550 млн. Логіка проста: частина, що «слухає», зберегла якість, а та, що «пише», стала в рази легшою, тому модель працює швидше. Ціна — трохи більше помилок і слабкий переклад: turbo донавчали без даних перекладу, і OpenAI прямо пише, що доброго перекладу англійською від неї не очікує.

Моделі «Whisper large-v4» не існує, хоча такий запит трапляється. Найновіші відкриті моделі розпізнавання мовлення OpenAI — large-v3 і large-v3-turbo. Нові ASR-моделі компанії (gpt-4o-transcribe та інші) доступні лише через платний API і локально не запускаються.

Версії Whisper large-v3: розміри, ліцензія і вага файлів

Та сама модель поширюється в кількох форматах — під різні програми запуску. Формат визначає, скільки файл важить на диску і скільки пам’яті займе під час роботи. Квантування — це стиснення ваг моделі: замість 16 біт на кожне число зберігається 8 або 5. Файл стає в 2–3 рази меншим, а точність зазвичай падає непомітно.

Скільки важить Whisper large-v3 у форматі ggml (його читає whisper.cpp) — за README проєкту на 25.10.2026:

На скриншоті README whisper.cpp, знятому 25 жовтня 2026 року, рамкою виділено чотири рядки сімейства large-v3: повний файл і стиснений q5_0 для звичайної моделі та для turbo. Саме ці файли завантажує скрипт whisper.cpp.

З ліцензією є розбіжність, про яку варто знати. README репозиторію OpenAI каже, що код і ваги випущено під MIT. Метадані картки large-v3 на Hugging Face вказують Apache-2.0, картка turbo — знову MIT. Обидві ліцензії дозволяють комерційне використання, тому на практиці це нічого не змінює: розшифрування можна використовувати в роботі й продавати. Для юридично суворого проєкту пошліться на обидві.

Binance · Wall Street 24/7А якби ви купили золото влітку?+? %Тренажер на реальних цінах Binance покаже результат. Без грошей і реєстрації

GOLDNVDATSLA

Відкрити тренажер

Завантажити Whisper large-v3 найпростіше не вручну, а командою самої програми: вона візьме файл потрібного формату з Hugging Face.

• для faster-whisper — репозиторій Systran/faster-whisper-large-v3 (для turbo — mobiuslabsgmbh/faster-whisper-large-v3-turbo), завантажується сам під час першого запуску;
• для mlx-whisper на Mac — mlx-community/whisper-large-v3-mlx і mlx-community/whisper-large-v3-turbo;
• для whisper.cpp — файли ggml-large-v3.bin і ggml-large-v3-turbo-q5_0.bin з репозиторію ggerganov/whisper.cpp на Hugging Face або команда make -j large-v3.

Початкові ваги у форматі PyTorch лежать на картці моделі — їх беруть openai/whisper і бібліотека Transformers.

Точність large-v3 для української та російської: WER за FLEURS

Точність розпізнавання вимірюють WER (word error rate) — часткою слів з помилкою: пропущених, зайвих і замінених. WER 5% означає, що на 1000 слів припаде близько 50 помилок. Власної таблиці WER за мовами для large-v3 OpenAI не публікує: у README є лише графік-картинка. Тому основне джерело нижче — незалежний бенчмарк Handy, який проганяє моделі на тестовій частині набору FLEURS (читання вголос, чистий запис) у кванті Q8_0.

На графіку видно, що для російської large-v3 попереду всіх Whisper, а для української щільна група: Parakeet v3 відстає від неї на пів пункту, turbo — приблизно на пункт.

На скриншоті таблиці Handy для української, знятому 25 жовтня 2026 року, рамками виділено три рядки Whisper: large-v3 із 6,28%, turbo із 7,31% і large-v2 із 8,17%. Рядком вище large-v3 стоїть parakeet-ultra з 5,71% — це Parakeet TDT 0.6B v3, донавчена компанією Moondream (модель moondream/parakeet-ultra на Hugging Face, ліцензія CC BY 4.0, вересень 2026). Handy рекомендує її для української.

Що з цього випливає на практиці. Перехід з v2 на v3 зменшує помилки для російської на 12% (з 5,61 до 4,96), для української — на 23% (з 8,17 до 6,28). Заява OpenAI «на 10–20% менше помилок» для російської підтверджується, для української виграш навіть більший. turbo порівняно з large-v3 додає близько однієї помилки на кожні 100 слів: приблизно 59 помилок на 1000 слів замість 50 для російської. Порівняння Whisper large-v3 vs medium ще наочніше: для української менша medium помиляється в 11,59% слів проти 6,28%, тобто майже вдвічі частіше.

Чому одна модель дає і 4,96%, і 16%, і 20,8%

Читаючи огляди, легко заплутатися: про ту саму large-v3 пишуть і 4,96%, і 16%, і 20,8%. Усі три цифри можуть бути правильними, бо вимірюють різне:

• 4,96% — російська, FLEURS, чисте читання вголос (Handy).
• 16,0% — середнє за 45 мовами FLEURS у замірі Mistral, куди входять і складні для моделі мови. Це вендорний замір: Mistral продає конкурента, свій Voxtral.
• 20,8% — середнє за сімома російськими наборами з шумним і телефонним мовленням; російськомовний гайд toolfox переказує замір розробника конкурентної моделі (вторинне джерело).

Розрив 20,8% проти 4,96% — це різниця умов вимірювання, а не моделей: чисте читання вголос проти дзвінків і шуму. Тому порівнювати моделі можна лише за одним набором і однією методикою, як у таблиці вище.

Для української джерела розходяться сильніше: 6,28% у Handy і 9,5% в ElevenLabs. ElevenLabs методику нормалізації тексту не розкриває і продає власну модель Scribe, тому її цифру варто тримати як верхню межу. Ще один орієнтир — проєкт BuzzASR: у large-v3 без донавчання на українському FLEURS частка помилкових символів (CER) 2,99%, на Common Voice — 3,7%. CER завжди нижчий за WER, порівнювати їх безпосередньо не можна.

Як перевірити точність на своєму аудіо. Бенчмарк не знає ваших мікрофонів, акцентів і термінів. Візьміть 30–60 хвилин свого типового запису, розшифруйте 5–10 хвилин вручну як еталон і проженіть через дві моделі — наприклад, large-v3 і turbo. Порахувати WER можна Python-бібліотекою jiwer однією функцією wer(еталон, розшифрування). Різниця понад 2–3 пункти на вашому матеріалі важливіша за будь-яку таблицю.

Версії під російську — це не окремі моделі OpenAI, а донавчені спільнотою на російському мовленні варіанти Whisper large-v3. На Hugging Face найпопулярніша з них — antony66/whisper-large-v3-russian, донавчена на Common Voice 17 (близько 2,8 тис. завантажень за 30 днів на 25.10.2026), є й збірки для faster-whisper і MLX. Незалежного заміру цих версій на FLEURS у наших джерелах немає: донавчання на Common Voice може поліпшити одні записи й погіршити інші, тому порівнюйте їх із базовою large-v3 за методикою вище.

Large-v3 проти turbo, Parakeet і Voxtral: яку модель обрати

Порівняння Whisper large-v3 vs turbo майже завжди зводиться до одного компромісу: turbo швидша приблизно вдвічі, large-v3 точніша приблизно на пункт. Питання Whisper large-v3 vs Parakeet цікавіше: модель NVIDIA в рази швидша, для англійської навіть точніша, для української майже нарівні, але знає лише 25 європейських мов. Нижче — усе основне в одній таблиці.

Parakeet TDT 0.6B v3. Найсильніший суперник Whisper серед відкритих моделей. Для англійської (зведений лідерборд Open ASR) у середньому 6,34% WER проти приблизно 7,4% у large-v3. На українському FLEURS відставання від large-v3 лише пів пункту (6,84 проти 6,28), на російському — півтора пункту (6,54 проти 4,96) за заміром Handy; за карткою NVIDIA російська в Parakeet — 5,51%. Модель приймає до 24 хвилин аудіо за один прохід (на A100 80 ГБ) і працює від 2 ГБ пам’яті. Мінуси — менше мов і не така багата екосистема програм, як у Whisper.

Voxtral від Mistral. Тут треба розділити дві речі. Voxtral 3, анонсований 20 жовтня 2026 року, — це API-моделі: Mini Transcribe 3 коштує $0,0035 за хвилину, відкритих ваг в анонсі немає: на своєму сервері його можна розгорнути лише за договором із Mistral, завантажити й запустити на домашньому комп’ютері не можна. Відкриті моделі — попередні: Voxtral Mini 3B (без української та російської) і Voxtral Mini 4B Realtime. Остання російську розпізнає добре, але розрахована на потокове мовлення, потребує відеокарту від 16 ГБ і запускається лише через vLLM, а української не знає.

Українська модель NVIDIA (stt_ua_fastconformer_hybrid_large_pc) — вузькоспеціалізована й легка, 115 млн параметрів, WER 5,66% на Common Voice 12 (8,06% із пунктуацією та регістром). Це інший набір даних, ніж FLEURS, тому безпосередньо з Whisper її не порівняти, — але для суто українського архіву на слабкому залізі її варто перевірити.

Apple SpeechAnalyzer — системний розпізнавач macOS 26, без встановлення моделей. У тесті MacStories 34-хвилинне відео він розшифрував за 0:45 проти 1:41 у MacWhisper з large-v3-turbo, тобто у 2,2 раза швидше. Чи підтримує він українську, ми підтвердити не змогли: перевірте список SpeechTranscriber.supportedLocales на своєму Mac.

Підсумок порівняння: для російської та змішаного мовлення — Whisper large-v3, для швидкості на Mac — turbo, для англійської та великих обсягів на відеокарті NVIDIA — Parakeet, для української — порівняти large-v3 і Parakeet на своєму матеріалі.

Скільки пам’яті й часу займе розшифрування на RTX і Apple M4

Спочатку про пам’ять. Відеопам’ять (VRAM) — пам’ять відеокарти, куди завантажується модель; якщо модель не вмістилася, програма або впаде, або перейде на повільний процесор. У Mac замість неї єдина пам’ять: один спільний обсяг для процесора і графіки.

Графік показує, що страшна на вигляд цифра «~10 ГБ» з README OpenAI стосується початкової реалізації на PyTorch, а оптимізовані програми обходяться вдвічі-втричі меншим обсягом.

Заміри взято з README faster-whisper: відеокарта RTX 3070 Ti 8 ГБ, CUDA 12.4, 13 хвилин аудіо, модель large-v2. У large-v3 та сама архітектура і та сама кількість параметрів, тому порядок цифр зберігається. Звідси просте правило: на відеокарті від 8 ГБ large-v3 працює в будь-якому режимі оптимізованих програм, на 6 ГБ — у fp16 без пакетного режиму або в int8, а найлегший варіант сімейства — turbo у форматі q5_0, файл 547 MiB.

Обсяг пам’яті карт — за специфікаціями NVIDIA. Замірів large-v3 на RTX 3060, 4090 і 5090 зі зрозумілою методикою у відкритих джерелах ми не знайшли, тому цифр швидкості для них не наводимо: за пропускною здатністю пам’яті їх не перерахувати. Зрозуміло одне: на будь-якій із цих карт large-v3 упреться не в пам’ять, а в програму запуску. Як ці самі карти поводяться з мовними моделями, ми зібрали в огляді RTX 5090, 4090 і 3090 у локальних LLM.

Тепер швидкість. Її зручно вимірювати у скільки разів швидше за реальний час (×RT): 12× означає, що година запису розшифрується за 5 хвилин.

Найпомітніше на графіку: пакетний режим faster-whisper на тій самій 8-гігабайтній карті прискорює роботу майже вчетверо, M4 Max із turbo розшифровує годину приблизно за хвилину, а рядки WhisperKit майже не залежать від класу чипа.

Перерахунок у хвилини — наш: 60 ÷ ×RT. Вихідні секунди: у бенчмарку faster-whisper 13 хвилин аудіо оброблено за 2 хв 23 с (openai/whisper), 1 хв 05 с (whisper.cpp), 1 хв 03 с (faster-whisper) і 17 с (пакет із 8). Це єдиний прямий замір на відеокарті RTX із повною методикою.

Звідки «у 8 разів швидше» і чому у вас буде менше. Таблиця OpenAI порівнює turbo з large на відеокарті A100 та англійському мовленні. Два незалежні заміри на Mac дають однакове співвідношення — близько 2,3 раза: у vllm-mlx 55× проти 24× (M4 Max), у MacStories 1:41 проти 3:55 (MacWhisper, щоправда, проти large-v2). Блоги називають 4–5 разів. Прискорення turbo — це виграш на декодері, а енкодер в обох моделей однаковий, тому що більше часу йде на «слухання», то скромніша різниця.

Чому клас чипа майже не важливий. WhisperKit — програма Argmax, яка запускає Whisper на нейрорушії Mac (Neural Engine — окремий блок чипа для нейромереж) через Core ML. У її відкритому бенчмарку M4 Pro, у якого графічних ядер удвічі більше, ніж у M4, розшифровує turbo лише на 16% швидше (16,8× проти 14,4×), а базовий M2 відстає від M4 Pro на чверть. MLX і whisper.cpp обчислюють на графіці, і там старший чип виграє сильніше: M4 Max з MLX — 55× на turbo. Порівнянних замірів MLX на M4 і M4 Pro ми не знайшли, а рядки різних програм і записів безпосередньо не порівнюються. Висновок для купівлі: Mac для самого лише розшифрування можна брати базовий — година запису займе 4–5 хвилин. Як улаштована єдина пам’ять Mac і скільки її потрібно для мовних моделей — в окремому розборі; там вимоги зовсім інші.

Яка програма швидша на Mac. У порівнянні mac-whisper-speedtest на MacBook Pro M4 24 ГБ короткий кліп моделлю turbo оброблено за 1,02 с у mlx-whisper, за 1,23 с у whisper.cpp з Core ML і за 6,96 с у faster-whisper на процесорі. Висновок: на Mac faster-whisper не беріть — він не вміє працювати з графікою Apple.

Скільки займе ваш архів: розрахунок

Формула одна: хвилини роботи = години запису × 60 ÷ ×RT. Приклад для архіву подкастів на 40 годин:

Підставте свій ×RT з таблиці вище. Якщо результат більший, ніж ви готові чекати, спершу перемкніться на turbo або пакетний режим — це безкоштовно, — і лише потім думайте про нове залізо.

Як запустити Whisper локально: faster-whisper, whisper.cpp і MLX

Нижче три шляхи з версіями на 25 жовтня 2026 року: faster-whisper 1.2.1, mlx-whisper 0.4.3, whisper.cpp v1.9.5. Команди взято з офіційних README; ми наводимо їх як є, без власного прогону. Оберіть шлях під своє залізо:

Windows або Linux з NVIDIA: faster-whisper за п’ять кроків

faster-whisper — переписаний Whisper на рушії CTranslate2. Йому потрібен Python 3.9 або новіший, а для відеокарти — бібліотеки NVIDIA cuBLAS і cuDNN 9 для CUDA 12. Окремо встановлювати FFmpeg не потрібно: звук декодує вбудована бібліотека.

1. Встановіть Python 3.9+ і драйвер NVIDIA з підтримкою CUDA 12.
2. Створіть віртуальне середовище і встановіть пакет:

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

1. Створіть файл transcribe.py:

from faster_whisper import WhisperModel

model = WhisperModel("large-v3", device="cuda", compute_type="float16")
# мало відеопам'яті: compute_type="int8_float16"; без відеокарти: device="cpu", compute_type="int8"

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

1. Запустіть python transcribe.py. Під час першого запуску завантажиться модель Systran/faster-whisper-large-v3.
2. Для прискорення в 3–4 рази увімкніть пакетний режим: BatchedInferencePipeline(model=model) і transcribe("zapys.mp3", batch_size=8). Пакет із 8 у fp16 займає 6,1 ГБ, тому на карті 8 ГБ не піднімайте його вище; batch_size=16 — для карт від 12 ГБ. Для turbo замініть "large-v3" на "turbo".

Параметр vad_filter=True вмикає VAD (voice activity detection) — фільтр, який вирізає тишу до розпізнавання. Це помітно зменшує вигаданий текст на паузах.

Mac на Apple Silicon: mlx-whisper

MLX — фреймворк Apple для машинного навчання на чипах серії M. Встановлення займає одну команду, але є пастка.

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

Пастка: без параметра --model програма бере крихітну whisper-tiny (близько 74 МБ), і розшифрування виходить поганим. Це часта причина відгуків «Whisper на Mac помиляється». Для повної моделі вкажіть mlx-community/whisper-large-v3-mlx. Формат виводу задає -f: txt, srt, vtt або json.

Альтернатива без Python — WhisperKit від Argmax: brew install whisperkit-cli, працює на нейрорушії; саме його заміри на M2, M4 і M4 Pro наведено в таблиці швидкості.

Будь-який комп’ютер: whisper.cpp

whisper.cpp — реалізація Whisper на C/C++ від автора llama.cpp, із тим самим форматом файлів ggml; про її «старшого брата» для мовних моделей — у порівнянні Ollama, LM Studio і llama.cpp. Працює на процесорі, відеокартах NVIDIA (CUDA) і AMD/Intel (Vulkan), а на Mac уміє віддавати енкодер нейрорушію через Core ML — це більш ніж утричі швидше, ніж лише процесор.

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

Дві деталі, на яких спотикаються найчастіше: whisper-cli читає лише 16-бітний WAV (звідси рядок з ffmpeg), а мова за замовчуванням у нього англійська. Без -l uk або -l auto українське мовлення перетвориться на англійський текст. Прапорці -otxt, -osrt і -ovtt зберігають результат у текст або субтитри.

Типові помилки під час запуску і як їх виправити

• faster-whisper не знаходить бібліотеки cuDNN. Зазвичай встановлено cuDNN 8 або CUDA 11, а свіжим версіям потрібен cuDNN 9 для CUDA 12. Або оновіть бібліотеки NVIDIA, або відкотіть ctranslate2, як описано в README.
• Відеопам’ять закінчилася. Перемкніться на compute_type="int8_float16" або turbo; закрийте ігри та браузер з апаратним прискоренням.
• На Mac усе повільно. Перевірте, що запускаєте mlx-whisper або whisper.cpp, а не faster-whisper: останній працює лише на процесорі.
• Перший запуск whisper.cpp з Core ML триває хвилини. Це компіляція моделі під нейрорушій, вона відбувається один раз.
• Текст англійською замість мови запису. Не вказано мову: -l uk у whisper.cpp, language="uk" у faster-whisper, --language uk у MLX.

Ризики large-v3: галюцинації, повтори і вікна по 30 секунд

Коли large-v3 не підходить без доопрацювання? Whisper — сильна модель, але в неї є відомі слабкі місця. Їх корисно знати до того, як ви віддасте розшифрування клієнтові або до суду.

• Галюцинації — текст, якого не було в записі. Картка large-v3 прямо попереджає: модель може видавати несказані фрази і схильна до повторів, особливо на тиші, музиці та шумі. Дослідження Careless Whisper знайшло вигадані фрази приблизно в 1% записів, і 38% із них містили явну шкоду — насильство, хибні зв’язки, хибний авторитет. Важливе застереження: це перевірка версій Whisper 2023 року, до large-v3, — орієнтир для сімейства, а не замір v3. Лікування — VAD-фільтр і вибіркова перевірка там, де помилка коштує дорого: медицина, юриспруденція, цитати.
• Регрес проти v2 на окремих записах. На форумі OpenAI користувач порівняв моделі на 20 записах дзвінків і отримав кращий результат у large-v2 в усіх випадках, крім двох. Ішлося про переклад дзвінків англійською, і це окреме спостереження, а не бенчмарк, але висновок корисний: для свого типу записів порівняйте v2 і v3 на десятку файлів.
• Вікна по 30 секунд. Whisper слухає запис фрагментами по 30 секунд, а довгий файл програма ріже і склеює. На стиках слова можуть губитися або дублюватися: 24 жовтня 2026 року в одному з проєктів на whisper.cpp описали втрату слів на кожній межі вікна в режимі --no-timestamps. Допомагають VAD, режим із мітками часу і перевірка стиків на зразку.
• turbo погано перекладає. Якщо потрібен переклад англійською просто з мовлення (task="translate"), беріть large-v3, а не turbo.
• Немає розділення за мовцями. Whisper не каже, хто вимовив фразу. Для протоколів дзвінків потрібна надбудова з діаризацією — розміткою «хто говорить», наприклад WhisperX: за заявою авторів — 70× реального часу для large-v2 у пакетному режимі і менше 8 ГБ відеопам’яті.
• Різні версії програм дають трохи різний текст. Оновлення MLX або whisper.cpp може змінити розшифрування окремих фраз. Для відтворюваного результату фіксуйте версії пакетів.
• Приватність — сильна сторона, але не автоматична. Локальна модель не надсилає звук назовні, проте обгортки та GUI-застосунки бувають із телеметрією або хмарними функціями. Для конфіденційних записів використовуйте програми з цього гайду і за потреби вимикайте мережу.

Локальний Whisper чи хмарний API: скільки коштує година запису

Локальне розшифрування безкоштовне, якщо комп’ютер у вас уже є: платите лише за електрику. Хмара бере гроші за хвилину, зате не потребує заліза. Ціни OpenAI API на 25 жовтня 2026 року: gpt-4o-transcribe — $0,006 за хвилину, gpt-4o-mini-transcribe — $0,003, gpt-transcribe — $0,0045. Класичної моделі whisper-1 на сторінці цін немає. У Mistral Mini Transcribe 3 — $0,0035 за хвилину.

Розрахунок: години × 60 × ціна за хвилину. Висновок: якщо на місяць набирається десяток годин, хмара коштує копійки, і купувати залізо заради Whisper сенсу немає. Локальний запуск виграє у трьох випадках: записи не можна віддавати третім особам, обсяг сягає сотень годин або відеокарта чи Mac уже стоять на столі.

Яку модель Whisper узяти під подкаст, нараду і субтитри

Зведемо все в одну таблицю рішень. Цифри швидкості — з розділу про пам’ять і швидкість.

Для останнього рядка ми розбирали окремий сценарій — голосове введення в Claude Code, там інша логіка: важлива затримка, а не точність годинного архіву.

Якщо ви ще тільки обираєте комп’ютер, урахуйте, що Whisper — легке завдання щодо пам’яті: йому вистачає базового Mac або відеокарти на 8 ГБ. Вимоги до пам’яті задають мовні моделі, а не розпізнавання мовлення, тому підбирати Mac краще за ними — у путівнику який Mac обрати для локального ШІ. Для самого лише Whisper різниця між базовим і старшими чипами — хвилини, а не «працює чи ні»: turbo у WhisperKit розшифровує годину запису на M4 за 4,2 хвилини, на M4 Pro — за 3,6.

Що застаріє першим. Ціни API, версії програм і рейтинги Handy змінюються найшвидше — звіряйте їх на сторінках джерел. Самі моделі large-v3 і turbo не змінювалися з 2024 року.

Часті запитання про локальне розшифрування мовлення

Скільки відеопам’яті потрібно для Whisper large-v3 і turbo?

Для large-v3 в оптимізованих програмах — від 3 до 6 ГБ: замір faster-whisper дає 4,5 ГБ у fp16, 2,9 ГБ в int8 і 6,1 ГБ у пакетному режимі. Орієнтир OpenAI «~10 ГБ» для large і «~6 ГБ» для turbo стосується початкової реалізації на PyTorch. Відеокарта на 8 ГБ підходить для будь-якого режиму, на 6 ГБ — для int8 або turbo.

Whisper large-v3 розуміє українську і наскільки точно?

Так. На наборі FLEURS незалежний бенчмарк Handy дає large-v3 6,28% WER, turbo — 7,31%, попередній large-v2 — 8,17%. Вендор ElevenLabs називає 9,5%, але методику не розкриває і продає конкурента. Parakeet v3 від NVIDIA для української майже не поступається — 6,84%, тому для українського архіву варто порівняти обидві моделі на своїх записах.

Чим відрізняється large-v3 від large-v3-turbo і що швидше на Mac?

turbo — та сама large-v3 з декодером із 4 шарів замість 32: 809 млн параметрів замість 1550 млн. На Mac вона швидша приблизно в 2,3 раза — на M4 Max 55× реального часу проти 24×. Плата — близько одного відсоткового пункту WER для української та російської і слабкий переклад англійською.

Чи можна запустити Whisper large-v3 на Mac без відеокарти?

Так, окрема відеокарта Mac не потрібна: графіка вбудована в чип M1–M5 і використовує єдину пам’ять. Запускайте через mlx-whisper або whisper.cpp з Core ML — обидва працюють на графіці та нейрорушії Apple. Пам’яті вистачить на будь-якому Mac з Apple Silicon: повна модель у whisper.cpp займає близько 3,9 ГБ. Не беріть faster-whisper — на Mac він працює лише на процесорі.

Чи є Whisper large-v4 і чи варто переходити на Parakeet?

Моделі large-v4 немає: найновіші відкриті моделі розпізнавання мовлення OpenAI — large-v3 (2023) і large-v3-turbo (2024). Parakeet TDT 0.6B v3 точніша за Whisper для англійської і в рази швидша, але знає 25 європейських мов. Для російської large-v3 точніша (4,96% проти 6,54%), для української моделі майже нарівні — перехід має сенс після перевірки на своєму аудіо.