Каталог моделей
🎙️ Голос🧠 Мультимодальная API Open Source
Whisper Large V3
Передовая система распознавания речи с открытым исходным кодом от OpenAI. Поддерживает 99 языков включая русский, обеспечивает высокую точность транскрипции и перевода.
—
Тарифы
API
$—
- OpenAI API: $0.006 за минуту аудио
Бесплатно
Бесплатно
- Полностью бесплатно (открытый исходный код)
Хостинг
$—
- Groq: бесплатно с лимитами, faster-whisper для самостоятельного развёртывания
Плюсы и минусы
Плюсы
- Лучшее качество транскрипции среди открытых моделей на 99 языках
- Полностью открытый исходный код — можно запустить локально бесплатно
- Автоматическое определение языка без дополнительной настройки
- Поддержка перевода аудио на английский прямо при транскрипции
- Устойчивость к фоновому шуму, акцентам и нечёткой речи
Минусы
- Не поддерживает транскрипцию в реальном времени нативно
- Высокие требования к GPU для быстрой обработки больших аудиофайлов
- Иногда вставляет несуществующие слова при тишине (галлюцинации)
- Модель статична — не обновляется с 2023 года, не понимает новые термины
Подробный обзор
Вопросы и ответы
Как запустить Whisper Large V3 на своём компьютере?+
Установите faster-whisper: pip install faster-whisper. Затем импортируйте WhisperModel, загрузите large-v3 и вызовите transcribe с путём к аудиофайлу. Для Windows рекомендуется WSL2 или предкомпилированные бинарники whisper.cpp.
Поддерживает ли Whisper транскрипцию в реальном времени?+
Нативно нет, но через Groq API с его ультрабыстрым инференсом задержка составляет менее секунды. Также существуют потоковые реализации через whisper-live и WhisperX с возможностью диаризации спикеров.
Насколько точна транскрипция на русском языке?+
Whisper Large V3 показывает WER около 5-10% для чистой студийной записи на русском. При наличии фонового шума или сильного акцента ошибки увеличиваются. Это один из лучших показателей среди доступных открытых моделей.
Похожие модели
Мультимодальная
Muse Spark
Meta
Первая закрытая модель Meta от Superintelligence Labs. Мультимодальная модель рассуждений: текст, изображения, речь. Уникальный Contemplating Mode — мульти-агентная параллельная система. Три режима: Instant, Thinking, Contemplating. Бесплатно через meta.ai.
Бесплатно
Мультимодальная
Llama 3.1 405B
Meta
Крупнейшая открытая языковая модель от Meta с 405 миллиардами параметров. Сопоставима с GPT-4 по возможностям при полной открытости весов.
$—
Мультимодальная
Llama 4 Maverick
Meta
Флагманская MoE-модель Meta со 128 экспертами. 400B параметров, 17B активных. Контекст 1M токенов. Превосходит GPT-4o и Gemini 2.0 Flash. Сопоставима с DeepSeek v3 при вдвое меньшем числе активных параметров.
$0.15/1M input
Мультимодальная
GPT-5.5
OpenAI
Флагман OpenAI от 23.04.2026. GPT-5.5 задаёт SOTA на 14 публичных бенчмарках, обходит Claude Opus 4.7 и Gemini 3.1 Pro. Та же скорость, что у GPT-5.4, но на ~40% меньше токенов на задачу. Особенно силён в агентском коде (Terminal-Bench 2.0 — 82,7%), управлении ОС (OSWorld-Verified — 78,7%), GDPval (84,9%) и FrontierMath. Цена API вдвое выше предшественника. Доступен в ChatGPT и Codex для Plus, Pro, Business, Enterprise. Лидер в Artificial Analysis Intelligence Index (60)
Бесплатно
Мультимодальная
Llama 4 Scout
Meta
MoE-модель Meta с 16 экспертами. 109B параметров, 17B активных. Рекордный контекст 10 миллионов токенов. Текст, изображения, видео. 40 трлн токенов обучения, 200 языков. Llama 4 Community License.
$0.08/1M input