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.
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.
| Инструмент | Что делает | Ограничения |
|---|---|---|
| Google Meet, «Take notes for me» | Конспект встречи в Google Docs: итоги, решения, следующие шаги | Платные тарифы Workspace; русский язык не поддерживается |
| Zoom AI Companion | Сводка встречи для организатора | Компания заявляет поддержку нескольких десятков языков |
| Microsoft Teams с Copilot | Расшифровка, сводка, ответы на вопросы по встрече | Нужна отдельная лицензия Copilot |
| Отдельные ноутейкеры | Бот заходит в звонок, пишет текст и делает выжимку | Аудио 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:
- Где физически хранятся аудио и текст и сколько времени?
- Используются ли записи для обучения моделей и можно ли это отключить?
- Знают ли участники встречи, что работает ИИ-ассистент?
- 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.



