Локальная транскрибация — это когда расшифровка идёт на вашем компьютере: файлы никуда не уходят, платить за минуты не надо. Облачная — когда сервис делает всё за вас. Протестировал локальный путь на whisper.cpp — делюсь цифрами и граблями.
Установка: репозиторий, ffmpeg и модели
whisper.cpp клонируется с GitHub и собирается на CPU, Apple Silicon и Ubuntu. Обязательная зависимость — ffmpeg: аудио конвертируется в нужный формат (из ogg, mp3 и других). Конвертация шести сэмплов заняла около 80 секунд. Модели качаются скриптами: маленькая английская качается одной командой, для русского нужна мультиязычная medium — примерно полтора гигабайта.
Тест на русском: где tiny сломалась
Русская аудиозапись на минуту поехала через две модели. Tiny уложилась в ~23 секунды, но текст зациклился — малые модели этим грешат. Хуже того: модель распознала русскую речь и самопроизвольно перевела её на английский. Medium обработала ту же запись за 42 секунды — и текст вышел большой и понятный, «очень точно» по ощущениям автора теста.
Есть и серверный режим: whisper.cpp поднимается как HTTP-сервер, автор запустил его в Docker на видеокарте — минутная запись обрабатывается за 20–30 секунд.
Что с этим сравнивать
Локально: ноль рублей, полная приватность, но — подбор моделей, ffmpeg, риск зацикливаний на малых моделях и ожидание на CPU. Облако: файл ушёл — текст пришёл, но за минуты платишь и доверяешь сервису свои записи.
Облако без компромиссов
PostZavod — облачный путь без лишений: распознавание русской речи идёт на GigaAM на собственном GPU-сервере, файлы после обработки удаляются, а вы получаете не сырой текст, а сразу посты для Telegram в вашем стиле письма. Транскрибация — 1 токен за минуту видео, полный прогон (статья + серия постов) — 2 токена; новым аккаунтам — 200 токенов бесплатно, без карты.