Три месяца я гонял через разные транскрибаторы один и тот же набор аудиофайлов: интервью с акцентами, зашумлённые подкасты, быстрая речь из созвонов. Ждал стабильного победителя. Его не оказалось — но зато стала понятна логика выбора.
Расскажу что нашёл.
Whisper: мощно, но не бесплатно в проде
OpenAI Whisper — open-source, и это сразу создаёт иллюзию: "запущу сам, сэкономлю". Я запускал. На large-v3 точность реально впечатляет — особенно на русском, смешанной речи и нестандартных именах. Он распознавал "Навальный", "Путина", "Дурова" без подсказок, где облачные сервисы иногда выдавали что-то несуразное.
Проблема одна, но серьёзная — скорость. На CPU large-v3 транскрибирует минуту аудио за 4–7 минут. Это не продукт, это пытка. На GPU A10G уже примерно в реальном времени, иногда быстрее. Но A10G в облаке стоит денег, и внезапно "бесплатный" Whisper оказывается дороже платных API при нормальной нагрузке.
Я использовал self-hosted Whisper в одном пайплайне, где была нужна офлайн-обработка с максимальной точностью и никакой зависимости от внешних сервисов. Там он себя оправдал. Для продукта с живыми пользователями и очередями — не стал бы.
Есть ещё вариант: API от OpenAI (whisper-1). Дёшево — $0.006 за минуту — но это не последняя модель, и стриминга нет. Отдаёшь файл, ждёшь ответ. Для асинхронных задач пойдёт, для real-time — нет.
Deepgram: когда нужна скорость
Deepgram строил архитектуру с нуля под стриминг, и это чувствуется. Латентность у них смешная: первые слова приходят через 200–300 миллисекунд после того как человек начал говорить. Для голосовых интерфейсов, транскрипции звонков, живых субтитров — это принципиально.
Я тестировал их Nova-2 на русском — и вот тут началось. Английский они транскрибируют отлично, акценты держат нормально. Русский заметно хуже, чем Whisper large-v3. Не катастрофически, но ощутимо: числительные плавали, редкие имена не узнавались, длинные предложения иногда обрезались странно.
Дело в том, что если продукт на английском или испанском — Deepgram, скорее всего, лучший вариант по соотношению скорость/точность/цена. Если аудитория русскоязычная — надо тестировать под свои данные, потому что результат сильно зависит от акцента и качества записи.
Цены нормальные: pay-as-you-go от $0.0059 за минуту на Nova-2, при больших объёмах есть enterprise-договорённости.
AssemblyAI: когда нужно больше чем текст
AssemblyAI я долго игнорировал — казалось, ещё один облачный транскрибатор. Потом попробовал и понял, что они играют в другую игру.
Транскрипция у них хорошая — на уровне Deepgram, на сложных записях может чуть точнее. Но настоящая ценность в том, что поверх транскрипции они сразу дают аналитику: sentiment analysis, topic detection, определение говорящих, автосаммари, поиск по контенту. Всё в одном API-запросе.
На практике я встраивал AssemblyAI в пайплайн для обработки подкастов — нужно было транскрибировать, разметить по спикерам и вытащить ключевые темы. Через Whisper плюс отдельная LLM это занимало несколько шагов и приличную возню с промптами. AssemblyAI закрыл всё одним вызовом.
Минус — latency. Асинхронная обработка, результаты через 30–90 секунд в зависимости от длины файла. Стриминг есть, но попроще по функционалу. Цена — от $0.012 за минуту на базовой модели, за расширенный пайплайн дороже.
Что я выбираю и почему
Простой таблицы не будет — выбор реально зависит от задачи.
Self-hosted Whisper — когда данные нельзя отправлять наружу или нужна максимальная точность на русском при асинхронной обработке и есть GPU. Держу его для внутренних инструментов.
Deepgram — когда нужен стриминг с минимальной задержкой и аудитория англоязычная. Голосовые ассистенты, live captions, транскрипция звонков в реальном времени — это их территория.
AssemblyAI — когда транскрипция не конечная точка, а начало пайплайна. Нужен анализ, саммари, разметка спикеров — они экономят несколько часов склейки разных инструментов.
OpenAI Whisper API — для быстрого прототипа или небольших объёмов. Дёшево, надёжно, без инфраструктуры. Не масштабируется хорошо, функционал бедный.
Одно что я бы сделал по-другому
Потратил слишком много времени на синтетические бенчмарки из интернета — они оказались почти бесполезными. У каждого продукта своё аудио: акценты, микрофоны, темп речи, фоновый шум. Единственное что имеет смысл — взять 20–30 минут реального аудио из своего продукта и прогнать через все три. Час работы, который заменяет три недели чтения обзоров.
Точность на чужих бенчмарках и точность на твоих данных — это разные числа. Иногда очень разные.
