6 мин чтения ·
Whisper: транскрибация аудио и видео на GPU
Как расшифровать аудио и видео в текст и субтитры с Whisper: large-v3, turbo и faster-whisper, какая видеокарта нужна и как посчитать стоимость часа записи.
Whisper — открытая модель OpenAI для распознавания речи: она превращает аудио и видео в текст и субтитры SRT и VTT на 99 языках, включая русский. На процессоре час записи расшифровывается долго, на видеокарте — за считаные минуты. На gpu.nz Whisper запускается готовым шаблоном: загрузили запись, получили текст, остановили сервер.
Модели Whisper и какая память нужна
| Модель | Видеопамять | Когда брать |
|---|---|---|
| turbo | 8 ГБ | Быстро и почти без потери качества, хороший выбор по умолчанию |
| medium | 8 ГБ | Экономный вариант для чистой речи |
| large-v3 | около 10 ГБ, карта от 12 ГБ | Самая точная модель, лучше справляется с шумом и акцентами |
Для large-v3 подойдёт, например, RTX 3060 12 ГБ; если очередь записей большая, быстрее закончит более мощная карта, такая как RTX 4090.
Whisper, faster-whisper и whisper.cpp: в чём разница
- Whisper от OpenAI — исходная реализация на PyTorch, самая простая в установке.
- faster-whisper — та же модель на движке CTranslate2: быстрее и экономнее по памяти, поэтому его часто выбирают для больших объёмов.
- whisper.cpp — версия на C++ без Python, удобна для запуска на процессоре и слабых машинах, но на видеокарте большие файлы обычно обрабатываются быстрее другими реализациями.
Как расшифровать запись на gpu.nz
- В каталоге выберите карту от 8 ГБ (для large-v3 от 12 ГБ) и нажмите «Арендовать» с шаблоном Whisper.
- На странице сервера нажмите кнопку Whisper: интерфейс откроется по защищённой ссылке. Кнопка API откроет документацию.
- Загрузите запись, выберите язык и модель. Для субтитров выберите формат SRT или VTT.
- Скачайте результат и остановите сервер. Большой архив записей загрузите через JupyterLab или командой scp, а целую папку обработайте через API.
Сколько стоит расшифровка часа записи
Платить нужно только за время работы сервера, поэтому стоимость = цена часа × время обработки в часах. По данным шаблона, час аудио на видеокарте обычно занимает несколько минут. Точное время зависит от модели, карты и числа записей, поэтому проверьте на одном файле и умножьте результат. Для большой очереди записей выгоднее загрузить всё сразу и остановить сервер, когда очередь закончилась. Живая цена часа показана в каталоге до запуска.
Советы по качеству
- Указывайте язык записи явно, если он известен: автоопределение иногда ошибается на коротких файлах.
- Для шумных записей берите large-v3.
- Длинные записи разбивайте на части, если нужно быстрее вернуть первые результаты.
- Субтитры SRT открываются в видеоредакторах и плеерах, VTT — в браузерном видео.
Дальше результат можно обработать языковой моделью: сделать конспект или краткое изложение на сервере с Ollama.
Вопросы и ответы
- Как расшифровать аудио или видео в текст с помощью Whisper?
- Запустите сервер с шаблоном Whisper, откройте веб-интерфейс, загрузите запись, выберите язык и модель и скачайте текст или субтитры SRT и VTT.
- Какая видеокарта нужна для Whisper?
- Для turbo и medium хватает 8 ГБ видеопамяти, для large-v3 нужна карта от 12 ГБ.
- Поддерживает ли Whisper русский язык?
- Да, Whisper распознаёт 99 языков, включая русский. Для точности укажите язык записи явно.
- Чем faster-whisper отличается от Whisper?
- Это та же модель на другом движке: быстрее и экономнее по памяти. Для больших объёмов записей её часто предпочитают.
- Сколько стоит расшифровка?
- Платите только за время работы сервера: цена часа, умноженная на время обработки. Живая цена видна в каталоге до запуска.