Как перевести аудио в текст через Whisper на компьютере

Часовая запись встречи часто превращается в два часа ручной расшифровки. Whisper позволяет сделать черновой текст, субтитры и таймкоды локально: аудиофайл остаётся на компьютере, а после загрузки модели интернет для распознавания не нужен.

Но качество зависит не только от размера модели. Плохой звук, несколько говорящих одновременно, неверно выбранный язык и профессиональные термины способны испортить даже результат большой модели. Поэтому ниже есть не только команды установки, но и схема проверки готовой расшифровки.

Какой способ выбрать

Задача	Подход	Особенности
Разовая короткая запись	Whisper из командной строки	Минимум настроек
Многочасовые записи	Faster-Whisper или GUI на его основе	Выше скорость, больше параметров
Субтитры для видео	Вывод SRT или VTT	Сохраняются таймкоды
Конфиденциальное интервью	Локальный запуск без облачного API	Файл не требуется загружать на сайт
Разделение по спикерам	Whisper плюс отдельная диаризация	Базовый Whisper сам не подписывает участников надёжно

Что такое Whisper

Whisper — модель распознавания речи, обученная работать с разными языками, шумом и форматами аудио. Она умеет расшифровывать речь на исходном языке, определять язык и в отдельных режимах переводить запись на английский.

Программа обрабатывает файл фрагментами и собирает результат в текст с временными отметками. Работа происходит на CPU или поддерживаемой видеокарте. Чем крупнее модель, тем обычно выше требования к памяти и дольше обработка.

Команды установки и список режимов опубликованы в официальном репозитории Whisper.

Какая модель подходит для русского языка

Модель	Когда использовать	Компромисс
tiny / base	Быстрый тест и слабый компьютер	Больше ошибок в именах и сложной речи
small	Лекции, заметки, понятная речь	Хороший старт для CPU
medium	Интервью и материалы, где важна точность	Требует больше времени и памяти
large	Сложный звук и максимальное качество	Высокие требования к системе
turbo	Быстрая транскрибация	Оптимизирован для скорости; перевод имеет ограничения

Для русского языка выбирайте многоязычную модель без суффикса .en. Англоязычные варианты предназначены только для английской речи.

Установка Whisper на Windows

Понадобятся Python и FFmpeg. Чтобы зависимости одной программы не смешивались с другими проектами, создадим отдельное виртуальное окружение.

Шаг 1. Проверьте Python

python --version

Если команда не найдена, установите актуальную совместимую версию Python и включите добавление в PATH. Затем заново откройте PowerShell.

Шаг 2. Установите FFmpeg

При использовании Chocolatey:

choco install ffmpeg

Либо установите FFmpeg через Scoop. После установки проверьте:

ffmpeg -version

Шаг 3. Создайте окружение

mkdir whisper-local
cd whisper-local
python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip

Если PowerShell запрещает активацию скрипта, можно запустить команды через обычную командную строку или изменить политику только для текущего пользователя, предварительно понимая последствия настройки.

Шаг 4. Установите Whisper

pip install -U openai-whisper

Первый запуск выбранной модели скачает её файлы. Для последующей локальной работы они должны оставаться в кэше.

Первая расшифровка аудио

Поместите файл в папку проекта и выполните:

whisper "interview.mp3" --language Russian --model small --output_format txt

Рядом появится текстовый файл. Чтобы получить субтитры:

whisper "interview.mp3" --language Russian --model small --output_format srt

Whisper также поддерживает VTT, JSON и набор всех форматов:

whisper "interview.mp3" --language Russian --model medium --output_format all --output_dir result

Как перевести видео в текст

Отдельно извлекать звук обычно не требуется: FFmpeg прочитает распространённый видеоформат, а Whisper обработает звуковую дорожку.

whisper "lecture.mp4" --language Russian --model small --output_format srt

Если в видео несколько дорожек или повреждён звук, сначала создайте нормализованный WAV:

ffmpeg -i "lecture.mp4" -ac 1 -ar 16000 "lecture.wav"

Один канал и частота 16 кГц не улучшают исходную запись магически, но упрощают дальнейшую обработку.

Как повысить точность

• Укажите язык. Это снижает ошибки определения в коротких записях.
• Добавьте начальную подсказку. Перечислите фамилии, компании и специальные термины.
• Уберите длинную тишину. Так модель меньше создаёт повторяющиеся фразы.
• Не повышайте громкость до искажения. Клиппинг хуже тихого, но чистого сигнала.
• Разделяйте очень длинные файлы. Проще повторно обработать десятиминутный фрагмент, чем всю встречу.

Пример с подсказкой:

whisper "meeting.mp3" --language Russian --model medium --initial_prompt "Встреча команды InnovateNow. Термины: Ollama, Open WebUI, NPU, токеномика."

Реальный тест пяти вариантов одного файла

Чтобы выбрать модель честно, возьмите один фрагмент длительностью 5–10 минут. В нём должны быть имена, числа, тихая речь и хотя бы один участок с фоновым шумом.

Вариант	Что измерить	Что записать
small на CPU	Время и число смысловых ошибок	Базовый результат
medium на CPU	Прирост точности к small	Оправдано ли ожидание
turbo на GPU	Скорость обработки	Ошибки в русских именах
medium с подсказкой	Термины и фамилии	Эффект initial_prompt
нормализованный звук	Шумные и тихие участки	Эффект подготовки аудио

Не оценивайте качество по тому, насколько текст выглядит гладким. Опаснее всего уверенно записанные неверные числа, отрицания и фамилии. Сверьте минимум десять контрольных фрагментов с исходным аудио.

Как сделать текст удобным для работы

Whisper создаёт расшифровку, а не готовый протокол встречи. После распознавания:

1. сохраните неизменённый исходный TXT;
2. исправьте имена, числа и термины;
3. разбейте длинные абзацы по смыслу;
4. отдельно составьте решения и задачи;
5. не удаляйте таймкоды до финальной проверки.

Большую расшифровку можно обработать локальной языковой моделью. Сначала настройте её по инструкции «Как запустить нейросеть на ПК», а затем попросите составить структурированный конспект. Для ноутбука полезно заранее понять, поможет ли NPU в задачах локального ИИ.

Работает ли Whisper полностью офлайн

Да, после установки зависимостей и скачивания модели распознавание может выполняться без интернета. Проверьте это новым файлом после отключения сети. Учтите, что сторонняя графическая оболочка может иметь собственную телеметрию или облачные функции.

Типовые ошибки

Проблема	Причина	Что делать
ffmpeg не найден	Путь не добавлен в PATH	Переоткрыть терминал и проверить установку
CUDA out of memory	Модель не помещается в видеопамять	Выбрать small, medium или запуск на CPU
Повторяются фразы	Тишина, шум или сложный фрагмент	Обрезать запись и обработать участок отдельно
Русская речь стала английской	Неверная задача или язык	Указать --language Russian и transcribe
Не различаются участники	Whisper не является полноценной диаризацией	Добавить отдельный инструмент разделения спикеров

Частые вопросы

Итог

Для первого запуска достаточно Python, FFmpeg, Whisper и модели small. Не начинайте сразу с large: сравните пять вариантов на одном контрольном файле и выберите конфигурацию, которая экономит время именно на ваших записях. Финальный текст обязательно проверяйте по аудио — особенно числа, имена и отрицания.