Как расшифровать аудио в текст локально через Whisper

Запись встречи, лекции или интервью уже лежит на компьютере, но загружать её в неизвестный онлайн-сервис не хочется. Whisper позволяет превратить аудио в текст локально: файл обрабатывается на вашем ПК, а после первоначальной установки и загрузки модели интернет не нужен.

Главная сложность не в одной команде, а в выборе подходящего варианта. Оригинальный Whisper понятен и хорошо документирован, faster-whisper обычно экономнее использует ресурсы, а графические оболочки избавляют от терминала. Ниже — рабочая установка на Windows, выбор модели для русского языка, экспорт субтитров и проверка приватности.

Какой вариант выбрать

Вариант	Кому подходит	Преимущество	Сложность
OpenAI Whisper CLI	Первая установка, нужна официальная реализация	Простые команды и документация	Средняя
faster-whisper	Много записей, важны скорость и память	Оптимизированный запуск CPU/GPU	Средняя
Графическая оболочка	Не хочется работать в терминале	Выбор файла и модели кнопками	Низкая
whisper.cpp	Нужен лёгкий автономный инструмент	Разные платформы и квантованные модели	Выше средней

Что означает «локально»

Локальная расшифровка означает, что вычисления выполняются на вашем процессоре или видеокарте. Однако для установки программ и первого скачивания модели интернет нужен. После того как модель сохранена на диске, тот же файл можно обработать с отключённой сетью.

Не каждая программа с названием Whisper работает локально. Некоторые оболочки отправляют запись в облачный API. Перед обработкой конфиденциального разговора проверьте:

• какая именно модель используется;
• где лежит файл модели;
• требуется ли API-ключ;
• работает ли новая расшифровка после отключения интернета;
• нет ли подключённых модулей суммаризации.

Если вам важна полностью автономная работа ИИ, полезна наша отдельная инструкция как запустить нейросеть локально на компьютере.

Требования к компьютеру

Whisper способен работать только на CPU, поэтому дискретная видеокарта не обязательна. Но скорость сильно зависит от модели, длины записи и процессора. NVIDIA с совместимой CUDA ускоряет обработку, а объём видеопамяти ограничивает размер модели.

Для начала ориентируйтесь не на максимальную модель, а на задачу:

Модель	Когда выбирать	Компромисс
tiny	Черновик, слабый компьютер, проверка установки	Самая быстрая, больше ошибок
base	Чистая речь и быстрые заметки	Теряет сложные имена и шумную речь
small	Русские лекции, встречи, обычный ПК	Хороший старт по качеству и скорости
medium	Важнее точность, есть запас времени и памяти	Заметно тяжелее
large/turbo	Производительная система, сложное аудио	Высокие требования; turbo не предназначен для перевода

Для русской речи используйте многоязычную модель без суффикса .en. Англоязычные варианты обучены только для английского.

Установка Whisper на Windows

Понадобятся Python и FFmpeg. В официальном репозитории OpenAI указана совместимость пакета с Python 3.8–3.11; для беспроблемной установки выбирайте поддерживаемую 64-битную версию и не забывайте добавить Python в PATH.

Шаг 1. Проверьте Python

Откройте PowerShell:

python --version
pip --version

Если команды не найдены, установите Python с официального сайта и отметьте пункт Add Python to PATH. После установки откройте новое окно PowerShell.

Шаг 2. Создайте отдельное окружение

Так зависимости Whisper не будут конфликтовать с другими программами:

mkdir C:\whisper-local
cd C:\whisper-local
python -m venv .venv
.\.venv\Scripts\Activate.ps1

Если PowerShell запрещает активацию скрипта, можно открыть обычную командную строку и выполнить:

C:\whisper-local\.venv\Scripts\activate.bat

Шаг 3. Установите FFmpeg

По официальной инструкции Whisper на Windows FFmpeg можно установить через Chocolatey или Scoop. Например, при уже настроенном Chocolatey:

choco install ffmpeg

После установки откройте новое окно терминала и проверьте:

ffmpeg -version

Не устанавливайте пакет с похожим названием через pip вместо системной программы FFmpeg: Whisper должен находить исполняемый файл в PATH.

Шаг 4. Установите Whisper

python -m pip install --upgrade pip
pip install -U openai-whisper

Первая установка может занять время из-за PyTorch и других зависимостей. Если возникает ошибка сборки, сверяйте версию Python с текущими требованиями официального репозитория.

Первая расшифровка аудио в текст

Скопируйте файл, например interview.mp3, в C:\whisper-local и выполните:

whisper interview.mp3 --language Russian --model small

При первом запуске загрузится модель. Затем рядом с исходником появятся файлы результатов. Чтобы явно получить текст и субтитры, используйте:

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

Обычно полезны:

• .txt — сплошной текст;
• .srt — субтитры с временными метками;
• .vtt — субтитры для веб-плееров;
• .json — структурированный результат для автоматизации;
• .tsv — сегменты в табличном виде.

Как выбрать язык и задачу

Язык можно определить автоматически, но для русской записи явный параметр уменьшает риск неверного старта:

--language Russian

По умолчанию Whisper транскрибирует речь на исходном языке. Параметр --task translate переводит поддерживаемую речь на английский, а не на произвольный язык. Модель turbo, согласно документации, не предназначена для задачи перевода; для неё используйте multilingual medium или large.

Как повысить качество расшифровки

Сначала улучшите исходник

Модель не восстановит фразу, которую заглушил шум. По возможности используйте запись без музыки, держите микрофон ближе к говорящим и избегайте перегрузки. Принудительно переводить хороший исходник в низкий битрейт не нужно: FFmpeg сам подготовит аудио для модели.

Укажите контекст

Имена людей, названия компаний и аббревиатуры чаще всего требуют правки. В CLI доступны параметры подсказки, но не превращайте её в длинный словарь: добавьте несколько действительно важных терминов и затем проверьте эффект на одном фрагменте.

Возьмите модель на один уровень больше

Если small регулярно путает слова в чистой записи, попробуйте medium на том же пятиминутном отрезке. Сравнивайте не впечатление, а число смысловых ошибок, имена и пунктуацию. Большая модель не всегда оправдывает многократное увеличение времени.

Практический тест перед обработкой часовой записи

Вырежьте один и тот же пятиминутный фрагмент: в нём должны быть два говорящих, одно имя, число и небольшой шум. Запустите base, small и medium, затем заполните таблицу:

Модель	Время	Ошибки в именах	Смысловые ошибки	Итог
base	Заполнить	Заполнить	Заполнить	Черновик/не подходит
small	Заполнить	Заполнить	Заполнить	Баланс/не подходит
medium	Заполнить	Заполнить	Заполнить	Точность/избыточно

Это честнее универсального обещания «час за десять минут»: скорость отличается на разных CPU, GPU и настройках. Вы получите оценку именно для своего компьютера и типа записи.

Установка faster-whisper

faster-whisper — реализация Whisper на CTranslate2. Она поддерживает вычисления INT8 на CPU и может использовать меньше памяти. Отдельный системный FFmpeg ей не нужен: аудио декодирует библиотека PyAV.

В активном виртуальном окружении:

pip install faster-whisper

Создайте файл transcribe.py:

from faster_whisper import WhisperModel

model = WhisperModel("small", device="cpu", compute_type="int8")
segments, info = model.transcribe(
    "interview.mp3",
    language="ru",
    vad_filter=True
)

with open("interview.txt", "w", encoding="utf-8") as file:
    for segment in segments:
        line = f"[{segment.start:.1f}–{segment.end:.1f}] {segment.text.strip()}"
        print(line)
        file.write(line + "\n")

Запустите:

python transcribe.py

Модель загрузится при первом запуске. Параметр vad_filter=True помогает пропускать участки без речи. Для NVIDIA нужны совместимые версии CUDA и cuDNN; требования меняются, поэтому сверяйте их с репозиторием faster-whisper перед установкой GPU-режима.

Можно ли обойтись без командной строки

Да. Существуют локальные оболочки для Windows, которые используют Whisper или faster-whisper. Выбирайте проект с открытым исходным кодом, понятным разработчиком и активными обновлениями. Скачивайте релиз из официального репозитория проекта, а не со случайного каталога программ.

Перед конфиденциальной работой отключите интернет и расшифруйте новый короткий файл. Если приложение требует API-ключ или перестаёт работать без сети после загрузки модели, оно не соответствует полностью локальному сценарию.

Как получить субтитры для видео

Создайте SRT:

whisper lesson.mp4 --language Russian --model small --output_format srt

Откройте результат в редакторе субтитров и проверьте разрывы фраз, имена и временные метки. Whisper создаёт сегменты, но не гарантирует удобное чтение каждой строки. Для публикации сократите слишком длинные строки и не оставляйте автоматический текст без редакторской проверки.

Разделение говорящих: важное ограничение

Обычный Whisper распознаёт речь, но не подписывает надёжно «Спикер 1» и «Спикер 2». Для диаризации используют отдельные инструменты, например WhisperX и модели определения говорящих. Это усложняет установку и может потребовать дополнительные модели или токены доступа.

Для короткого интервью иногда быстрее расставить имена вручную по временным меткам. Для регулярных многочасовых встреч стоит строить отдельный конвейер и тестировать его на пересекающейся речи.

Как проверить, что данные не уходят в облако

1. Завершите первоначальное скачивание модели.
2. Отключите Wi‑Fi и Ethernet.
3. Выберите новый файл, который раньше не обрабатывался.
4. Запустите расшифровку.
5. Убедитесь, что результат создан полностью.

Этот тест подтверждает автономную обработку, но не проверяет весь код программы. Для особо чувствительных данных используйте известный открытый проект, отдельную учётную запись Windows и контроль сетевых соединений.

Локальная обработка не защищает от вредоносных расширений и синхронизации папки с облаком. Храните записи на зашифрованном диске и удаляйте временные копии. А если выбираете новый компьютер именно для ИИ-задач, сначала разберитесь, что такое NPU и заменяет ли он видеокарту.

Типовые ошибки

Ошибка	Причина	Решение
whisper не является командой	Окружение не активировано или Scripts нет в PATH	Активировать .venv и повторить установку
ffmpeg not found	FFmpeg не установлен или не добавлен в PATH	Проверить ffmpeg -version в новом терминале
Не хватает памяти	Модель слишком большая	Выбрать small/base или INT8 в faster-whisper
Русская речь превращается в другой язык	Ошибка автоопределения	Указать --language Russian
Работает очень медленно	Запуск большой модели на CPU	Сравнить small, faster-whisper INT8 или GPU
Нет разделения по людям	Whisper не выполняет диаризацию сам	Добавить отдельный инструмент или разметить вручную

Автоматизация расшифровки

Когда одиночная команда работает стабильно, её можно встроить в папку-наблюдатель или n8n: новый аудиофайл появляется в каталоге, локальная модель создаёт текст, а сценарий сохраняет результат. Начните с локальных тестовых файлов и ограниченной папки. Пошаговая основа есть в материале как установить n8n локально.

Частые вопросы

Итог

Для первой локальной расшифровки не гонитесь за самой большой моделью. Установите официальный Whisper, проверьте small на пяти минутах своей записи и только затем увеличивайте модель или переходите на faster-whisper. Так вы получите измеримый баланс скорости и качества, а тест без сети подтвердит, что аудио действительно остаётся на компьютере.