Таймкоды в Whisper зависят от того, какую реализацию вы запускаете: у каждой свои параметры и свой формат вывода. В openai-whisper и faster-whisper пословные включает параметр word_timestamps, в whisper.cpp сегменты выводятся как [00:00:00.000 --> 00:00:11.000], а флаг -ml 1 даёт пословные метки. Для диктовки есть Поток (potok.now).
У Whisper нет одного способа получить таймкоды: он зависит от того, какую реализацию вы используете. Ниже варианты, которые есть в документации проектов.
| Задача | Знаков | Печать (200 зн/мин) | Голос (900 зн/мин) |
|---|---|---|---|
| ответ в чате | 300 | 2 мин | 0.5 мин |
| письмо | 1500 | 8 мин | 1.7 мин |
| пост или протокол | 4000 | 20 мин | 4.4 мин |
| статья | 10000 | 50 мин | 11.1 мин |
Какие таймкоды бывают: по сегментам и по словам
Таймкоды бывают двух уровней. Сегментные показывают, когда началась и закончилась фраза: whisper.cpp выводит их в виде [00:00:00.000 --> 00:00:11.000], а флаг -ml 16 ограничивает длину сегмента. Пословные дают метку для каждого слова: в whisper.cpp их получают флагом -ml 1, но раздел Word-level timestamp в README помечен как experimental.
В openai-whisper параметр word_timestamps есть в функции transcribe(), хотя в README о нём не рассказано: его видно в исходнике whisper/transcribe.py.
Как получить расшифровку Whisper с таймкодами по шагам
- В openai-whisper передайте
word_timestampsвtranscribe(). - В whisper.cpp запускайте распознавание и берите строки вида
[00:00:00.000 --> 00:00:11.000]; для сегментов покороче добавьте-ml 16, для пословных меток-ml 1. - В faster-whisper вызовите
model.transcribe("audio.mp3", word_timestamps=True). - В WhisperX пословные метки строятся выравниванием через wav2vec2; чтобы выделять слова в файле .srt, добавьте
--highlight_words True. - В API OpenAI укажите
timestamp_granularities[]вместе сresponse_format="verbose_json": параметр работает только для whisper-1.
Если нужен готовый файл с расшифровкой, а не скрипт, посмотрите, как получить расшифровку голосового в Word из бота. Другие готовые варианты собраны на странице про альтернативы WhispeRu.
Когда скрипты с таймкодами не нужны
Если вы хотите диктовать в любое приложение, таймкоды не понадобятся: Поток — облачный сервис, распознавание на серверах в России; без интернета не работает. Готовые записи приложение не расшифровывает, для них у Потока есть Telegram-бот potok_now_bot, где тайм-коды [мм:сс] можно включить. Одна подписка — приложение для диктовки и бот для записей и голосовых.
Частые вопросы
Передайте word_timestamps=True: model.transcribe(«audio.mp3», word_timestamps=True). Так показано в README faster-whisper. Для openai-whisper тот же параметр word_timestamps есть в transcribe(), но в README он не описан.
Да, но только для модели whisper-1: параметр timestamp_granularities[] указывают вместе с response_format=»verbose_json».
Whisper. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Whisper» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Whisper. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Whisper» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Whisper. Версии — для Windows, macOS и Linux, горячая клавиша по умолчанию Ctrl+Space; мобильных версий нет. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. Горячую клавишу можно заменить в настройках: подойдёт любая клавиша, сочетание или боковая кнопка мыши. «Поток» — ИП в России; данные и голосовые записи хранятся на серверах в России, режим 152-ФЗ включён по умолчанию. Для «Whisper» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Whisper. Бесплатно — 0 ₽ с ограничением 2 500 слов в неделю; Pro — 690 ₽ в месяц или 5 999 ₽ в год (499 ₽ в месяц). «Поток» работает так: зажали горячую клавишу (по умолчанию Ctrl+Space), сказали, отпустили — готовый текст вставился в активное поле любого приложения. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Whisper» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Попробовать на своей записи
Бот «Потока» в Telegram расшифрует голосовое, кружок, аудио или видео, а по кнопкам сделает выжимку и список задач. 60 минут в месяц бесплатно.
Открыть @potok_now_bot в Telegram
Встроенная диктовка и «Поток»
| Средство | Где работает | Русский язык | Где распознаётся речь |
|---|---|---|---|
| Поток | Windows, macOS, Linux | основной язык | облако, серверы в России, без интернета не работает |
| Голосовой ввод Windows (Win+H) | Windows 10 и 11 | только в Windows 11 | облако Microsoft, без интернета не работает |
| Диктовка macOS | macOS | есть | на устройстве или на серверах Apple |
Первоисточники: support.microsoft.com · support.apple.com
Расшифровать запись в Telegram
Голосовые, кружки, аудио и видео расшифровывает Telegram-бот «Потока» @potok_now_bot: перешлите ему голосовое из любого чата, пришлите файл или ссылку на YouTube, VK Видео, RuTube, Instagram или TikTok. Короткая запись приходит текстом в чат, длинная — файлом; тайм-коды и разметку по спикерам можно включить. По кнопкам — краткая выжимка, задачи и сроки, ответ на вопрос по записи и выгрузка в TXT, DOCX, PDF или SRT. Большие файлы, до 2 ГБ, удобнее загружать в мини-приложении бота — кнопка «Загрузить» у поля ввода. Бот распознаёт больше 100 языков (язык определяется сам), 60 минут в месяц — бесплатно.