Модель NVIDIA Parakeet

Що таке модель Parakeet насправді

Parakeet — це сімейство моделей автоматичного розпізнавання мовлення від NVIDIA. Та, яку ми постачаємо і яку більшість людей мають на увазі, — parakeet-tdt-0.6b-v3, випущена у серпні 2025 року за ліцензією CC-BY-4.0. «0.6b» — це 600 мільйонів параметрів. Завантаження займає близько 600 МБ. У Whisper вона надходить як ONNX-модель, що виконується через transcribe-rs — наш шар транскрипції на чистому Rust, без Python-рантайму і без окремого процесу, за яким треба наглядати.

Її завдання вузьке, і вона відверта щодо цього. Parakeet приймає аудіо і повертає текст з автоматичною пунктуацією та великими літерами, плюс мітки часу на рівні слів, якщо потрібно. Мову вона визначає сама — вам не треба їй говорити, якою ви розмовляєте. Що вона не робить — так само важливо: без перекладу на англійську, без прив'язки до власного словника, без списку гарячих слів «підсилити ці слова». Вона транскрибує. Це весь контракт.

«TDT» у назві — найцікавіше, і саме це робить модель швидкою, а не просто компактною. TDT означає Token-and-Duration Transducer. Енкодер — FastConformer, ефективна реалізація NVIDIA архітектури Conformer, яку використовує більшість сучасних мовних моделей. Саме ця пара — швидкий енкодер і розумний декодер — є інженерною основою заявлених цифр, і варто присвятити їй окремий розділ.

Як Token-and-Duration Transducer досягає швидкості

Старіші моделі-транздьюсери проходять через аудіо по одному крихітному фрейму і на кожному запитують: «тут є новий фрагмент слова чи ні». Найчастіше відповідь — «ні»: вони генерують порожній символ, зсуваються на один фрейм і питають знову. Цей цикл порожніх символів — це більша частина роботи і більша частина витраченого часу. Це як читати речення по одному пікселю.

Token-and-Duration Transducer змінює запитання. Замість того, щоб тільки передбачати наступний токен, він передбачає токен і кількість фреймів, які треба пропустити до наступного. Коли є довга голосна або пауза, модель перескакує через неї за один крок, а не перемелює фрейм за фреймом. Менше кроків декодування, ті самі слова на виході. Ось у чому суть «TDT» — і звідси швидкість.

З вашого боку нічого з цього не видно. Тримаєте гарячу клавішу, говорите, відпускаєте — і текст з'являється там, де курсор. Капсула оверлею вище — єдине, що ви бачите під час запису. Математика декодера прихована під капотом. Але саме вона пояснює, чому Parakeet завершує обробку фрагмента аудіо, поки порівнянна модель Whisper ще «пережовує» порожні фрейми — і на CPU ця різниця відчувається як «моментально» проти «почекай».

Parakeet проти Whisper — без маркетингу

Люди сприймають це як двобій. Це не так. Це два інструменти різної форми, і в нашому застосунку можна тримати обидва і перемикатись для кожного запису. Найпростіше формулювання: Parakeet оптимізована для швидкості та простоти офлайн-роботи; Whisper — для охоплення мов і гнучкого налаштування.

Parakeet швидша — в 5–10 разів швидша за Whisper на CPU, за словами NVIDIA і за нашими власними тестами. Охоплює 25 мов, усі європейські, включно з англійською. Пунктуація і великі літери — автоматично. Що вона не вміє: перекладати інші мови на англійську, не підтримує прив'язку до власного словника, і не торкається десятків неєвропейських мов — китайської, японської, корейської, арабської, гінді — з якими багатомовні збірки Whisper справляються без зусиль.

Whisper у багатомовних збірках OpenAI охоплює 99 мов і перекладає будь-яку з них на англійську. Вона також дає налаштування, яких немає в Parakeet: розмір пучка, початковий промпт, прив'язка гарячих слів для імен і жаргону. Ціна — час на тому ж залізі, і більші моделі потребують більше RAM. Тому правило просте: якщо ви розмовляєте англійською або іншою європейською мовою і хочете результат зараз — Parakeet. Якщо потрібен переклад, неєвропейська мова або точне налаштування — Whisper. Скучна правда: більшість тих, хто спробував обидві, зрештою залишає обидві.

Реальні цифри: швидкість і 25 мов

Починаємо зі швидкості, бо саме вона — причина, чому Parakeet взагалі є в нашому застосунку. Заявлена NVIDIA цифра — в 5–10 разів швидша за Whisper на CPU — збігається з тим, що ми бачимо. На публічному Open ASR Leaderboard модель показує коефіцієнт реального часу в тисячах, тобто на потужному GPU вона транскрибує значно швидше, ніж грає аудіо. Такого GPU у вас, швидше за все, немає. Але навіть на звичайному CPU ноутбука декодер із пропуском тривалості тримає короткий запис відчутно миттєвим.

Тепер список мов — точно, щоб не виникло непорозумінь. Parakeet v3 підтримує 25 мов, усі європейські, англійська серед них — тобто англійська плюс ще 24, не 99. Список охоплює очевидні (англійська, французька, німецька, іспанська, італійська, португальська, нідерландська, польська), скандинавські та балтійські мови, а також російську й українську. Мову визначає автоматично. Якщо на якійсь сторінці моделі чи форумі написано, що Parakeet підтримує 99 мов — це плутанина з Whisper. Їх 25, і з ними вона справляється швидко.

Ще два обмеження, про які варто сказати вголос, — саме вони найчастіше бентежать. У Parakeet немає режиму перекладу на англійську: вона транскрибує те, що сказано, мовою, якою сказано, і крапка. І гарячих слів вона не приймає — якщо ваш диктант рясніє незвичними назвами продуктів чи прізвищами, заздалегідь підказати їх не вийде. Це не вади — просто межі швидкої та сфокусованої моделі. (Точність для чистої англійської справді хороша — на стандартному бенчмарку з чистим мовленням рівень помилок за словами нижче 2%, але «хороша» і «налаштована під ваш специфічний жаргон» — різні обіцянки.)

Запустіть Parakeet безкоштовно, локально, за дві хвилини

Для цього не потрібен акаунт NVIDIA, Python чи GPU. Потрібен Mac на Apple Silicon або ПК з Windows 10 або новішою, робочий мікрофон і кілька хвилин. Весь локальний конвеєр — включно з Parakeet — безкоштовний для будь-якого залогіненого акаунту, без прив'язки картки при реєстрації. Ось послідовність.

Повільний момент тут лише один — перше завантаження моделі. Все інше — чотири кроки вище, і після того, як Parakeet опиниться на диску, вона більше не звертається до мережі: аудіо і транскрипція залишаються на вашому пристрої. Якщо ви вже налаштовували диктування у Windows або на Mac — це той самий процес, тільки з швидшим рушієм під капотом.

Точність, злиті речення і чистка тексту

Сирий диктант з будь-якого рушія, включно з Parakeet, виходить суцільним потоком. Ви кажете «ну так перенеси стендап на десяту подай драфт parakeet і напиши марку» — і отримуєте цю стіну тексту без пунктуації. Parakeet додає власну пунктуацію і великі літери, що вже краще за більшість моделей, але вона не видалить ваші «ееее» і не переробить розмиту думку на чітке речення.

Ось де заробляє свій хліб AI-обробка. Скажіть активаційну фразу «Hey whisper» — і транскрибований текст буде вдосконалений перш ніж з'явитись: слова-паразити прибрані, злиті речення розбиті, мовний безлад перетворений на те, що не соромно надіслати. Локально це йде через Ollama на вашому пристрої; у хмарному режимі — через gpt-5-mini за замовчуванням. Parakeet слухає, покращення прибирає зайве.

Щодо точності: Parakeet справді сильна на чистій англійській — рівень помилок за словами нижче 2% на стандартному бенчмарку, що на рівні Whisper, а не нижче. Чесне застереження, яке ніхто не рекламує: жодна модель не виправить поганий звук. Мікрофон за $20 на USB зробить для точності транскрипції більше, ніж будь-яка зміна рушія. Я дізнався це нудним шляхом — цілий тиждень звинувачував модель у «кашоподібних» записах, які виявились результатом того, що вбудований мікрофон ноутбука захоплював звук посудомийної машини.

Та сама звичка «говорити — потім чистити» добре окупається і за межами одного застосунку — ви можете писати цілі листи й документи голосом однією гарячою клавішею, і довгий абзац перетворюється на кілька вимовлених речень замість того, щоб вибивати їх на клавіатурі.

Коли краще обрати Whisper замість Parakeet

Я б зробив вам ведмежу послугу, якби продавав Parakeet як відповідь на всі випадки. Це швидкий вибір, а не універсальний, і є чіткі ситуації, де я б потягнувся до однієї з моделей Whisper — або до безкоштовного диктування, яке вже є на вашому пристрої.

Обирайте Whisper замість Parakeet, якщо виконується хоча б одна з умов. Вам потрібна мова поза 25-ма Parakeet — китайська, японська, корейська, арабська, гінді, будь-яка неєвропейська — Parakeet їх просто не підтримує. Вам потрібен переклад на англійську — у Parakeet немає такого режиму. Або ви диктуєте багато специфічного жаргону, незвичних імен чи назв продуктів і хочете прив'язати їх через гарячі слова — це є лише у Whisper. Для будь-якого з цих випадків багатомовні збірки Whisper з охопленням 99 мов — правильний інструмент, навіть якщо на тому самому залізі вони повільніші.

А іноді правильний інструмент — взагалі не наш. Якщо ви просто вставляєте 20-слівну нотатку в текстове поле, ваша операційна система вже робить це безкоштовно: клавіша Windows + H відкриває Голосовий ввід де завгодно, де стоїть курсор (потребує інтернету, тобто не офлайн), а на Mac Диктування у Системних налаштуваннях → Клавіатура вводить текст де завгодно й обробляється на пристрої на Apple Silicon. Якщо швидкість, офлайн-приватність або AI-обробка вам не потрібні — користуйтесь тим, що безкоштовно. Я не збираюся радити вам встановлювати рушій заради одного рядка нагадування.

Якщо ви вибираєте налаштування саме на Apple-пристрої, порівняння Parakeet, Whisper і власного диктування Apple розглянуто у статті найкращі варіанти розпізнавання мовлення для Mac — там та сама дилема швидкості проти охоплення, але з точки зору Mac.

Parakeet — це 600-мегабайтна модель, названа на честь пташки, яка робить одну річ: перетворює європейське мовлення на текст, швидко, на вашому пристрої — і не вдає, що вміє більше. Мені дивно приємно бачити таку стриманість у рік, коли кожен інструмент заявляє, що вміє все. Чернетку цього матеріалу я надиктував у Parakeet локально, потім дав AI-обробці прибрати злиті речення, а потім перейшов на модель Whisper для однієї цитати українською — Parakeet впоралась би, але я хотів переклад. Два рушії, одна гарячу клавіша, жодних серверів. У цьому і є сенс мати обидва.