Пять моделей ASR с открытыми весами, честное сравнение на русском и английском, требования к железу и рабочие команды запуска — без облака и оплаты за минуты.
Локальное распознавание речи в 2026 — это не только Whisper. Для русского языка открытая GigaAM-v3 обгоняет Whisper в 2–3 раза по точности, для длинных записей появился Nemotron 3.5 Transcribe с контекстом 65 536 токенов, а для быстрых субтитров хватает 0,6-миллиардной Parakeet. В гайде — чем эти модели отличаются по проверенным замерам, сколько нужно железа и как запустить каждую командой из терминала.
ffmpeg для декодирования аудио. Если есть NVIDIA-карта — поставьте CUDA-сборку torch, на CPU всё тоже работает, но медленнее в 5–15 раз. Для файлов длиннее часа заранее нарежьте аудио на фрагменты: большинство моделей ждут запись целиком.Все модели в подборке — нейросети, которые принимают звук и отдают текст. Разница в архитектуре: классический энкодер-декодер (Whisper), Conformer с CTC/RNN-T-головой (GigaAM, Parakeet) и «речевая языковая модель» (Nemotron Transcribe), где аудио-энкодер подключён к текстовой LLM.
Таблица ниже собрана по карточкам моделей на Hugging Face и официальным описаниям вендоров на 3 ноября 2026. Число загрузок — это счётчик Hugging Face за последние 30 дней: он показывает, чем реально пользуются, а не что громче рекламируют.
| Модель | Размер | Языки | Русский | Лицензия |
|---|---|---|---|---|
| Whisper large-v3 (OpenAI) | large | около 99 (заявлено) | есть | Apache-2.0 |
| Whisper large-v3-turbo | turbo | около 99 (заявлено) | есть | MIT |
| GigaAM-v3 (Sber) | 220–240M | ru + en | основной язык | MIT |
| Parakeet-TDT-0.6B-v3 (NVIDIA) | 0,6B | 25 европейских | есть | CC-BY-4.0 |
| Nemotron-3.5-Transcribe (NVIDIA) | 34B, 4,3B активных | 40 | есть | OpenMDW-1.1 |
| Что нужно | Кого брать | Почему |
|---|---|---|
| Расшифровка русской речи | GigaAM-v3 e2e_rnnt | Лучший открытый WER на русском, 0,45 ГБ весов, идёт на CPU |
| Субтитры к видео на 90 языках | Whisper large-v3-turbo | Таймстампы из коробки, самая большая экосистема инструментов |
| Потоковая расшифровка звонков | Parakeet-TDT-0.6B-v3 | Трансдьюсер отдаёт слова по мере поступления звука |
| Интервью с разделением голосов | Nemotron-3.5-Transcribe | Диаризация и атрибуция спикеров внутри одной модели |
| Запись на 40–60 минут одним файлом | Nemotron-3.5-Transcribe | Контекст 65 536 токенов и записи до часа |
Главный практический вывод 2026 года: для русского языка не нужно гнаться за большой моделью. GigaAM-v3 с 220–240 млн параметров обходит Whisper на всех доменах, которые замерил вендор, причём на спонтанной и телефонной речи — в разы.
| Набор | GigaAM-v3 RNNT | Whisper | Разница |
|---|---|---|---|
| Открытые датасеты | 2,6 | 12,0 | ×4,6 |
| Golos Farfield | 3,9 | 16,7 | ×4,3 |
| Естественная речь | 6,9 | 13,6 | ×2,0 |
| Речь с нарушениями | 19,2 | 59,3 | ×3,1 |
| Колл-центр | 9,5 | 23,9 | ×2,5 |
| Среднее | 8,4 | 25,1 | ×3,0 |
Есть и обратная сторона: GigaAM знает два языка — русский и английский. Если в записи встречаются вставки на других языках, переключение кодов даётся ей хуже, чем мультиязычным моделям. Для смешанной речи берите Nemotron Transcribe: в его матрице поддержки переключение кодов отмечено для всех 40 языков.
pip install faster-whisper
from faster_whisper import WhisperModel
m = WhisperModel('large-v3', device='cpu')
segments, info = m.transcribe('a.wav')
print(' '.join(s.text for s in segments))from transformers import AutoModel
m = AutoModel.from_pretrained(
'ai-sage/GigaAM-v3',
revision='e2e_rnnt',
trust_remote_code=True)
print(m.transcribe('call.wav'))pip install -U transformers torch # модель: nvidia/parakeet-tdt-0.6b-v3 # язык определяется автоматически
export VLLM_PLUGINS=nemo_speechlm export VLLM_USE_V2_MODEL_RUNNER=0 vllm serve ./nemotron-transcribe --dtype bfloat16 --max-model-len 65536 --gpu-memory-utilization 0.94
ffprobe и приводите файл к 16 кГц mono перед распознаванием.Ниже — редакционная оценка Qantcore по документации вендоров и замерам из карточек моделей. Это не бенчмарк: балл показывает, насколько модель удобна в конкретном сценарии при первом запуске.
| Сценарий | Модель | Требования | Подводный камень |
|---|---|---|---|
| Интервью в шуме | GigaAM-v3 rnnt | 4 ГБ RAM, CPU | только ru и en |
| YouTube-субтитры | Whisper turbo | 6 ГБ VRAM | пунктуация требует отдельного шага |
| Звонки в реальном времени | Parakeet 0.6B v3 | 4 ГБ VRAM | 25 языков, остальных нет |
| Совещание на 8 спикеров | Nemotron Transcribe | 80 ГБ VRAM | открытый vLLM вдвое медленнее NIM |