Whisper для русского языка — первый кандидат, когда нужна бесплатная расшифровка на своём компьютере. Но между «скачал и работает» и рабочим результатом — несколько граблей. Разбираю установку по шагам и тесты, где модель ведёт себя неочевидно.
Установка: ZIP с GitHub и файл модели
Whisper Desktop распространяется архивом с GitHub: скачиваете последний релиз, распаковываете в отдельную папку, запускаете exe. При первом запуске программа потребует путь к модели — её качают отдельно, со страницы моделей того же проекта.
Размер — главный выбор. Модель medium весит 1,42 ГБ и именно на ней тестировалась программа. Есть малые: tiny — 75 МБ, а с квантизацией Q5 она ужимается до 31 МБ, с Q8 — до 42 МБ. Квантизация существует ради слабых устройств: такие модели запускаются даже на смартфонах. Самая тяжёлая, large, — больше 3 ГБ.
Русский язык и суффикс .en
Внимание к названию модели: суффикс .en означает «понимает только английский». Для русского нужна модель без этой приставки — они мультиязычные. Отдельная история режим Turbo — он про мгновенный перевод.
Перевод, впрочем, подвели тесты: с галочкой translate русская дорожка переводилась на английский — выбор русского или немецкого как целевого языка результата не менял. На русский Whisper не переводит вовсе.
Где модель ломается: тесты
Первый тест — аудиофайл: 8 минут 16 секунд звука расшифровались за 3 минуты 52 секунды, таймкоды на месте, знаки препинания расставлены. Рабочий вариант.
Второй тест — видеофайл напрямую: потерялись последние ~2 секунды, исчезли знаки препинания и заглавные буквы — на выходе сплошной текст в нижнем регистре. Вывод автора теста однозначный: выдирайте из видео аудиодорожку и грузите аудио.
Третий тест — модель large (v3, больше 3 ГБ): программа зависла намертво, распознавание так и не завершилось. Откат на medium вернул работоспособность.
Что вместо ручной установки
Свои модели — это контроль и ноль рублей, но цена входа: скачать и подобрать модель, держать в голове нюансы (аудио вместо видео, квантизация под железо), ждать на слабом ПК. PostZavod закрывает это: распознавание русской речи заточено под GigaAM на GPU, английский понимает, ссылка на YouTube или файл на входе — готовые посты на выходе. Транскрибация — 1 токен за минуту видео, полный прогон (статья + серия постов) — 2 токена. Новым аккаунтам — 200 токенов бесплатно, без карты.