Распознавание русской речи: тест пяти моделей на GPU

Для следующего локального прогона русскоязычных рабочих встреч мы выбрали бы Parakeet TDT 0.6B v3, а GigaAM v3 E2E RNNT оставили бы вторым вариантом. На одинаковых 47 минутах 56 секундах аудио эти конфигурации показали близкое время обработки: 30,69 и 31,10 секунды. Parakeet сохранил 10 из 17 выбранных контрольных выражений, GigaAM — 8. Это основание для следующей проверки на собственных записях, а не доказательство универсального превосходства.

Ниже — сравнение моделей распознавания русской речи Parakeet, GigaAM, Whisper large-v3-turbo, Qwen3-ASR-1.7B и Voxtral Mini 4B Realtime 2602. Разберём скорость, технические термины, опасные смысловые расхождения и порядок выбора модели для бизнеса.

Автор: Владимир Ломтев. Издатель: AI студия Владимира Ломтева. Дата разбора: 29 октября 2026 года. Основа — локальный эксперимент и его сохранённые журналы. Аудио не прослушивалось при контекстной оценке; ручного эталона расшифровки нет. Поэтому далее нет измеренного WER или процента точности. Полные записи встреч и транскрипты в публикацию не включены.

Материал адресован разработчикам, руководителям автоматизации и командам, которые выбирают локальную транскрибацию встреч. Здесь проверяется пакетная обработка общей нарезки на одном компьютере. Онлайн-задержка, разделение говорящих, работа на CPU и поведение моделей с длинным контекстом потребуют отдельных испытаний.

Содержание

Как устроен эксперимент
Результаты скорости и контрольных выражений
Что показала каждая модель
Какие ошибки меняют смысл
Почему контрольные совпадения не равны WER
Как выбрать модель для своей задачи
Как проверить расшифровку до передачи в CRM
Как повторить сравнение на своих записях
Ограничения результатов
Частые вопросы

Как устроен эксперимент

ASR, или Automatic Speech Recognition, — автоматическое преобразование речи в текст. Для рабочего процесса важны и время получения результата, и сохранение конкретного смысла: кто согласовал действие, какую сумму назвал, какое ограничение установил. Одна удобная итоговая оценка скрывает эти различия.

В эксперимент вошли три записи рабочих обсуждений длительностью примерно 5:38, 13:42 и 28:36. Точная суммарная длительность входа — 2875,541375 секунды; отображение «47:56» округлено. Каждая из пяти моделей получила 141 общий фрагмент. Всего в журналах сохранено 705 результатов.

Модели выбирались из уже использованных Whisper/GigaAM и трёх дополнительных кандидатов для того же локального оборудования. Записи взяты из доступных рабочих встреч, а не из случайной выборки всего русскоязычного аудио. Это практический эксперимент для конкретного потока разговоров; репрезентативность для других компаний не установлена.

Общий звук и одинаковые границы

Вход приводился к одному формату: один канал, частота 16 кГц, PCM с 32-битными числами с плавающей точкой. В журналах пяти запусков для каждого фрагмента совпадают идентификатор, начало, конец и SHA-256 — контрольная сумма входных аудиобайтов. Это позволяет проверить, что сохранённые результаты относятся к общей нарезке.

При подготовке публикации проверены все 705 записей журналов и совпадение хешей между моделями. Промежуточные PCM-файлы по сохранённым путям уже недоступны, поэтому повторно вычислить их хеши по исходным байтам на этом этапе не удалось. Равенство хешей в логах и новая проверка самого аудио — разные уровни подтверждения.

Максимальная длина фрагмента составляла 24 секунды. Границы искались по паузам с порогом −35 dB и минимальной длительностью 0,25 секунды: 129 окончаний попали на найденные паузы. Остальные связаны с окончаниями файлов и вынужденными разрезами. Согласно журналу эксперимента, звук сохранялся целиком: без удаления тишины, пропусков и перекрытий.

Контекст между фрагментами не переносился. Словарь терминов, предыдущие транскрипты и пользовательские текстовые подсказки не передавались. Такое условие упрощает сопоставление входа, но ограничивает выводы о моделях, способных использовать более длинную историю разговора.

Оборудование и конфигурации

Все запуски выполнены локально на GPU NVIDIA с 8 ГБ видеопамяти и AMD Ryzen 7 5700X. По сохранённым экспериментальным манифестам использовался backend CUDA.

Модель	Представление весов	Режим языка	Движок в эксперименте
Whisper large-v3-turbo	FP16	Русский задан явно	Установленный локальный движок Parley
GigaAM v3 E2E RNNT	Установленный вариант v3_e2e_rnnt	Русскоязычная конфигурация	Установленный gigaam-core
Qwen3-ASR-1.7B	FP16 GGUF	Русский задан явно	transcribe.cpp 0.4.1
Parakeet TDT 0.6B v3	FP16 GGUF	Автоопределение	transcribe.cpp 0.4.1
Voxtral Mini 4B Realtime 2602	Q8_0 GGUF	Автоопределение	transcribe.cpp 0.4.1, обработка готовых фрагментов

Для Whisper использовались beam search 5, temperature 0 и четыре CPU-потока. Для дополнительных моделей в манифестах записаны четыре потока и n_ctx 2048. Версия исходников transcribe.cpp закреплена коммитом 5700f127e38dd53c4735ea23ef743b4b538eacd4.

Сравниваются конкретные конфигурации целиком. Движки и представления весов различаются, поэтому наблюдаемую разницу нельзя целиком приписать архитектуре нейросети. В частности, Voxtral проверялся в Q8_0, а не в исходной полной точности.

Результаты скорости и контрольных выражений

Время ниже — сумма сохранённых таймингов обработки фрагментов после загрузки модели. В него не входят скачивание, сборка движка, подготовка аудио, загрузка весов и дополнительная проверка авторежима Qwen. Это один сохранённый прогон каждой конфигурации, без серии повторов для оценки разброса.

Модель	Время обработки общего входа, с	RTF	Контекстные совпадения из 17
Parakeet TDT 0.6B v3 FP16	30,69	0,0107	10/17
GigaAM v3 E2E RNNT	31,10	0,0108	8/17
Whisper large-v3-turbo FP16	142,49	0,0496	9/17
Qwen3-ASR-1.7B FP16	148,00	0,0515	7/17
Voxtral Mini 4B Realtime 2602 Q8_0	321,43	0,1118	10/17

Источник таблицы — журналы пяти запусков; суммы и совпадения повторно рассчитаны при подготовке статьи. Последний столбец отражает наличие ожидаемых контекстных выражений, а не долю правильно распознанных слов. Условия отбора контрольных мест описаны ниже.

RTF, Real-Time Factor, — отношение времени обработки к длительности аудио. Например, для Parakeet: 30,6865 / 2875,5414 ≈ 0,0107. Значение меньше единицы означает, что в данном пакетном прогоне обработка заняла меньше времени, чем длится запись. RTF не показывает задержку появления первых слов при живом разговоре.

По сохранённым таймингам Whisper обрабатывал общий вход примерно в 4,64 раза дольше Parakeet, Voxtral — примерно в 10,47 раза. Разница Parakeet и GigaAM составила около 0,42 секунды на весь набор. Без повторных запусков столь небольшую разницу разумно трактовать как близкую скорость, а не как устойчивое преимущество.

Низкий RTF также не означает, что готовый протокол встречи появится за те же секунды. В рабочем приложении добавятся операции чтения файла, очередь заданий, определение говорящих, проверка текста и подготовка итогового документа. Эти затраты здесь не измерялись.

Что показала каждая модель

Свойства семейств моделей сверены с первичными источниками на 29 октября 2026 года. Официальная карточка описывает возможности и условия применения модели; поведение конкретного локального запуска устанавливают экспериментальные логи. Эти источники отвечают на разные вопросы.

Parakeet: первый кандидат для следующего прогона

NVIDIA Parakeet TDT 0.6B v3 — многоязычная модель распознавания речи. В официальной карточке перечислены 25 европейских языков, включая русский. Для загрузки и развёртывания следует использовать сведения именно о v3: похожее название другой версии не подтверждает тот же языковой охват. Карточка NVIDIA Parakeet TDT 0.6B v3.

В нашем прогоне Parakeet сочетал около 31 секунды обработки с 10 контрольными совпадениями. В одном спорном месте сохранились «пользовательские сценарии», в другом — CRM. Поэтому он стал первым кандидатом для следующих записей этого типа.

При этом Parakeet не сохранил все технические сокращения. Встречались искажения UX и конфигурации ЗУП. Выбор модели для следующего испытания не означает разрешения передавать её текст в бизнес-системы без проверки важных деталей.

GigaAM: близкая скорость и полезный второй вариант

GigaAM развивается как семейство моделей для задач распознавания речи; конкретный вариант имеет значение. В эксперименте использовался v3 E2E RNNT. Переносить полученные цифры на другую версию или CTC-конфигурацию без отдельного прогона нельзя. Официальный репозиторий GigaAM.

GigaAM обработал общий вход за 31,10 секунды и сохранил 8 из 17 контрольных выражений. В сопоставлении с Whisper контекстно удачнее выглядели «пользовательские сценарии», «пул задач» и CRM. Эти примеры объясняют, почему модель остаётся полезной для русскоязычных рабочих разговоров даже при меньшем числе выбранных совпадений.

Её слабые места в этом наборе — часть ИТ-терминов и сокращений. Например, «вайб-кодер» превратился в «IPoder», а ЗУП — в «зуб». Если GigaAM уже встроен в приложение, этот эксперимент сам по себе не обосновывает срочную замену: сначала стоит оценить трудозатраты на исправления на новых встречах.

Whisper turbo: сохраняет отдельные термины, требует проверки смысла

Whisper — семейство многоязычных моделей OpenAI. В данном тесте участвовал large-v3-turbo; полный large-v3 и large-v2 здесь не запускались. Их результаты нельзя выводить из этой таблицы. Официальный репозиторий также предупреждает, что производительность зависит от языка и условий применения. Репозиторий Whisper.

Whisper turbo дал 9 контрольных совпадений за 142,49 секунды. Среди полезных результатов — сохранение UX, «Клод» и ЗУП в отдельных фрагментах. Если технический термин искажён в основном тексте, альтернативная версия Whisper может помочь локализовать место для прослушивания.

Однако в других фрагментах появились смысловые расхождения: число и наличие отрицания отличались от четырёх остальных систем. По одному согласию большинства нельзя объявить Whisper неправым, но такие интервалы нельзя принимать автоматически. Для этого потока встреч модель разумнее рассматривать как дополнительный источник гипотез, пока не получен эталонный замер.

Qwen3-ASR-1.7B: преимущества в этом запуске не обнаружено

Официальная карточка Qwen3-ASR описывает многоязычное распознавание и определение языка. Это делает модель кандидатом на проверку в смешанной речи, но не гарантирует сохранение конкретного корпоративного словаря. Карточка Qwen3-ASR-1.7B.

В основном запуске использовался явно заданный русский язык. Получилось 7 контрольных совпадений за 148 секунд. В спорных местах встречались «политические» вместо ожидаемых по контексту «пользовательских» сценариев и «Y-ось» вместо UX.

Чтобы проверить влияние настройки языка, дополнительно обработали 14 контрольных фрагментов в авторежиме. Число совпадений осталось 7/17; тексты 13 из 14 фрагментов дословно совпали с режимом ru. Это узкая проверка гипотезы о настройке языка. Полного повторного прогона всех встреч в авторежиме не было, поэтому делать вывод о нём на всём наборе нельзя.

Voxtral: сопоставимые контрольные совпадения при большем времени

Voxtral Mini 4B Realtime 2602 предназначен для потоковой транскрибации. Официальная карточка описывает управление задержкой; проверка готовых коротких фрагментов в стороннем движке не заменяет испытание такого режима. Карточка Voxtral Mini 4B Realtime 2602.

В конфигурации Q8_0 модель дала 10/17 совпадений и обработала набор за 321,43 секунды. На выбранных выражениях она разделила максимальный результат с Parakeet, затратив значительно больше времени. В отдельных местах названия и фразы были осмысленными, но общего преимущества, которое оправдывало бы эту разницу для пакетной обработки именно этих встреч, не выявлено.

Название Realtime не противоречит таблице: назначение модели и скорость конкретного offline-запуска описывают разные свойства. Для живых субтитров следует отдельно измерять первую выдачу, стабилизацию текста и поведение после пауз.

Какие ошибки меняют смысл

Различия в пунктуации и разбиении реплик заметны сразу. Смысловые подмены опаснее: текст может читаться гладко, но сообщать другое. В эксперименте не использовались подписи Speaker, количество междометий и оформление предложений для выбора предпочтительного варианта.

Ниже приведены короткие обезличенные фрагменты модельных гипотез. «Ожидаемо по контексту» означает интерпретацию предметной области, а не подтверждённую на слух цитату участника встречи.

Тип расхождения	Один вариант	Другой вариант	Что требуется проверить
Смысл продуктового обсуждения	«политические сценарии»	«пользовательские сценарии»	Соответствие теме и исходному звуку
Рабочая нагрузка	«ползадач»	«пул задач»	Сочетание слов и соседние реплики
Техническая роль	«вайб-кодер»	«IPoder»	Название роли, а не правдоподобие отдельного слова
Конфигурация учёта	«ЗУП»	«зуб»	Специализированное сокращение
Сумма	«пять тысяч в месяц»	«50 тысяч в месяц»	Число по аудио, без выбора по большинству
Отрицание	«сильно нужно»	«не сильно нужна»	Наличие частицы «не»

Термины нужно оценивать в предметном контексте

В обсуждении конфигураций учёта «зуб» может быть грамматически допустимым словом и одновременно неверной интерпретацией. Автоматический редактор способен сделать такую фразу ещё убедительнее. Если проверка ограничивается орфографией и гладкостью текста, проблема останется.

Словарь проекта полезно включать в испытания как отдельное условие. В него могут входить названия продуктов, сокращения отделов и допустимые варианты написания. Но наличие словаря в приложении ещё не означает, что конкретный движок использует его при распознавании: иногда это лишь замены после получения текста. В нашем общем прогоне словарь не передавался.

Числа и отрицания требуют отдельной очереди проверки

В одном фрагменте Whisper дал пять тысяч, а четыре другие модели — пятьдесят тысяч. В другом четыре системы сохранили отрицание, которого не было в варианте Whisper. Есть и обратный пример: в начале первой записи GigaAM вернул 2006 там, где четыре другие модели дали 260.

Эти места вынесены за пределы 17 контрольных выражений: контекст не позволяет надёжно назначить правильное число и исходную формулировку. Совпадение нескольких систем помогает расставить приоритеты проверки. Оно не создаёт эталон, поскольку модели могут допускать похожие ошибки.

Для рабочего протокола полезно сохранять метку времени рядом с суммой, датой или обязательством. Тогда редактор проверит конкретный интервал, а получатель увидит, откуда взялось утверждение. При отсутствии доступного звука спорное значение следует оставить неподтверждённым.

Почему контрольные совпадения не равны WER

WER, Word Error Rate, — число замен, пропусков и вставок слов относительно эталонной расшифровки, делённое на число слов эталона. Для его измерения нужен проверенный правильный текст и единые правила нормализации. Различие двух автоматических транскриптов само по себе не показывает, какой из них ошибается.

В этом эксперименте применялась другая процедура: проверка наличия 17 ожидаемых выражений в 14 выбранных фрагментах. В список вошли UX, сессии, пользовательские сценарии, Контур, ИНН, дашборд, PostgreSQL/Postgres, ClickHouse, VPN, CRM, пул задач, вайб-кодер, лиды, Claude/Клод, обвязка, большой проект и ЗУП.

Правила учитывали некоторые варианты латиницы и кириллицы, словоформы и раздельное оформление букв. При подготовке публикации совпадения пересчитаны по сохранённым правилам control_checks.json. Это воспроизводит исходную проверку, но не улучшает достоверность ожидаемых слов без прослушивания.

Отбор сделан по сложным местам предыдущего сравнения Whisper/GigaAM до получения результатов трёх дополнительных моделей. Следовательно, список специально обогащён проблемами двух исходных систем. Он полезен как диагностическая подборка, однако не является случайной или независимой контрольной выборкой.

Из 10/17 нельзя получить «59% точности Parakeet». Такой пересчёт игнорирует остальные слова, пропуски, лишние вставки и корректность самих ожидаемых выражений. Он создаёт впечатление полноценной метрики качества, которой здесь нет.

Правильная формулировка результата: на выбранных контекстных проверках Parakeet и Voxtral дали по 10 совпадений; средняя точность распознавания на всём аудио неизвестна. Это ограничение сохраняется при любом размере модели и любой скорости.

Как выбрать модель для своей задачи

Для начала определите, что происходит после распознавания. Личный черновик, поиск по архиву и запись обязательств в CRM требуют разной проверки. Стоимость исправлений и последствия ошибки могут оказаться важнее разницы в секундах обработки.

Задача	С чего начать по этому эксперименту	Что проверить до внедрения
Пакетная расшифровка похожих русских встреч на NVIDIA GPU	Parakeet и GigaAM	Качество на новых встречах, время ручной правки
Существующий процесс уже использует GigaAM	Сохранить его как базовую конфигурацию	Даёт ли замена ощутимую пользу после проверки текста
Много ИТ-терминов и внутренних сокращений	Сравнить основной результат с дополнительной гипотезой Whisper	Словарь, названия, устойчивые искажения
Живые субтитры или голосовой интерфейс	Провести отдельный потоковый тест, включая подходящий режим Voxtral	Первая выдача, стабилизация, паузы, обрывы
Смешанные языки и незнакомая предметная область	Собрать отдельный набор для многоязычных кандидатов	Переключения языков и термины в каждой языковой паре
Суммы, сроки и обязательства переходят в CRM	Любая модель с обязательной проверкой критичных полей	Звук, автор решения, отрицание, единицы измерения

Эта матрица — рекомендация по последовательности проверки. Она не доказывает точность в незапущенных сценариях. Например, результат на этом GPU не отвечает на вопрос о скорости на ноутбуке без дискретной видеокарты.

Планируя стоимость, учитывайте весь процесс: хранение записей, развёртывание, сопровождение и редактуру. В эксперименте эти затраты не измерялись. Поэтому из скорости нельзя вывести экономию бюджета или срок окупаемости.

Для общего знакомства с локальными вариантами полезен отдельный материал о транскрибации встреч с GigaAM, Whisper и Parakeet. Его результаты относятся к другому эксперименту; объединять их с нашей таблицей в единый рейтинг нельзя.

Как проверить расшифровку до передачи в CRM

Практичная схема состоит из основного распознавания, поиска спорных мест и подтверждения значимых полей. Вторая модель может помочь найти расхождения, но сама по себе не является проверяющим человеком.

Сохраните исходную модельную гипотезу. Редактирование должно создавать новую версию текста, чтобы спорное исправление можно было проследить.
Привяжите текст к интервалам записи. Спорный интервал открывают вместе со звуком и вариантами нескольких моделей.
Выделите поля с последствиями. Суммы, даты, имена ответственных, ограничения и отрицания требуют отдельного внимания.
Получите подтверждение. Сотрудник сверяет звук; если он неразборчив, значение остаётся неподтверждённым или уточняется у участника.
Передайте в бизнес-систему проверенную версию. Сохраните ссылку на источник и состояние проверки, чтобы последующие изменения не стирали происхождение данных.

Это предлагаемый порядок работы, а не измеренный результат внедрения. Можно проверять второй моделью только спорные интервалы, однако влияние такой схемы на пропуски ошибок следует измерить отдельно. Если обе модели одинаково ошибаются, простое сравнение текстов не выдаст предупреждения.

Суммаризация с помощью языковой модели добавляет ещё один этап. Из гладкого резюме бывает трудно понять, было ли утверждение в речи или появилось при пересказе. Для важных решений полезно требовать опору на конкретную реплику и подтверждённое поле; генерация итогового документа должна сохранять связь с источником.

Локальное распознавание помогает организовать обработку на собственном оборудовании. При этом нужно проверить весь путь данных: запись разговора, журналирование, резервное копирование и внешние сервисы для резюме. Факт локального ASR-прогона не описывает автоматически весь рабочий процесс компании.

Как повторить сравнение на своих записях

Начинайте с небольшого набора реальных задач, который отражает ваш поток: обычные встречи, плохой микрофон, технические названия, длинные монологи и перебивания. Разделите материал для настройки и материал для итоговой проверки. Если подбирать параметры по тем же фрагментам, на которых затем объявляется победитель, оценка будет зависеть от этого подбора.

Зафиксируйте условия до запуска

Для каждой конфигурации запишите точное имя модели, версию весов, квантование, движок, устройство, режим языка и параметры декодирования. Сохраните правила подготовки аудио и нарезки. Если одна система получает словарь или длинный контекст, это должно быть отдельным условием сравнения.

Заранее определите, что входит во время: только обработка после загрузки или путь от выбора файла до готового текста. Для продукта полезны оба значения. Повторные запуски покажут, насколько результат меняется; число повторов и способ агрегации следует указать в отчёте.

Подготовьте проверенный эталон

Разметчик прослушивает выбранные интервалы и фиксирует правильные слова. До расчёта WER согласуйте правила записи чисел, аббревиатур, междометий и неразборчивой речи. Иначе оформление может изменить оценку при одинаковом содержании.

Одновременно заведите отдельную проверку критичных сущностей: суммы, сроки, имена, названия систем и отрицания. Взвешивать их можно по последствиям именно вашего процесса, но правила должны быть определены до просмотра результатов. Общий WER и качество извлечения важных полей отвечают на разные вопросы.

Используйте карточку испытания

Ниже — шаблон, который можно скопировать в рабочий документ. Значения заполняются по факту испытания; неизвестное остаётся неизвестным.

Поле	Что зафиксировать
Назначение	Черновик, поиск, протокол, подготовка полей CRM
Набор аудио	Правило отбора, длительность, язык, тип записи
Источник	Версия файлов, контрольные суммы, разрешённый доступ
Подготовка	Частота, каналы, границы фрагментов, паузы, перекрытия
Конфигурация	Модель, веса, движок, оборудование, язык, подсказки
Время	Состав измерения, повторы, итог и разброс
Качество	Эталон, нормализация, WER, проверка значимых сущностей
Ручной труд	Время проверки и правки на единицу аудио
Приёмка	Допустимые ошибки и правила подтверждения полей
Решение	Выбранный вариант, ограничения и условия повторной проверки

Результат такого испытания — обоснованный выбор для определённого процесса. При смене микрофонов, предметной области, весов модели или движка потребуется убедиться, что прежние выводы сохраняются.

Ограничения результатов

В сравнении есть несколько границ, которые влияют на решение:

Три записи одного рабочего контекста. Результаты не описывают акценты, телефонные линии, шумные помещения и все отраслевые словари.
Нет эталона по звуку. Контекстные ожидания могут быть ошибочными; средняя точность и WER остаются неизвестны.
Общая короткая нарезка. Она уравнивает вход, но не раскрывает все возможности длинного контекста и потокового состояния.
Разные движки и точность весов. Таблица сравнивает конфигурации, а не изолированную эффективность архитектур.
Один сохранённый прогон. Устойчивость небольших временных различий статистически не проверялась.
Промежуточные PCM недоступны при подготовке статьи. Повторный разбор подтвердил соответствие логов, но не стал новым запуском моделей или новой проверкой аудиобайтов.

Не измерялись точность разделения говорящих, потребление памяти под нагрузкой, стоимость сопровождения, задержка живого интерфейса и трудозатраты редактора. Из факта успешного запуска на GPU нельзя вывести универсальный минимум видеопамяти для любой реализации.

Версии моделей и программ меняются. Вывод относится к перечисленным весам, параметрам и журналам от 29 октября 2026 года. Он может служить отправной точкой следующего испытания; переносить его на другое окружение следует после проверки.

Частые вопросы

Какая модель лучше распознаёт русскую речь локально?

В этом эксперименте первым кандидатом для следующего прогона стал Parakeet TDT 0.6B v3: 30,69 секунды обработки общего входа и 10/17 контекстных совпадений. GigaAM показал близкую скорость. Без ручного эталона нельзя объявить универсального лидера по точности.

Что быстрее на GPU: Whisper или GigaAM?

В сохранённых конфигурациях GigaAM v3 E2E RNNT обработал набор за 31,10 секунды, Whisper large-v3-turbo FP16 — за 142,49 секунды. Речь о времени после загрузки модели на одном и том же наборе, без повторов для оценки разброса.

Можно ли считать 10/17 процентом точности?

Нет. Это количество совпавших ожидаемых выражений в специально выбранных сложных местах. Для WER нужна проверенная по аудио эталонная расшифровка, которой в этом эксперименте нет.

Почему модель Realtime оказалась медленнее?

Voxtral Mini 4B Realtime 2602 здесь обрабатывал готовые фрагменты в конкретном стороннем движке и квантовании Q8_0. Задержка потоковой выдачи отдельно не измерялась. Назначение модели не определяет время любого способа запуска.

Поможет ли запуск двух моделей одновременно?

Он даст две гипотезы и позволит найти часть спорных мест. В этом сравнении не измерено, насколько такая схема снижает число ошибок. Совпадающие результаты также могут быть неверными; значимые поля следует подтверждать по звуку.

Достаточно ли локальной модели для готового протокола?

Распознавание создаёт текстовую основу. Для рабочего протокола дополнительно нужны проверка решений, ответственных, сроков и сумм. Эти задачи и последующая суммаризация не оценивались по времени и точности в таблице ASR.

Источники и проверяемость

Числовая таблица получена из локальных журналов эксперимента от 29 октября 2026 года. При подготовке публикации повторно посчитаны 141 результат каждой модели, суммы таймингов и совпадения по 17 правилам. Общие идентификаторы, границы и записанные хеши входа сверены между всеми моделями. Полные разговоры и исходное аудио не публикуются; независимая перепроверка качества по этой статье ограничена отсутствием открытого эталона и записей.

Свойства моделей сверены по первичным источникам:

Версия статьи от 29 октября 2026 года описывает один эксперимент. Последующая проверка по аудио может изменить интерпретацию спорных выражений; она должна оформляться как новое основание, а не незаметная замена исходных результатов.

Как AI студия Владимира Ломтева помогает встроить расшифровку в рабочий процесс

При внедрении важно связать распознавание с данными и действиями компании. В рамках аудита процессов, подготовки данных, мультимодальных интеграций и тестирования AI студия Владимира Ломтева помогает:

описать путь от записи встречи до проверенных полей и итогового документа;
подготовить набор данных и критерии приёмки для проверки на вашей предметной области;
встроить согласованный голосовой сценарий в бизнес-логику и проверить передачу результатов.

Первый шаг — выбрать один процесс, зафиксировать текущие затраты времени, источники записей, ограничения и критерий приемлемого результата. Поддержка конкретной модели и конфигурация развёртывания определяются отдельно для задачи. Эти направления соответствуют услугам студии.

Обсудить задачу.

Какое решение принять по этому сравнению

Для следующей проверки похожих русскоязычных встреч на этой машине разумно начать с Parakeet TDT 0.6B v3 и сохранить GigaAM как близкий по скорости базовый вариант. Whisper может дать полезную альтернативу для отдельных терминов. Qwen3-ASR-1.7B и Voxtral в проверенных конфигурациях не показали основания предпочесть их для этого пакетного сценария.

Главное условие выбора — проверить результат на своих новых записях и отдельно подтвердить значимые поля. Сохранённые тайминги позволяют сравнить скорость. Вывод о точности потребует следующего шага: эталонной расшифровки по звуку и заранее определённых правил оценки.