Сравнение

Whisper, Google Speech или SpeechKit: что выбрать для русского языка

16 минут чтения · 21 октября 2026

Whisper, Google Speech-to-Text и Яндекс SpeechKit решают одну задачу, но устроены принципиально по-разному. Первый - открытая модель, которую можно поставить на собственный сервер и не платить за минуты. Второй - глобальный облачный API с оплатой в долларах и огромной экосистемой. Третий - российское облако, где русский язык является первым классом, а данные остаются в стране. Спорят о них обычно на уровне «кто точнее», хотя на практике выбор решают четыре вещи: качество именно на вашем типе записи, стоимость часа аудио с учётом аддитивов, задержка и юрисдикция данных. Ниже - сравнение без маркетинга, с методикой замера и сценариями, где каждый вариант выигрывает.

Три разных продукта, а не три кнопки

Whisper - это не сервис, а семейство открытых моделей. OpenAI выложила веса, и дальше вы сами решаете, где и как их запускать: на своей видеокарте, на арендованном GPU или на процессоре. Вы не платите за минуты распознавания, данные не покидают вашу инфраструктуру, а модель можно дообучить или обернуть в собственный пайплайн. Плата за это - операционная ответственность: сервер, драйверы, очереди, обновления, мониторинг и человек, который разбирается в MLOps. Для команды без GPU-опыта это не один вечер работы, а отдельный проект.

Google Speech-to-Text - классический управляемый облачный API. Вы отправляете аудио, получаете текст, платите за минуты. В комплекте - потоковое распознавание, разметка спикеров, по-словные таймкоды с оценкой уверенности, адаптация к предметной области и глобальная инфраструктура с понятными гарантиями доступности. Обратная сторона - долларовый биллинг, необходимость разбираться с оплатой и налогами, а также вопрос, где физически обрабатываются и хранятся записи. Для продукта, который живёт вне России, это часто самый короткий путь. Для российского бизнеса с персональными данными - лишний юридический слой.

Яндекс SpeechKit - российское облако с русским языком в центре продукта. Он хорошо знает местную лексику, поддерживает потоковое и отложенное распознавание, а платить можно в рублях картой или через СБП. Данные обрабатываются в России, что снимает значительную часть вопросов по 152-ФЗ. Ограничения тоже понятны: экосистема уже, чем у Google, глубокая кастомизация модели ограничена, а на больших объёмах цена за минуту начинает заметно отличаться от собственного сервера.

Есть и четвёртый вариант, который в общих сравнениях упоминают реже всего: гибрид. Открытая модель работает на управляемых GPU провайдера, а клиент получает привычный API, рублёвый счёт и поддержку. Именно так устроена наша платформа: под капотом faster-whisper large-v3, для разметки спикеров - pyannote, для детекции речи - Silero VAD. Вы получаете качество и приватность self-hosted решения без необходимости держать собственный GPU-парк. Дальше в статье я буду сравнивать все четыре варианта, потому что на практике выбирают не бренд, а модель владения.

Сначала методика, потом бренд

Сравнивать вендоров по рекламным обещаниям бессмысленно. Соберите эталонный набор из 20-50 фрагментов собственных записей: телефонный звонок, запись встречи, чистый микрофон, шумный офис, два спикера, редкие имена и термины. Для каждого фрагмента подготовьте текст, который в нём реально звучит. Дальше прогоните один и тот же набор через всех кандидатов и посчитайте WER - долю ошибочных слов. Это единственная метрика, которая позволяет сравнивать варианты между собой на ваших данных.

Важно считать не только WER. Стоимость часа аудио с нужными вам аддонами, задержку на 95-м процентиле, поведение на пиковой нагрузке и объём ручной правки после распознавания. Последний пункт часто решает больше, чем сама точность: если модель ошибается в именах и суммах, редактору придётся переслушивать запись, даже когда общая цифра выглядит прилично. Стоимость часа работы редактора почти всегда выше стоимости часа распознавания, поэтому правка входит в экономику так же, как и минуты.

Отдельно проверьте домен. WER, измеренный на начитанном тексте, почти ничего не говорит о телефонном канале 8 кГц. Если ваш продукт - контроль качества звонков, тестируйте звонки, а не подкасты. Если субтитры - тестируйте видео с музыкой и перекрытием речи. Результаты на чужих бенчмарках полезны только как грубый ориентир: они показывают порядок величины, а не ваш результат. Разница между «модель хороша в среднем» и «модель хороша на моих записях» стоит недель переделок.

Посчитать WER можно двумя способами. На тарифах Pro и Business работает эндпоинт POST /v1/eval: он принимает аудио и эталонный текст, сам распознаёт запись и возвращает готовый разбор по словам. Если вы на Free или сравниваете несколько сервисов сразу, прогоните транскрипцию через API и посчитайте метрику локально - для этого хватит нескольких строк на Python.

import re
from difflib import SequenceMatcher

import requests

def normalize(text):
    return re.findall(r"\w+", text.lower().replace("ё", "е"))

def wer(reference, hypothesis):
    ref, hyp = normalize(reference), normalize(hypothesis)
    matcher = SequenceMatcher(a=ref, b=hyp, autojunk=False)
    errors = 0
    for tag, i1, i2, j1, j2 in matcher.get_opcodes():
        if tag != "equal":
            errors += max(i2 - i1, j2 - j1)
    return errors / max(len(ref), 1)

API = "https://ttsapi.ru/v1"
HEADERS = {"X-Api-Key": "rtt_…"}

with open("sample.wav", "rb") as f:
    r = requests.post(
        f"{API}/transcribe/sync",
        headers=HEADERS,
        files={"audio": ("sample.wav", f, "audio/wav")},
        data={"language": "ru"},
    )

reference = open("reference.txt", encoding="utf-8").read()
print(f"WER: {wer(reference, r.json()['transcript']):.3f}")

Whisper: почему open source всё ещё силён

Сильная сторона Whisper - универсальность. Модель large-v3 поддерживает около 99 языков, неплохо расставляет пунктуацию и устойчива к акцентам и фоновому шуму. Русский для неё не родной, но на чистой речи результат близок к коммерческим сервисам. faster-whisper ускоряет инференс в несколько раз за счёт CTranslate2 и позволяет запускать модель в int8 на GPU или даже на CPU, что делает её доступной для небольших проектов. Открытые веса означают, что вы не привязаны к тарифной сетке и можете менять модель под задачу.

Слабые места тоже известны. Whisper склонен галлюцинировать на тишине и музыке: вместо пустого фрагмента он может выдать фразу из обучающих субтитров. Диаризация в модель не встроена, её приходится добавлять отдельным пайплайном вроде pyannote. Потокового режима из коробки нет: для живого распознавания нужен VAD и нарезка на чанки с перекрытием. Длинные файлы также приходится резать самостоятельно, иначе модель теряет контекст или упирается в память. Каждый из этих пунктов решается, но каждый требует инженерного времени.

Экономика self-hosted выглядит привлекательно только при загрузке. large-v3 занимает около 5 ГБ видеопамяти, то есть нужен GPU, который не простаивает. Аренда карты уровня RTX 4090 или A10 стоит десятки тысяч рублей в месяц, плюс диск, трафик и время инженера. При ста часах аудио в месяц собственный сервер почти наверняка дороже облака. При тысяче часов и стабильном потоке картина меняется: фиксированная стоимость железа размазывается по объёму, и цена минуты падает в разы.

Whisper выбирают, когда важны контроль и приватность: медицинские записи, внутренние разговоры, данные, которые нельзя отдавать в облако, или задача с очень большим объёмом. Его же берут как основу продукта, если нужна кастомная логика вокруг распознавания: собственные словари, постобработка, интеграция с языковой моделью. Именно поэтому открытая модель остаётся фундаментом большинства managed-сервисов, включая наш.

Google Speech-to-Text: экосистема и её цена

Google Speech-to-Text силён там, где нужна предсказуемая инфраструктура и богатый набор функций. Потоковое распознавание, разметка спикеров, по-словные таймкоды с уверенностью, адаптация к домену через списки фраз, выбор региона обработки. Документация подробная, SDK есть почти для всех популярных языков, а отказоустойчивость обеспечивает сам провайдер. Если ваша команда уже живёт в Google Cloud, интеграция занимает часы, а не недели.

Ограничения начинаются за пределами технических возможностей. Биллинг в долларах означает карту, курс и налоги; для российских компаний это часто непреодолимый барьер. Потоковые сессии ограничены по длительности, поэтому бесконечный стрим всё равно придётся переподключать. Данные обрабатываются за пределами России, что требует отдельной юридической оценки при работе с персональными данными. Задержка из удалённого региона тоже даёт о себе знать, особенно в интерактивных сценариях.

Google выбирают, когда продукт работает на глобальном рынке, команда уже использует GCP и нужна мультиязычность без собственной инфраструктуры. Для российского колл-центра с записями клиентов это редко оптимальный вариант, даже если качество распознавания устраивает: вопрос упирается не в модель, а в договор и юрисдикцию.

Скрытые расходы тоже стоит посчитать заранее. Бесплатных минут немного, дальше цена растёт линейно; хранение результатов, сетевой трафик и конвертация валюты добавляют сверху. Считайте не прайс за минуту, а полный счёт за квартал с учётом всех сервисов, которые вы используете в том же облаке. Часто именно сопутствующие статьи бюджета, а не распознавание, определяют итоговую сумму.

Яндекс SpeechKit: русский как первый язык

SpeechKit - самый естественный выбор для российского продукта. Русский язык здесь основной, а не добавленный, поэтому местные имена, названия компаний и разговорная лексика распознаются предсказуемо. Есть синхронный и потоковый режимы, отложенная обработка для больших файлов и разметка спикеров. Оплата в рублях, данные в России, поддержка на русском - для многих команд это решающий аргумент, который перевешивает разницу в доли процента по WER.

Ограничения связаны с масштабом экосистемы и гибкостью. Кастомизировать модель глубже, чем через словари и настройки, сложно. Набор функций уже, чем у Google: часть возможностей приходится собирать самостоятельно. На больших объёмах рублёвая цена за минуту становится заметной, особенно если сравнивать с арендой собственного GPU. Для стартапа это не проблема, для сервиса с тысячами часов в месяц - уже статья расходов.

SpeechKit берут, когда нужен быстрый старт без инфраструктуры, соответствие требованиям к хранению данных и предсказуемый рублёвый бюджет. Это хороший выбор для колл-центров, сервисов расшифровки встреч и продуктов, где русский язык - основной сценарий, а команда не хочет заниматься GPU-хозяйством.

Считая бюджет, не забудьте про минимальный шаг тарификации, стоимость потокового режима и платные аддоны. Ориентир на октябрь 2026: около 0.65 рубля за минуту синхронного и потокового распознавания, 0.61 за отложенное и 0.15 за режим с отложенной выдачей. Тарифы меняются, поэтому сверяйтесь с официальным прайсом перед расчётом. И проверьте, как считается короткая реплика: блок тарификации может превратить десятисекундный запрос в полноценную минуту.

Сравнение по ключевым параметрам

Сведём ключевые параметры в одну таблицу. Она не заменяет замер на ваших данных, но помогает быстро отсеять варианты, которые не подходят по юрисдикции, бюджету или набору функций. Обратите внимание на строки про данные и порог входа: именно они чаще всего становятся решающими, хотя в обзорах им уделяют меньше всего места.

Стоимость владения: облако против своего сервера

Облако платит за минуты, и счёт растёт линейно вместе с объёмом. Это удобно на старте: нет капитальных затрат, нет простаивающего железа, нет необходимости держать дежурного инженера. Но при больших объёмах линейный рост становится главным ограничением бюджета. Чем успешнее продукт, тем сильнее распознавание тянет деньги из маржи.

Свой сервер устроен наоборот: большая фиксированная стоимость и почти нулевая переменная. GPU, диск, электричество и зарплата инженера не зависят от того, сколько минут вы распознали. Чем выше загрузка, тем дешевле минута - и тем хуже выглядит простой. Поэтому self-hosted имеет смысл либо при стабильном потоке, либо когда у вас уже есть GPU под другие задачи и распознавание занимает лишь часть его времени.

Грубая арифметика. Сто часов аудио в месяц - это 6 000 минут. По цене SpeechKit около 0.65 рубля за минуту получается примерно 3 900 рублей. У Google при курсе около 90 рублей за доллар и ставке 0.016 доллара за минуту выходит примерно 8 600 рублей. Аренда GPU и его обслуживание обойдутся в десятки тысяч рублей, поэтому на таком объёме self-hosted проигрывает. На тысяче часов в месяц картина переворачивается: облако будет стоить сотни тысяч, а собственный сервер останется примерно тем же.

Именно поэтому управляемый гибрид закрывает средний сегмент: вы платите за минуты по рублёвому тарифу, но не держите инфраструктуру и не платите за простой. У нас 150 аудио-минут в месяц входят в бесплатный тариф, Basic за 390 рублей даёт 1 800 минут и диаризацию, Pro за 1 490 - 9 000 минут, потоковое распознавание и длинные записи, Business за 7 990 - 30 000 минут и приоритетную очередь. Сверх лимита работает поминутная оплата с баланса: 0.40 рубля за минуту асинхронной расшифровки и 0.50 за синхронную. смотрите тарифы.

Что выбрать под задачу

Колл-центр в России. Критичны телефонный канал, диаризация, ключевые слова и хранение данных в стране. Оптимальны SpeechKit или гибрид на Whisper: keyterms подсказывают названия тарифов и продуктов, диаризация разделяет оператора и клиента, а длинные записи до четырёх часов закрывают смену целиком без ручной нарезки файлов.

Медиа и субтитры. Нужны по-словные таймкоды, ровные сегменты и экспорт в SRT или VTT. Здесь выигрывают решения на Whisper: они дают таймкоды по словам, а поверх можно включить перевод субтитров и пометки о быстрой или неразборчивой речи. Встроенные автокапшены видеохостингов такого файла не отдают, поэтому API остаётся единственным способом получить редактируемые субтитры.

Встречи и протоколы. Важны диаризация, длинные файлы и вебхуки, чтобы не опрашивать статус в цикле. Подойдут все четыре варианта, но гибрид дешевле на объёме, а SpeechKit проще с точки зрения закупки и документов. Если протоколы нужно отдавать в CRM или мессенджер, проверьте наличие вебхуков и готовых интеграций до покупки.

Приватность и on-prem. Если записи не могут покидать контур, остаётся только собственный Whisper. Тогда стоит заранее посчитать GPU, резервирование и обновления модели, иначе экономика окажется хуже облака. Отдельно продумайте, кто отвечает за качество после обновления весов: без владельца модели деградация замечается слишком поздно.

Прототип или MVP. Берите то, что быстрее подключить, и не тратьте недели на инфраструктуру. Бесплатный лимит у любого облака позволяет проверить гипотезу до первой оплаты, а решение о собственной инфраструктуре принимайте уже по реальным цифрам нагрузки, а не по прогнозу.

Чек-лист на один вечер

Соберите набор из 20-50 фрагментов, подготовьте эталоны и прогоните через кандидатов. Посчитайте WER, стоимость часа с аддонами, задержку p95 и долю фрагментов, которые пришлось править руками. Добавьте проверку лимитов: размер файла, длительность, частота запросов и наличие вебхуков. Если хотя бы один пункт не проходит, дальше сравнивать бессмысленно.

Отдельно проверьте то, что чаще всего ломает впечатление от демо: имена и фамилии, названия компаний, числа и суммы, аббревиатуры, акценты, шум, музыку и перекрытие речи. Если продукт международный, добавьте фрагменты со смешанной речью, где в одном предложении звучат русский и английский. Именно на таких записях видно, умеет ли модель сохранять термины, а не переводить их в похожие по звучанию слова.

И не забудьте про мониторинг. WER - не разовая проверка перед покупкой, а метрика, которую стоит держать на эталонном наборе и пересчитывать после обновлений модели или смены домена. Деградация замечается по цифре намного раньше, чем по жалобам пользователей. Хорошая практика - хранить эталоны в репозитории и гонять проверку в CI вместе с остальными тестами.

Итог

Абсолютного победителя нет. Whisper выигрывает по контролю, приватности и стоимости на больших объёмах. Google - по экосистеме и глобальному покрытию. SpeechKit - по русскому языку, рублёвому биллингу и юрисдикции. Управляемый гибрид на Whisper занимает середину: качество открытой модели без операционной нагрузки и закупки GPU.

Практический вывод простой: сформулируйте требования по четырём осям - данные, деньги, задержка, функции - и проверьте кандидатов на своём наборе. После этого выбор обычно становится очевидным, и он редко совпадает с тем, что советуют в общих сравнениях. Единственная плохая стратегия - выбирать по рекламной цифре точности и обнаружить проблему уже в продакшене.

Если хотите проверить гибрид на своих записях, начните с бесплатного тарифа: 150 аудио-минут, без карты. Этого достаточно, чтобы прогнать тестовый набор, посчитать WER и сравнить результат с теми сервисами, которые вы рассматриваете. Полный список параметров и ограничений - смотрите документацию.