Расшифровка речи стала рутинойWhisper, протоколы встреч, русский язык и приватность

Модели распознавания речи превращают часовую запись в текст за минуты. Разбираем, какие инструменты есть в 2026 году, как они справляются с русским и где хранятся ваши записи.

ИИ-инструментыОбновлено 12.11.20267 мин чтения
Расшифровка речи стала рутиной
▲ коротко: Расшифровка речи стала рутиной✓ Открытая модель Whisper остаётся базой для локальной расшифровки без отправки аудио в облако✓ OpenAI в 2026 году сменила линейку: для файлов рекомендована gpt-transcribe, старые модели выводятся из API✓ Сервисы протоколов встреч поддерживают не все языки: у Google Meet русского в списке нет✓ Точность на русском сильно зависит от качества записи, терминов и числа говорящих
~5×ускорение large-v3-turbo против large-v3 по данным сравнений
4слоя декодера у turbo вместо 32 у large-v3
8языков в протоколах Google Meet, русского среди них нет

Что изменилось в распознавании речи

Ещё несколько лет назад расшифровка интервью означала часы ручной работы или дорогой сервис с ограниченным набором языков. Перелом случился в сентябре 2022 года, когда OpenAI выложила в открытый доступ модель Whisper. Её обучали на большом корпусе многоязычного аудио, и она сразу показала приемлемое качество на десятках языков, включая русский.

С тех пор рынок разделился на три слоя. Внизу находятся модели: открытые вроде Whisper и облачные API крупных компаний. Над ними работают сервисы для журналистов, юристов и исследователей, которые добавляют разметку спикеров и редактор. Сверху расположены ассистенты встреч, встроенные в Zoom, Google Meet и Microsoft Teams. Похожая многослойность есть и у офисных ИИ-копилотов, частью которых всё чаще становится расшифровка.

Для пользователя это значит, что одна и та же модель может работать внутри разных продуктов. Разница между ними часто не в качестве распознавания, а в удобстве редактора, разметке спикеров, экспорте и правилах хранения записей.

Whisper и новая линейка OpenAI

У Whisper несколько размеров. Самая точная версия large-v3 вышла в ноябре 2023 года. Через год появилась large-v3-turbo: в ней оставили 4 слоя декодера вместо 32, и расшифровка стала заметно быстрее при небольшой потере качества. Важная оговорка: turbo не обучали переводу речи, поэтому для задачи «аудио на одном языке, текст на английском» лучше подходит обычная large-v3.

В облачном API OpenAI в марте 2025 года вышли gpt-4o-transcribe и gpt-4o-mini-transcribe, а в конце июля 2026 года компания представила gpt-transcribe для готовых файлов и gpt-live-transcribe для потокового звука. По данным компании, новая модель ошибается реже, чем whisper-1, и стоит дешевле. Старые модели, включая whisper-1, объявлены устаревшими: их удаление из API запланировано на февраль 2027 года.

Для тех, кто строит свои продукты, вывод простой: открытая модель Whisper никуда не исчезает, её веса можно скачать и запускать на своём сервере. Устаревает только облачный эндпоинт. Логику выбора между своей моделью и API мы подробно разбирали в посте о том, когда открытые модели выходят дешевле.

▲ хроника✓ 2022-09 · OpenAI публикует открытую модель Whisper✓ 2023-11 · выходит Whisper large-v3✓ 2024-10 · large-v3-turbo ускоряет расшифровку в несколько раз✓ 2025-03 · gpt-4o-transcribe снижает ошибки относительно Whisper✓ 2026-07 · OpenAI представляет gpt-transcribe и gpt-live-transcribe✓ 2027-02 · плановое удаление whisper-1 из API OpenAI

Ассистенты встреч: что они умеют

Самый массовый сценарий в 2026 году связан с видеозвонками. Платформы предлагают встроенные функции, а отдельные сервисы подключают бота-участника к любой конференции.

ИнструментЧто делаетОграничения
Google Meet, «Take notes for me»Конспект встречи в Google Docs: итоги, решения, следующие шагиПлатные тарифы Workspace; русский язык не поддерживается
Zoom AI CompanionСводка встречи для организатораКомпания заявляет поддержку нескольких десятков языков
Microsoft Teams с CopilotРасшифровка, сводка, ответы на вопросы по встречеНужна отдельная лицензия Copilot
Отдельные ноутейкерыБот заходит в звонок, пишет текст и делает выжимкуАудио уходит третьей стороне

Перед покупкой проверьте две вещи: поддерживает ли сервис русский именно для сводок, а не только для субтитров, и как он ведёт себя, если участники переключаются между языками. Многие системы рассчитаны на один язык на встречу и путаются на смешанной речи.

Точность на русском языке

Публичные бенчмарки обычно меряют долю ошибочных слов (WER) на чистых наборах данных. В реальной работе результат определяют другие факторы, и мы видим их на собственных записях:

  • качество звука: петличка или гарнитура дают кратно меньше ошибок, чем ноутбук в переговорной;
  • одновременная речь: перебивания ломают и текст, и разметку спикеров;
  • термины и имена: названия продуктов, фамилии и аббревиатуры модель пишет «на слух»;
  • числа: суммы и даты нужно сверять всегда, ошибка в одной цифре меняет смысл;
  • галлюцинации на тишине: Whisper иногда дописывает фразы в паузах, особенно в конце записи.

Частично это лечится подсказками. Многие API принимают словарь или контекст: список имён и терминов заметно снижает ошибки в специальной лексике. Для длинных записей полезно резать аудио по паузам, а не на равные куски.

Российские облачные платформы, например Yandex SpeechKit и SaluteSpeech от Сбера, обучены на большом объёме русской речи и часто выбираются компаниями из-за требований к хранению данных. Сравнивать их с Whisper стоит на своих записях: универсального победителя нет.

Практичный способ сравнения выглядит так. Возьмите три-четыре типичные записи по 10-15 минут: чистую, шумную, с несколькими спикерами и с плотной терминологией. Сделайте эталонную ручную расшифровку хотя бы одного фрагмента и прогоните его через все кандидаты. Считайте не только ошибки в словах, но и время, которое уходит на вычитку. Для редакции или отдела продаж именно оно определяет реальную стоимость инструмента.

Приватность и хранение записей

Голос и содержание встречи относятся к чувствительным данным. Запись переговоров, медицинской консультации или собеседования может содержать персональные данные третьих лиц. Перед загрузкой в облачный сервис стоит ответить на несколько вопросов:

  1. Где физически хранятся аудио и текст и сколько времени?
  2. Используются ли записи для обучения моделей и можно ли это отключить?
  3. Знают ли участники встречи, что работает ИИ-ассистент?
  4. Кто в компании видит расшифровки и можно ли их удалить?

Если ответы не устраивают, остаётся локальный вариант: Whisper на своём компьютере или сервере. На современном ноутбуке с видеокартой turbo-версия обрабатывает час записи за минуты, на процессоре заметно дольше. Аудио при этом никуда не уходит. Похожие вопросы о хранении данных возникают и в чат-ботах, мы собрали их в материале о памяти и настройках приватности ChatGPT.

Как выбрать инструмент

Редакция считает, что выбор определяется сценарием, а не рейтингом моделей:

  • интервью и подкасты: отдельный сервис расшифровки с редактором и таймкодами или Whisper локально;
  • рабочие созвоны: встроенный ассистент вашей платформы, если он поддерживает русский;
  • свой продукт: облачный API для старта, своя модель при росте объёмов или требованиях к данным;
  • конфиденциальные записи: только локальная обработка.

Отдельно продумайте процесс вокруг расшифровки. Кто проверяет итоговый текст, где хранится аудио после обработки и через сколько дней его удаляют. Протокол встречи, который никто не вычитал, опасен: решения и сроки в нём могут быть искажены, а участники будут ссылаться на документ как на точный.

Текст после расшифровки почти всегда нужно вычитать. Если запись потом переводится, ошибки распознавания размножатся в переводе, об этом подробнее в обзоре ИИ-переводчиков. Другие полезные сервисы собраны в разделе ИИ-инструменты.

Что изменилось с тех пор

К ноябрю 2026 года OpenAI рекомендует для новых интеграций gpt-transcribe и gpt-live-transcribe, а прежние модели остаются доступны до планового удаления. Открытые веса Whisper по-прежнему можно скачать. Официальных данных о расширении языков в протоколах Google Meet на момент обновления нет.

Вопросы и ответы

Можно ли расшифровать запись без отправки в интернет?

Да. Открытую модель Whisper можно запустить на своём компьютере или сервере. Аудио не покидает устройство. С видеокартой обработка идёт быстро, на одном процессоре заметно медленнее, но для разовых задач этого хватает.

Насколько точно ИИ распознаёт русскую речь?

На чистой записи с одним говорящим результат обычно требует лишь лёгкой вычитки. Ошибок становится больше при шуме, перебиваниях, редких фамилиях и терминах. Числа и имена стоит проверять всегда.

Whisper перестанет работать после 2027 года?

Из API OpenAI будет удалён облачный эндпоинт whisper-1. Открытая модель Whisper с опубликованными весами продолжит работать у всех, кто запускает её самостоятельно, и в сторонних сервисах.

Нужно ли предупреждать участников о записи встречи?

Да, это хорошая практика и во многих случаях требование закона. Платформы обычно показывают уведомление о записи и работе ассистента, но предупредить собеседников голосом надёжнее. Особенно это важно, если запись уходит в сторонний сервис.

Ещё по теме

Следующая новость уже в ленте