Расшифровывать рабочие встречи можно полностью на своём компьютере или сервере — открытыми моделями GigaAM, Whisper и Parakeet, без отправки записей в облако. Универсального победителя нет. В замере, опубликованном на Хабре 17 октября 2026 года, на обычной русской речи точнее всех оказалась GigaAM-v3 (14,8% ошибок в словах), а на речи с ИТ-терминами — Whisper large-v2 и Parakeet (39–40%). Каскад «GigaAM + исправления терминов от Parakeet» снизил общую долю ошибок с 27,0% до 21,7%. Модель для своей компании стоит выбирать по замеру на собственных записях.
Материал подготовлен AIrassvet 18 октября 2026 года по публикации на Хабре автора приложения «Рекордер» Павла (@pahaz), по страницам моделей GigaAM, Whisper и Parakeet и по тексту закона 152-ФЗ. Он адресован руководителям, секретарям правления, юристам и ИТ-отделам, которые хотят получать расшифровки совещаний, не передавая разговоры во внешние сервисы. Мы не проводили собственных замеров: все цифры точности приведены по данным автора публикации на его записях, а шаги проверки и шаблон тестового набора — методика редакции. AIrassvet не аффилирован с автором, Сбером, OpenAI и NVIDIA; раздел в конце статьи описывает услуги издателя.
Содержание
- Кратко
- Что такое локальная транскрибация
- Зачем расшифровывать встречи без облака
- Какие открытые модели есть для русской речи
- Как проводили замер
- Результаты: какая модель точнее
- Почему одного WER мало
- Каскад из двух моделей
- Что не сработало
- Как выбрать модель для своей компании: 6 шагов
- Шаблон тестового набора
- Когда какую модель выбирать
- Частые вопросы
- Первоисточники и метод проверки
Кратко
- Без облака можно. GigaAM, Whisper и Parakeet распространяются с открытыми весами и работают на обычном компьютере, в том числе без видеокарты.
- Обычная речь — GigaAM. На фрагментах встреч у GigaAM-v3 14,8% ошибок в словах против 24,6% у Parakeet и 27–30% у Whisper.
- Термины — Whisper large-v2 и Parakeet. На ИТ-речи у них 39–40% ошибок против 52,9% у GigaAM.
- Каскад двух моделей. GigaAM даёт основу текста, Parakeet подставляет термины. Общая доля ошибок — 21,7% против 27,0% у одной GigaAM; доля точно записанных терминов выросла с 19% до 44%.
- Скорость. Каскад на процессоре Intel Core i9 без видеокарты расшифровывает час звука примерно за 18 минут.
- Главный совет. Выбирайте модель по замеру на 30–60 минутах своих записей, а не по чужой таблице.
Что такое локальная транскрибация
Локальная транскрибация — это перевод записи разговора в текст моделью распознавания речи, которая работает на вашем компьютере или сервере. Звук и текст не покидают устройство, в отличие от облачных сервисов, куда запись загружается для обработки.
WER (Word Error Rate, доля ошибок в словах) — основная метрика точности распознавания. Она считает замены, пропуски и лишние слова относительно эталонного текста. Чем ниже WER, тем лучше: 15% означает примерно одну ошибку на семь слов.
Транскрибация — только первый шаг. Из расшифровки затем делают протокол, список поручений и задачи. Как устроить этот процесс до задач в Битрикс24, мы описывали в статье «ИИ для протоколов совещаний и задач в Битрикс24». Здесь — о выборе модели распознавания, от которой зависит качество всего остального.
Зачем расшифровывать встречи без облака
Автор замера сформулировал причину просто: на его встречах обсуждают бюджеты, кадровые решения, условия договоров и внутренние проблемы компаний, и не каждую такую встречу можно отправить во внешний сервис. Для компании причин три:
- коммерческая тайна — содержание переговоров, цены, условия сделок;
- персональные данные — имена, должности, обсуждение сотрудников и клиентов. Если сервис расшифровки находится за рубежом, передача таких данных подпадает под правила трансграничной передачи — статья 12 закона 152-ФЗ;
- контроль над хранением — запись и расшифровка лежат там, где их хранит компания, и удаляются по её правилам.
Это не юридическая консультация: какие записи и где можно обрабатывать, стоит согласовать с юристом и службой безопасности. Локальная модель снимает вопрос передачи звука третьей стороне, но не отменяет согласия участников на запись и правил хранения.
Какие открытые модели есть для русской речи
| Модель | Разработчик | Лицензия | Что важно |
|---|---|---|---|
| GigaAM-v3 | Сбер (salute-developers) | MIT | обучена на русской речи: 700 тыс. часов предобучения и 4 тыс. часов размеченного звука; есть вариант e2e с пунктуацией |
| Whisper large-v2, large-v3, turbo | OpenAI | MIT | многоязычная модель, хорошо известная, много готовых приложений |
| Parakeet TDT 0.6B v3 | NVIDIA | CC-BY-4.0 | многоязычная модель на 25 европейских языков, включая русский; быстрая |
| Qwen3-ASR 1.7B | Alibaba Qwen | — | участвовала в замере как дополнительная модель |
Данные о лицензиях и обучении — по репозиторию GigaAM, репозиторию Whisper и карточке Parakeet на Hugging Face на 18 октября 2026 года. Лицензию Qwen3-ASR мы не проверяли.
Разработчики GigaAM сообщают, что вариант GigaAM-v3-e2e выигрывает у Whisper large-v3 в попарном сравнении в 70% случаев против 30%. Это заявление разработчика; независимый замер ниже даёт более сложную картину.
Как проводили замер
Автор публикации собрал четыре размеченных набора — около 1 часа 38 минут звука и 8,7 тыс. слов с эталонным текстом:
| Набор | Что записано | Длительность | Слов / доля терминов |
|---|---|---|---|
| Бизнес-встречи | 82 трудных фрагмента рабочих встреч + 82 случайных | около 24 минут | 1870 / около 5% |
| ИТ-речь | специально подготовленный текст с плотными ИТ-терминами | около 24 минут | 1679 / около 41% |
| «Кормушка» | рассказ, прочитанный двумя голосами | около 24 минут | 2391 / около 14% |
| Синтетика | 200 фраз, озвученных синтезатором речи | около 26 минут | 2831 / около 14% |
Синтетику автор в итоге исключил: её результаты заметно отличались от живой речи. Дополнительно он проверял выводы на архиве из 185 записей общей длительностью 36 часов (около 230 тыс. слов) — без полной разметки.
Условия замера:
- перед сравнением текст приводился к нижнему регистру, «ё» заменялась на «е», пунктуация удалялась — пунктуацию WER не оценивал;
- звук подавался кусками до 20 секунд с разрезами по паузам;
- замеры шли на процессоре Intel Core i9 без ускорения на видеокарте;
- всего сравнили 32 конфигурации: разные модели, квантования, подсказки и способы запуска.
Результаты: какая модель точнее
WER по данным автора публикации, меньше — лучше. Whisper запускался с явно заданным русским языком без текстовой подсказки.
| Модель | Встречи | ИТ-речь | «Кормушка» | Всего |
|---|---|---|---|---|
| GigaAM-v3 e2e | 14,8% | 52,9% | 16,3% | 27,0% |
| Parakeet TDT 0.6B v3 | 24,6% | 40,0% | 13,9% | 24,6% |
| Whisper large-v2 | 30,1% | 39,0% | 11,5% | 24,8% |
| Whisper large-v3 | 27,1% | 59,8% | 11,6% | 30,3% |
| Whisper large-v3-turbo | 28,7% | 66,5% | 11,1% | 32,5% |
| Qwen3-ASR 1.7B | 30,1% | 48,6% | 14,7% | 29,0% |
Что из этого следует:
- На обычном разговоре лидирует GigaAM — почти вдвое меньше ошибок, чем у Whisper. Это ожидаемо: модель обучена на русской речи.
- На ИТ-терминах GigaAM проигрывает — англоязычные названия она записывает кириллицей или искажает.
- Новый Whisper не всегда лучше старого. Large-v2 точнее large-v3 на терминах. Автор предполагает причину: большую часть обучающих данных для v3 разметила сама v2, и смешанная русско-английская речь от этого не улучшилась.
- Квантование почти не мешает. У Parakeet на встречах — 24,6% в полной точности, 25,5% в Q8 и 25,7% в Q6_K. У GigaAM результаты Q8 и F32 почти совпали.
- Дообученные «русские» версии Whisper на данных автора дали результат хуже исходных моделей.
Почему одного WER мало
WER не знает, какое слово важно. Замена названия системы и пропуск слова «ну» дают по одной ошибке, хотя без названия суть разговора теряется. И наоборот: «эластик» вместо Elastic — ошибка для метрики, но читатель, знающий продукт, поймёт смысл.
Чтобы отделить ошибки написания от настоящих искажений, автор ввёл свою эвристику — WER по звучанию (WERx): латиница переводится в кириллический фонетический ключ, и похожее по звучанию слово не считается ошибкой. Результат на ИТ-речи:
| Модель | WER | WERx | Точно записанные термины |
|---|---|---|---|
| GigaAM | 52,9% | 40,6% | 19% |
| Parakeet | 40,0% | 30,7% | 47% |
| Whisper large-v2 | 39,0% | 30,3% | 54% |
Даже с учётом звучания GigaAM отстаёт от Parakeet почти на 10 процентных пунктов на терминах. На встречах разница меньше: у GigaAM 14,8% → 14,1%, у Parakeet 24,6% → 23,6%. Вывод для бизнеса: кроме общего WER, считайте долю правильно записанных важных слов — названий систем, продуктов, клиентов, чисел.
Каскад из двух моделей
Автор совместил сильные стороны двух моделей. GigaAM даёт основу текста, Parakeet независимо распознаёт тот же звук. Затем тексты выравниваются, и в местах расхождения берётся вариант Parakeet — но только если он содержит латиницу и достаточно похож по звучанию на вариант GigaAM.
Так «апкид» превращался в AppKit, «Промиус» — в Prometheus. Но бывали и ошибки: «клот» становился Cloud вместо Claude. Главный параметр — порог похожести. При пороге 0,4:
| Вариант | Встречи | ИТ-речь | «Кормушка» | Всего |
|---|---|---|---|---|
| GigaAM | 14,8% | 52,9% | 16,3% | 27,0% |
| Parakeet | 24,6% | 40,0% | 13,9% | 24,6% |
| GigaAM + исправления Parakeet | 14,5% | 41,9% | 12,0% | 21,7% |
Что важно:
- без требования латиницы каскад ухудшал встречи — до 17,4% ошибок, потому что забирал у Parakeet и ошибки в обычных словах;
- на плотном ИТ-тексте один Parakeet лучше каскада — 40,0% против 41,9%;
- цена каскада — второй проход. Коэффициент реального времени около 0,3: примерно 18 минут на час звука на процессоре Intel Core i9;
- обратная схема не сработала. Текст Parakeet с исправлениями от GigaAM не обогнал одну GigaAM.
Автор также сравнил, какая модель лучше исправляет GigaAM. Whisper medium дал чуть меньший общий WER (21,4%), чем Parakeet (22,0%), но работал примерно втрое медленнее: коэффициент 0,45–0,68 против 0,15–0,23. Выбор Parakeet — компромисс между точностью и скоростью.
Что не сработало
Отрицательные результаты из той же публикации полезны не меньше: они экономят недели экспериментов.
- Словарь замен. Словарь, собранный на коротких ИТ-записях, улучшал результат на них же на 6–13 пунктов, а на новой длинной записи — всего на 0,3–0,5 пункта. Большой словарь на 8130 терминов на архиве превратил «нас» в NAS 1246 раз, а «нет» в .NET — 864 раза. Помог фильтр по частоте написания: число срабатываний упало с 3175 до 449.
- Перекрытие кусков звука. Двухсекундное перекрытие снизило WER на коротких фрагментах на 0,4 пункта, а на целых записях WER вырос с 30,8% до 31,3%.
- Подсказка для Whisper. Подсказка с терминами снизила WER large-v3 на ИТ-тесте с 59,8% до 58,1%, а на встречах подняла с 27,1% до 66,7%.
- Более умная метрика выбора замен. Её собственная точность выросла, а WER каскада — нет.
Общий урок: любое улучшение проверяйте на записях, ради которых оно не делалось. То, что помогает на одном типе речи, может сломать другой.
Как выбрать модель для своей компании: 6 шагов
Порядок ниже — методика редакции по мотивам замера.
- Соберите 30–60 минут своих записей. Обычные совещания, переговоры с клиентами, технические обсуждения — в тех пропорциях, в каких они у вас встречаются. Возьмите и трудные фрагменты: шум, перебивания, термины.
- Сделайте эталонную расшифровку. Человек вручную расшифровывает выбранные фрагменты. Это самая долгая часть — автор замера тоже называет разметку главной затратой времени.
- Составьте список важных слов. Названия продуктов, систем, клиентов, фамилии, числа. По ним вы посчитаете долю точно записанных терминов.
- Прогоните 2–3 модели. Как минимум GigaAM и одну многоязычную модель — Parakeet или Whisper. Считайте WER отдельно по типам записей и долю важных слов.
- Замерьте скорость на своём железе. Сколько минут уходит на час звука на сервере или ноутбуке, где модель будет работать.
- Проверьте на длинной записи. Любую настройку — словарь, подсказку, каскад — проверяйте на целой записи, которой не было в тестовом наборе.
После выбора модели остаётся процесс: кто ставит запись, где хранятся файлы, как из расшифровки получается протокол. Если вы анализируете звонки, а не встречи, посмотрите статью «Речевая аналитика звонков с ИИ».
Шаблон тестового набора
Шаблон составлен редакцией. Одна строка — один фрагмент.
Фрагмент: ВСТ-07
Тип: еженедельное совещание отдела продаж
Длительность: 3 мин 20 с
Условия: переговорная, конференц-микрофон, 5 участников, перебивания
Эталон: файл ВСТ-07_эталон.txt (расшифровал: секретарь, проверил: руководитель)
Важные слова: «Битрикс24», «Озон», «КП», «Иванов», «12 ноября», «340 тысяч»
Что считаем:
- WER по фрагменту
- доля важных слов, записанных точно
- время распознавания на целевом сервере
Результаты:
GigaAM-v3 e2e: WER __%, важные слова __ из 6, время __ с
Parakeet TDT 0.6B v3: WER __%, важные слова __ из 6, время __ с
Whisper large-v2: WER __%, важные слова __ из 6, время __ сКогда какую модель выбирать
Таблица — методика редакции на основе опубликованного замера; для своих записей результат может отличаться.
| Ваши встречи | С чего начать | Почему |
|---|---|---|
| Обычная деловая речь на русском, мало терминов | GigaAM-v3 | меньше всего ошибок на встречах в замере |
| Много англоязычных названий и ИТ-терминов | Parakeet или Whisper large-v2 | лучше передают термины |
| Смешанные встречи: русская речь и термины | каскад GigaAM + Parakeet | лучший общий WER в замере |
| Нужна максимальная скорость на слабом железе | Parakeet | быстрее Whisper в несколько раз |
| Полностью англоязычные встречи | многоязычная модель, проверить отдельно | замер делался на русской речи |
Когда эти рекомендации не подходят: если записи идут по телефону, в шумном цехе или с сильными акцентами, условия сильно отличаются от замера — начинайте с собственного тестового набора.
Частые вопросы
Можно ли расшифровывать встречи без облака?
Да. Открытые модели GigaAM, Whisper и Parakeet работают на собственном компьютере или сервере, в том числе без видеокарты. Запись и текст не покидают устройство.
Какая модель лучше распознаёт русскую речь?
В замере на Хабре от 17 октября 2026 года на обычных встречах точнее всех была GigaAM-v3 — 14,8% ошибок в словах. На речи с ИТ-терминами лучше Whisper large-v2 и Parakeet — 39–40%.
Что такое WER в распознавании речи?
WER (Word Error Rate) — доля ошибок в словах: замены, пропуски и лишние слова относительно эталонного текста. Чем ниже значение, тем точнее модель. Пунктуацию эта метрика обычно не учитывает.
Сколько времени занимает локальная расшифровка часа записи?
В замере каскад GigaAM и Parakeet на процессоре Intel Core i9 без видеокарты расшифровывал час звука примерно за 18 минут. На вашем железе время стоит замерить отдельно.
Нужна ли видеокарта для локальной транскрибации?
Не обязательно. Замер в публикации проводился на процессоре без ускорения на видеокарте. Видеокарта ускорит обработку, что важно при большом объёме записей.
Решает ли локальная транскрибация вопросы с персональными данными?
Частично. Она убирает передачу звука третьей стороне, но не отменяет согласия участников на запись и правил хранения. Порядок обработки записей стоит согласовать с юристом.
Первоисточники и метод проверки
Метод: 18 октября 2026 года мы прочитали публикацию с замером целиком, выписали наборы данных, условия, таблицы и отрицательные результаты, сверили цифры между таблицами и текстом автора. Лицензии и сведения об обучении моделей проверили по страницам разработчиков. Собственных замеров AIrassvet не проводил; шесть шагов, шаблон тестового набора и таблица выбора — методика редакции.
- Хабр, 17.10.2026, Павел (@pahaz): «Транскрибация аудио в текст бесплатно и без облаков: почему мне не хватило одной модели» — наборы данных, таблицы WER, каскад, отрицательные результаты.
- GitHub: salute-developers/GigaAM — лицензия MIT, версии моделей, объём обучения, заявление о сравнении с Whisper.
- GitHub: openai/whisper — лицензия MIT.
- Hugging Face: nvidia/parakeet-tdt-0.6b-v3 — лицензия CC-BY-4.0, поддерживаемые языки.
- КонсультантПлюс: Федеральный закон № 152-ФЗ «О персональных данных» — статья 12 о трансграничной передаче.
Ограничения: замер проведён одним человеком на его собственных записях; набор встреч специально включал трудные фрагменты; общая длительность размеченного звука — около 1,5 часа. Автор — разработчик приложения «Рекордер», которое использует описанный каскад. Переносить цифры на записи вашей компании без собственной проверки нельзя.
Как AIrassvet помогает с расшифровкой и протоколами встреч
Локальная модель распознавания решает только часть задачи: дальше нужно встроить её в процесс — от записи до протокола и поручений. На сайте AIrassvet описаны направления, которые относятся к этой задаче напрямую:
- развёртывание LLM на серверах заказчика для подготовки протоколов из расшифровок, когда записи и тексты не должны покидать контур компании;
- мультимодальные ИИ-интеграции, где голос, текст и документы обрабатываются в одной рабочей среде;
- ИИ-агенты, которые из расшифровки готовят протокол и передают поручения в CRM или систему задач;
- аудит процесса, подготовка тестового набора записей, тестирование и запуск.
Первый шаг — выбрать один тип встреч, описать, как сейчас готовится протокол и сколько времени это занимает, какие ограничения есть по хранению записей, и критерий приёмки, например долю точно записанных важных слов на тестовом наборе.
Итог: выбирайте модель по своим записям
Локальная транскрибация встреч уже работает на обычном оборудовании, и для русской речи есть сильные открытые модели. Но замер на Хабре показал главное: у каждой модели свои слабые места. GigaAM лучше слышит обычный разговор, Parakeet и Whisper large-v2 — термины, а каскад из двух моделей даёт лучший общий результат ценой второго прохода.
Поэтому не выбирайте модель по чужой таблице. Соберите полчаса-час своих записей с эталоном, посчитайте ошибки и долю важных слов, замерьте скорость на своём сервере — и только потом стройте процесс расшифровки и протоколов.
