Як швидко транскрибувати аудіо

Скільки часу займає транскрипція години аудіо різними методами

Перше, що варто зрозуміти: «швидко» — це спектр, і розкид тут величезний. Ось скільки коштує одна година чистого аудіо залежно від методу.

Стрибок із годин до хвилин — єдина цифра, яка тут важить. Дві хвилини чи шість для ШІ-проходу — це шум порівняно з чотирма годинами, які ви не витрачаєте на набір. NVIDIA повідомляє, що її модель Parakeet на залізі відкритої таблиці лідерів ASR працює в тисячі разів швидше за реальний час — але я б ігнорував цей заголовний показник. Реальна швидкість залежить від вашого процесора, а не від бенчмарк-машини. Цифрі, якій варто довіряти, — тій, що всередині застосунку: Parakeet працює у 5–10 разів швидше за Whisper на тому самому процесорі.

Швидкий спосіб: покрокова інструкція

Ось найшвидший робочий шлях — по порядку. Він передбачає живу диктовку: ви говорите й отримуєте текст на місці. Для більшості сценаріїв це краще, ніж запис із подальшою обробкою, бо транскрипт готовий щойно ви замовкаєте.

Якщо джерело — готовий файл, а не жива мова, дивіться розділ FAQ унизу: там є чесна відповідь.

Локально проти хмари: звідки береться швидкість

Люди вважають, що хмара швидша, бо сервери потужніші. Для одного абзацу диктовки це хибне припущення. Хмарна транскрипція повинна запакувати ваше аудіо, відправити по мережі, дочекатися відповіді й повернути її назад. При хорошому з'єднанні туди-сюди це швидко, але це мережевий час, якого ви взагалі не витрачаєте, коли модель працює на вашому процесорі.

Локальний режим виконує роботу всередині процесу. Уся локальна транскрипція у Whisper виконується на чистому Rust через transcribe-rs — без Python-сайдкару для запуску. Це означає: жодного сервера в ланцюжку, жодного рахунку за хвилини API, а ваше аудіо ніколи не покидає пристрій. Хмарний режим — це запасний вихід: власний ключ OpenAI, за замовчуванням gpt-4o-mini-transcribe, для тих, хто хоче найновіші моделі або доступ до мережі. Це поверхня Whisper Pro, нашарована поверх безплатного локального конвеєра.

Ось моя єдина тверда думка щодо цієї статті: спочатку спробуйте локальний режим. Якщо ваш ПК не старший чотирьох років або ваш Mac — Apple Silicon, для транскрипції хмара вам не потрібна. Локальний режим на сучасній машині видає результат менш ніж за дві секунди від моменту відпускання клавіші до вставленого тексту, ваші дані залишаються вдома, і ви не платите нічого за хвилину. Хмара — це резерв, коли натрапите на обмеження, а не точка старту. Я засвоїв це, спостерігаючи, як команда, з якою я працював, набрала п'ятизначний хмарний рахунок за один квартал — більшою мірою через розумний retry, що транскрибував одні й ті ж standup-записи чотири рази. Фінансовий директор відкрив дашборд на квартальному огляді — і в кімнаті встановилася тиша. З принципом «локальне насамперед» цей рахунок був би нульовим.

Чому Parakeet — найшвидший локальний варіант

Якщо мета — максимальна швидкість і ви говорите англійською або однією з європейських мов, вибір — Parakeet. Модель NVIDIA Parakeet-TDT має 600 мільйонів параметрів і ліцензію CC-BY-4.0, а у Whisper вона працює у 5–10 разів швидше за моделі Whisper на тому самому CPU. Ось і весь диференціатор швидкості. На ноутбуці без дискретного GPU ця різниця — межа між очікуванням та його відсутністю.

Компроміс — у охопленні мов. Parakeet підтримує 25 мов (англійська плюс 24 європейські), не вміє перекладати на англійську й не охоплює азійські мови. Тож якщо ви транскрибуєте японську, корейську або китайську, або потрібен переклад мовлення однією мовою на англійську — Parakeet не допоможе, і вам потрібна модель Whisper, яка підтримує 99 мов у багатомовних варіантах і вміє перекладати на англійську. Варіанти Whisper з .en (Base, Small, Medium, Turbo) — лише англійська, по одній мові.

Проста правда: для щоденної англійської диктовки Parakeet настільки швидкий, що модель більше не є вузьким місцем. Ним стає ваш темп мовлення. Саме в цей момент голосова транскрипція перестає відчуватися як інструмент і починає відчуватися як набір тексту без клавіатури. Я з тих архітекторів, що тестує рушій трьома способами, перш ніж довірити йому роботу, — і навіть я перестав дивитися на таймер десь на другому тижні. Якщо ви переважно працюєте офлайн, посібник із офлайн-розпізнавання мовлення детальніше розповідає про запуск усього на пристрої.

Коли варто пропустити ШІ-транскрипцію і набрати вручну

ШІ-транскрипція — це швидко, але не магія. Є три ситуації, коли я б пропустив її і набрав вручну. Перша — погано записане аудіо: голоси, що перебивають один одного, сильний фоновий шум, телефон на краю стола в кафе. Модель упевнено видасть неправильні слова, а виправляти впевнену нісенітницю довше, ніж набрати чисто з нуля. Мікрофон USB за $20 дає для точності більше, ніж будь-яке оновлення моделі — спочатку усуньте проблему джерела. Друга — юридичні або медичні матеріали, де одне почуте не так число змінює суть і прохід редагування однаково має бути ідеальним. Третя — короткі кліпи: за 30-секундну голосову замітку не варто нічого відкривати, а вбудована диктовка на телефоні справляється безплатно. Швидкий шлях — для довгих матеріалів, де чотири зекономлені години справді відчуваються.

Робота із збереженим записом замість живого аудіо — це окремий маленький робочий процес. Якщо джерело — музичний або подкаст-файл, наш покроковий матеріал про те, як конвертувати MP3 в текст охоплює маршрут із завантаженням файлу від початку до кінця.

Безплатно для локального конвеєра

Весь локальний конвеєр транскрипції у Whisper безплатний для будь-якого авторизованого користувача: Parakeet, усі вісім моделей Whisper, очищення тексту за допомогою Ollama, історія, пресети, гарячі слова, апаратне прискорення. Без прив'язки картки при реєстрації. Whisper Pro додає хмарний рівень поверх — для тих, хто хоче транскрипцію OpenAI зі власним ключем і пошук у мережі. Точні цифри — на сторінці цін, де можна порівняти місячний, річний і довічний план, не чекаючи, поки я наведу їх посеред речення.

Найшвидша транскрипція, яку я бачив, — не бенчмарк. Моя молодша донька продиктувала 90-слівного листа бабусі (випав зуб, курс зубної феї, танцювальний гурток) менш ніж за дві хвилини, без редагування, без клавіатури. Вона не знала, що обійшла повільний шлях. Вона просто вважала, що комп'ютери тепер так і працюють. Після року читання тікетів підтримки я вирішив: вона права, а решта з нас просто надолужує.