Whisper на CPU и GPU: транскрибация, пакеты и субтитры
См. также — глоссарий
Расшифруйте запись на своей машине, сохраните текст и субтитры, а исходные файлы держите отдельно от результатов. В этом кластере используется небольшой пример командной строки на faster-whisper для арендованного CPU или NVIDIA GPU. Публичный API распознавания для него не нужен.
Послушайте реальный пример распознавания
Мы обработали русскую и английскую записи Chatterbox моделью large-v3 на RTX 4090. В примерах запуска есть аудиоплееры, расшифровки без правок, исходные SRT/VTT и время обработки. Там же показана реальная ошибка тайминга субтитров. Повторите запуск с опубликованными исходниками и теми же настройками.
Выберите задачу
| Что нужно сделать | Инструкция |
|---|---|
| Получить первый текст из локального файла | Установка и запуск Whisper |
| Выбрать CPU, GPU и размер модели | Оборудование и модель |
| Запустить пример на машине с Docker | Контейнеры для CPU и GPU |
| Обработать MP3, видео и несколько звуковых дорожек | Аудио и видео на входе |
| Сделать редактируемые SRT/VTT | Субтитры и таймкоды |
| Расшифровать папку и продолжить после сбоя | Пакетная транскрибация |
| Сравнить скорость, ошибки и стоимость аренды | Измерение производительности |
| Разобраться с CUDA, результатами и ошибками распознавания | Диагностика |
Что входит в пример
Скачать ZIP: исходный Python-код, закреплённые версии основных зависимостей и ревизии моделей, Dockerfile для CPU/GPU и инструкции на двух языках. Веса моделей и записи в архив не входят.
Для каждого входного файла создаётся каталог с transcript.txt, transcript.srt, transcript.vtt, transcript.json и манифестом завершения. Файлы обрабатываются последовательно. Повторная команда пропускает результат только при совпадении исходного файла, настроек и контрольных сумм выходных файлов. Незавершённый файл остаётся помеченным; программа останавливается с ошибкой, а не заменяет его молча.
Это обработка файлов, а не субтитры в прямом эфире. Разделение по спикерам, перевод, forced alignment и веб-интерфейс загрузки — отдельные задачи. Пример не выполняет их автоматически.
Аренда под проверенную нагрузку
Откройте актуальные предложения GPU или CPU VPS, затем переходите к установке. GPU-инстанс сам может быть контейнером: если Docker недоступен, используйте обычное Python-окружение. До загрузки архива проверьте архитектуру CPU, RAM, свободный диск, совместимость драйвера NVIDIA и условия сохранения диска.
Начните с короткого характерного фрагмента, проверьте текст и измерьте время. Руководство по выбору GPU объясняет сравнение оборудования, а расчёт аренды отделяет обработку от подготовки и простоя. Здесь нет обещаний фиксированного числа потоков, часов аудио в час или цены минуты.
Данные и качество
При подготовке веса заданной ревизии загружаются с Hugging Face. После этого документированная offline-команда читает локальные записи и сохраняет локальные результаты. Код не отправляет аудио в API распознавания. Но сам арендованный сервер и его резервные копии требуют настройки доступа и сроков хранения.
Распознавание может пропускать слова и добавлять несуществующие фразы, особенно на тишине, музыке, именах и пересекающейся речи. Перед публикацией субтитров или использованием текста как фактической записи сверяйте его с оригиналом. Ограничения описаны в карточке Whisper.
Готовы запустить?
Запустить GPU-сервер