Whisper проти Google Speech-to-Text

Google Speech-to-Text — це API, а не застосунок, який ви відкриваєте

Перше, що варто чітко зрозуміти: у Google Cloud Speech-to-Text немає вікна. Немає іконки в доку, немає гарячої клавіші, немає "натисни, щоб говорити". Це сервіс, з яким ваше програмне забезпечення спілкується через мережу. Ви надсилаєте йому аудіо кодом — він повертає текст. Власна документація Google описує його як синхронне, потокове й асинхронне розпізнавання, доступне через API.

Така архітектура добра для того, для чого вона призначена. Потокове розпізнавання повертає проміжні результати в реальному часі — це корисно, якщо ви будуєте функцію живих субтитрів або голосову команду для власного продукту. Асинхронне розпізнавання обробляє довгі записи: ви завантажуєте аудіо, Google поступово прожовує його у фоні, а ви опитуєте результат, коли він готовий. Google документує цей пакетний шлях як обробку аудіо тривалістю до восьми годин в одному завданні. Це справжня перевага. Якщо у вас ціла комора записаних дзвінків, які треба транскрибувати за ніч, застосунок для диктування — неправильний інструмент, а API на кшталт Google — правильний.

Воно підтримує довгий список мов і регіональних варіантів локалі — коди BCP-47, знайомі інженерам, як-от en-US, en-GB та es-MX. Я не друкуватиму тут точну кількість мов чи похвилинну ціну, і я був би обережним з будь-якою статтею, що це робить. Сторінки цін і мов Google змінюються, а цифри, що блукають мережею, не всі простежуються до першоджерела, на яке я б покладався. Що можу сказати без застережень: це хмарна тарифікація за використання. Ви платите за те, що надсилаєте, ваше аудіо йде на сервери Google, і безкоштовного локального режиму немає.

Двоє людей, дві різні задачі

Ось найчистіший спосіб, який я знайшов, щоб зрозуміти, на якому боці цієї межі ви. Уявіть двох людей.

Перша — розробниця. Вона будує інструмент підтримки клієнтів, що перетворює записані дзвінки на текст із можливістю пошуку. Транскрипція відбувається на її сервері, всередині її коду, без жодної людини, яка стежить за процесом. Їй потрібен ендпоінт, куди можна надіслати аудіо, і JSON-відповідь, яку можна зберегти в базі даних. Вона ніколи не "відкриватиме" транскрайбер. Він живе всередині продукту, який вона постачає власним клієнтам. Це робота Google Speech-to-Text. API — це компонент; її продукт — застосунок.

Другий — письменник. Або юрист, який працює над чернеткою в потязі, або студент, що перетворює лекцію на конспект, або батько, який відповідає на лист учителя, помішуючи вечерю. У нього немає сервера. У нього є курсор, що блимає в документі, і він радше говоритиме, ніж друкуватиме. Він хоче натиснути одну клавішу, сказати речення й побачити, як воно з'являється у файлі, який уже відкритий. Він ніколи не писатиме код — і не повинен. Це наша робота.

Плутанина в цьому пошуковому запиті виникає через те, що "Whisper" грає подвійну роль. Google STT — це готовий хмарний сервіс. Whisper — це модель, а модель — не застосунок. Хтось має побудувати застосунок навколо неї: під'єднати мікрофон, прив'язати гарячу клавішу, вставити текст під курсором. Саме цю частину зробили ми.

Whisper у нашому застосунку — це настільне диктування, і воно працює на вашому комп'ютері

Whisper — це модель мовлення, яку OpenAI відкрила. Наш застосунок запускає її локально: чистий Rust, без Python-додатка збоку, без сервера в ланцюжку для звичайного диктування. Ви натискаєте гарячу клавішу (Ctrl+Space у Windows за замовчуванням, повністю перепризначувана), говорите, відпускаєте — і текст лягає туди, де вже стоїть ваш курсор. Без коду. Без ключа API для локального шляху. Аудіо ніколи не залишає ноутбук.

Саме ця остання частина — це вся суть, і саме її не видно в таблиці функцій.

На локальному рівні ви обираєте з восьми моделей Whisper — від приблизно 140 МБ до 3 ГБ; ви обмінюєте розмір завантаження й час CPU на точність. Чотири налаштовані під англійську; чотири мультимовні охоплюють широкий спектр мов і можуть перекладати мовлення англійською тим самим жестом — чого API Google не вкладає в одне натискання для диктування, а більшість споживчих інструментів узагалі пропускають. Є ще Parakeet — окремий рушій NVIDIA, у 5–10 разів швидший за Whisper на CPU для англійської та 24 інших європейських мов, і він працює без GPU.

Увесь локальний конвеєр безкоштовний для будь-якого авторизованого користувача, без картки при реєстрації: кожна модель, AI-очищення через Ollama, історія, власні гарячі слова — усе. Якщо вам потрібна хмарна поверхня — це Whisper Pro: хмарна транскрипція OpenAI (gpt-4o-mini-transcribe або gpt-4o-transcribe), хмарне AI-очищення та вебпошук, усе на вашому власному ключі OpenAI, причому Remskill не бере жодного відсотка. Це опційно. За замовчуванням — локально й безкоштовно.

Нудна правда в тому, що для одного абзацу продиктованого тексту у вашого ноутбука вже є мікрофон і CPU. Йому не потрібен дата-центр.

Моделі вартості мають зовсім різну форму

Ось де порівняння перестає бути "яблука до яблук". Хмарне API тарифікує кожну хвилину аудіо. Локальний застосунок для диктування тарифікує щонайбільше один раз.

Якось я бачив, як похвилинна модель кусається. Команда, з якою я працював, найняла підрядника, щоб той зробив внутрішній прототип "AI-диктування", який викликав хмарне API для кожного висловлювання. Процедура "розумного повтору" стала надто агресивною й повторно транскрибувала ті самі записи щоденних нарад по чотири рази. Менеджер команди наприкінці кварталу відкрив панель витрат і побачив п'ятизначний рахунок. Підрядник пропонував "оптимізувати промпт". Фінансовий директор пропонував "або не платити за хмарну транскрипцію зустрічей, до яких уже є нотатки".

Це не докір API Google. За призначенням, в руках інженерів, які стежать за лічильником, воно нормально оцінене для продакшн-конвеєрів. Це докір використанню платного хмарного сервісу для того, що локальний застосунок робить безкоштовно. Хмарна транскрипція — це катастрофа приватності, що чекає на свій рахунок. Ваші чернетки договорів, ваша таблиця зарплат, лист до школи вашої дитини — усе залишає ваш комп'ютер лише тому, що вам захотілося говорити замість друкувати. Для людини, яка диктує цілий день, локальний підхід — правильний стандарт, і лічильник так і не вмикається.

Пліч-о-пліч

Ось чесний розклад. Зверніть увагу: таблиця не про те, "що краще". Вона про те, "в якій ви категорії".

У цій таблиці навмисно немає конкретних цифр Google. Важлива саме форма: сервер проти комп'ютера, код проти гарячої клавіші, лічильник проти безкоштовного. Якщо ці рядки вказують вам на API — добре, читайте наступний розділ. Якщо вказують на застосунок — кнопка завантаження внизу.

Коли Google Speech-to-Text — правильний інструмент

Я б узяв API Google, а не наш застосунок, у кількох чітких випадках. Це той розділ, який AI-статті пропускають, тож ось він прямо.

Якщо хоч щось із цього про вас — закрийте цю вкладку й відкрийте документацію Google. Ми не робимо серверну сторону. Це не фальшива скромність; це інший продукт.

Коли Whisper у нашому застосунку — правильний інструмент

Зворотний бік. Ви не будуєте програмне забезпечення. Ви намагаєтеся перестати друкувати.

Ви хочете диктувати листи, нотатки, повідомлення, коментарі в коді — і щоб вони з'являлися в тому застосунку, у якому ви вже працюєте. Ви б воліли, щоб ваше аудіо не йшло на чиїсь сервери. Ви не хочете похвилинного лічильника, що цокає, поки ви думаєте. Ви хочете, щоб це було безкоштовним на старті, і не хочете писати жодного рядка коду, щоб цим скористатися.

Оберіть Parakeet для швидкості та англійської; оберіть мультимовну модель Whisper, коли вам потрібен переклад, менш поширені мови чи тонший контроль. Локальний конвеєр не коштує нічого; хмарний рівень (транскрипція OpenAI з вашим власним ключем) є опційним і оцінений на сторінці цін.

Про офлайновий, локальний, безкоштовний бік цього питання я докладніше описав ширші компроміси в матеріалі локальна проти хмарної транскрипції. А якщо ви обираєте між двома локальними рушіями, які ми постачаємо, Whisper проти Parakeet проходить через швидкість проти охоплення мов.

Якщо ви запам'ятаєте лише одне

Google Speech-to-Text — це API для інженерів; Whisper у нашому застосунку — це диктування для людей. Питати, що "краще", — це як питати, що краще: двигун чи автомобіль. Усе залежить від того, чи ви будуєте цю річ, чи нею керуєте.