WhisperX ставится командой `pip install whisperx`; для видеокарты сначала нужен CUDA toolkit 12.8. Запуск: `whisperx path/to/audio.wav`, на процессоре — с флагами `--compute_type int8 --device cpu`. Для выравнивания по словам на другом языке нужна языко-специфичная модель wav2vec2. Готовая диктовка — Поток (potok.now).
WhisperX — надстройка над Whisper из репозитория m-bain/whisperX: она работает на бэкенде faster-whisper и выравнивает текст по словам. Все команды ниже взяты из README.
WhisperX: установка и выравнивание по словам
Установка одной командой: pip install whisperx. Для видеокарты сначала нужен CUDA toolkit 12.8, а ещё может понадобиться ffmpeg и rust. Запуск: whisperx path/to/audio.wav. На процессоре добавьте --compute_type int8 --device cpu. С разделением по спикерам команда выглядит так: whisperx path/to/audio.wav --model large-v2 --diarize --highlight_words True. Другие готовые инструменты собраны в подборке аналогов.
Язык задают флагом: whisperx --model large-v2 --language de path/to/audio.wav. Для выравнивания нужна языко-специфичная модель wav2vec2: по умолчанию подключены модели torchaudio для en, fr, de, es, it, остальные языки берутся с Hugging Face по списку DEFAULT_ALIGN_MODELS_HF в файле alignment.py. Скорость, заявленная в README: 70x реального времени на large-v2 с пакетной обработкой и меньше 8 GB видеопамяти при beam_size=5.
Как не ошибиться с ограничениями
- Слова с цифрами и символами остаются без таймкода.
- Перекрытая речь распознаётся плохо.
- Для видеокарты CUDA toolkit 12.8 ставят до установки WhisperX.
- Для запуска на процессоре в README указаны флаги
--compute_type int8 --device cpu. - Если установка не проходит, проверьте ffmpeg и rust: в README они названы возможными зависимостями.
- Заявленные 70x реального времени относятся к модели large-v2 с пакетной обработкой, это не гарантия для вашего компьютера.
- Язык выравнивания задают флагом
--language, и модель выравнивания берётся под этот язык.
| Сервис | Платформы | Бесплатно | Цена | Оплата из РФ | Где распознаётся речь |
|---|---|---|---|---|---|
| Поток | Windows, macOS, Linux | Free: 2500 слов в неделю; первые 14 дней — полный доступ без карты | Pro 690 ₽/мес, 499 ₽/мес при оплате за год | российские карты, рубли | облако, серверы в России; нужен интернет |
| WhispeRu | Windows | 7 дней бесплатный пробный период (без карты) | 290 ₽/мес (месячная лицензия); 1990 ₽/год (годовая лицензия); 4990 ₽/разово (лицензия навсегда) | рубли напрямую (оплата через YooKassa) | устройство (офлайн) |
Когда установка не оправдана
WhisperX запускают командой и получают файл, а не диктовку в окно любой программы. Если нужен второй вариант, посмотрите готовые приложения для диктовки. Поток — облачный сервис, распознавание на серверах в России; без интернета не работает. Приложений для телефона у Потока нет. Одна подписка — приложение для диктовки и Telegram-бот potok_now_bot для записей и голосовых.
Частые вопросы
Командой `whisperx path/to/audio.wav --compute_type int8 --device cpu`. Установка та же: `pip install whisperx`.
По README, слова с цифрами и символами остаются без таймкода. Плохо справляется он и с перекрытой речью.
WhisperX. «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 «WhisperX» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
WhisperX. «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 «WhisperX» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
WhisperX. 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 «WhisperX» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
WhisperX. 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 «WhisperX» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Как начать
«Поток» есть для Windows, macOS и Linux. Две недели всё открыто бесплатно, дальше — 2500 слов в неделю без оплаты. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»В подписку «Потока» входит и Telegram-бот @potok_now_bot: перешлите ему голосовое или длинную запись встречи — он вернёт текст. Без подписки в боте 60 минут в месяц бесплатно.
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