Речь в текст · от 12 ГБ VRAM

Whisper в облаке: транскрибация аудио на GPU

Распознавайте записи с Whisper large-v3 на арендованном GPU. Запустите приложение, откройте веб-интерфейс и загрузите аудио без установки окружения на свой компьютер.

Запустить Whisper

Послушайте запись и сравните с расшифровкой Whisper

Два коротких фрагмента обработаны моделью Whisper large-v3 на RTX 4090. Послушайте исходник, прочитайте текст без правок и скачайте файлы субтитров.

Whisper large-v3RTX 4090 · 24 GB VRAM

Для примера взяли чистые записи, синтезированные Chatterbox. Распознавание выполнено скачиваемым скриптом с faster-whisper 1.2.1. Это не проверка WebUI и не замер точности на интервью, шумных записях или разговоре нескольких людей.

Английская запись → английский текст
Длительность записи
8,32 с
Распознавание
0,99 с

Результат распознавания · без правок

welcome to the demo today we will turn a short script into a voiceover listen to the result and download the clip for editing

Распознанные слова совпадают со сценарием без учёта регистра и пунктуации. Заглавные буквы и знаки препинания потеряны. Последний субтитр заканчивается на 15,92 с, хотя запись длится 8,32 с: перед использованием нужно исправить тайминг.

Сравнить со сценарием, по которому синтезирована запись

Welcome to the demo. Today we will turn a short script into a voiceover, listen to the result, and download the clip for editing.

Русская запись → русский текст
Длительность записи
8,32 с
Распознавание
0,63 с

Результат распознавания · без правок

Добро пожаловать на демонстрацию. Сегодня мы превратим короткий сценарий в озвучку, послушаем результат и скачаем файл для монтажа.

Распознанные слова совпадают со сценарием; текст разбит на три сегмента. Результат на короткой синтезированной записи не показывает точность на других голосах и материалах.

Сравнить со сценарием, по которому синтезирована запись

Добро пожаловать на демонстрацию. Сегодня мы превратим короткий сценарий в озвучку, послушаем результат и скачаем файл для монтажа.

Как получили этот результат

large-v3 · CUDA FP16 · beam size 5 · автоопределение языка · VAD включён

Модель загрузилась за 2,88 с, затем файлы обрабатывались последовательно. Время каждого файла не включает загрузку модели, скачивание весов, подготовку окружения и передачу аудио. Для русского фрагмента модель уже была в памяти. Это отдельные замеры, а не сравнение видеокарт.

TXT, SRT, VTT и JSON — исходные результаты скачиваемого скрипта. Тайминги субтитров оставлены без правок. Наличие этих файлов не означает, что экспорт субтитров входит в WebUI приложения.

Скачать параметры запуска и контрольные суммы

Превратите запись речи в рабочую расшифровку

Используйте Whisper для черновика интервью, конспекта лекции или поиска по тексту записи. Лаунчер готовит многоязычную large-v3 на вашем инстансе. Загрузите файл через WebUI, запустите распознавание и сверьте текст с исходным аудио перед использованием.

Веб-интерфейс или обработка скриптом

Транскрибация в браузере

Приложение позволяет загрузить запись и работать с результатом в WebUI. Выберите его для интерактивного сеанса без написания скрипта установки.

Пакетные задания и автоматизация

Для повторяемой обработки папок, собственного API и специального экспорта субтитров используйте отдельное руководство по ручному развёртыванию. Эти сценарии не входят в приложение в один клик.

Посмотреть сценарий транскрибации скриптом →

От запуска до проверенного текста

  1. 1. Выберите GPU

    Лаунчер требует минимум 12 ГБ VRAM. Сравните актуальные конфигурации ниже и оставьте место на диске для модели, записей и результатов.

  2. 2. Откройте Whisper

    Дождитесь подготовки окружения и large-v3. Когда инстанс будет готов, воспользуйтесь ссылкой на приложение в панели.

  3. 3. Загрузите и распознайте

    Начните с характерного отрывка. При необходимости укажите язык записи, запустите распознавание и сравните сложные места с аудио.

  4. 4. Сохраните и завершите

    Скачайте текст и другие нужные файлы до удаления инстанса. После сеанса проверьте статус сервера и оплату диска.

Актуальные цены GPU для Whisper

Это аренда GPU, а не API с оплатой за минуту записи. Для оценки стоимости часа аудио разделите цену GPU за час × оплаченные часы сеанса на число обработанных часов аудио. Учитывайте установку, загрузку и простой; оплату диска проверяйте отдельно.

RTX 3090

24 ГБ VRAM

RTX 3090

от 23.62 ₽/час

≈ 17 006.4 ₽/мес при 24/7

RTX 4090

24 ГБ VRAM

RTX 4090

от 55.83 ₽/час

≈ 40 197.6 ₽/мес при 24/7

RTX A6000

48 ГБ VRAM

RTX A6000

от 142.23 ₽/час

≈ 102 405.6 ₽/мес при 24/7

FAQ

Какая модель запускается по умолчанию?

Лаунчер готовит Whisper large-v3 — многоязычную модель распознавания речи. Приложению требуется минимум 12 ГБ VRAM.

Поддерживается ли русский язык?

Да. large-v3 поддерживает русский, английский и другие языки. Точность зависит от языка, качества записи, акцента и терминов: проверьте результат на своих материалах.

Включён ли REST API?

Приложение в один клик предоставляет WebUI. Отдельный REST API и автоматическая пакетная обработка в этот сценарий запуска не входят. Для таких сервисов используйте руководства по ручной установке.

Определяет ли приложение спикеров?

Диаризация не заявлена как функция этого приложения. Обычная расшифровка не гарантирует правильного распределения слов между участниками разговора.

Сколько времени займёт обработка?

Фиксированная скорость не гарантируется. Время зависит от GPU, длительности записи и настроек. Измерьте характерный фрагмент и включите подготовку в оценку стоимости.

Где обрабатываются записи?

Модель работает на вашем арендованном инстансе. Вы управляете загруженными файлами и результатами. До удаления сервера сохраните важные файлы вне инстанса.