Whisper AI против Google Speech-to-Text: тест точности

Распознавание речи разделилось на два чётких лагеря: запускать всё локально с моделью с открытыми весами или отправлять аудио в облачный API, который поддерживает кто-то другой. Два наиболее серьёзных варианта в 2026 году — OpenAI Whisper и Google Speech-to-Text, и выбор между ними не очевиден. Оба работают с десятками языков и дают качественные транскрипции — но идут на совершенно разные компромиссы по задержке, конфиденциальности, стоимости и устойчивости к акцентам и шуму. В этой статье подробно разбирается, где побеждает каждый, где проигрывает и какой инструмент подойдёт именно вам.

TL;DR

Whisper работает на 100% офлайн на вашем ПК — аудио не покидает машину, нет поминутного счёта.
Google Speech-to-Text передаёт промежуточные результаты почти в реальном времени; Whisper по своей природе обрабатывает звук фрагментами.
Whisper обучен на ~680 000 часах многоязычного аудио и лучше справляется с акцентами и шумом.
Google охватывает ~125 языков с моделями, оптимизированными для телефонии и медиа.
Стоимость: Whisper бесплатен при самостоятельном размещении; Google взимает плату после ежемесячного бесплатного лимита.
Для геймеров и стримеров, которым нужна локальная транскрипция без зависимости от облака, инструменты на базе Whisper выигрывают.

Что такое OpenAI Whisper?

OpenAI Whisper — это нейронная модель распознавания речи, выпущенная в сентябре 2022 года и несколько раз обновлённая с тех пор. Она обучена примерно на 680 000 часах размеченного аудио из интернета, охватывающего более 90 языков. Whisper — это модель с открытыми весами, то есть веса находятся в открытом доступе и любой может запустить её на собственном железе. Использовать API OpenAI не обязательно; вы можете скачать файлы модели и запускать инференс локально с CPU или GPU.

Whisper поставляется в нескольких размерах — tiny, base, small, medium, large и варианты turbo — позволяя вам выбирать между точностью и скоростью в зависимости от мощности вашей машины. На современном игровом ПК со среднего класса GPU модель medium или large-v3-turbo обрабатывает аудио в несколько раз быстрее реального времени, то есть запись на десять минут транскрибируется примерно за минуту-две.

Модель — трансформер encoder-decoder. Она принимает мел-спектрограммы на вход и выдаёт токены текста на выход, с опциональным определением языка и генерацией временных меток. Поскольку она обучалась на разнообразном реальном аудио — лекциях, подкастах, телефонных звонках, видео с YouTube — она справляется с несовершенными реальными условиями лучше, чем модели, обученные на тщательно отобранном студийном звуке.

Оригинальную исследовательскую статью Whisper и веса модели можно найти на странице Whisper от OpenAI.

Что такое Google Speech-to-Text?

Google Speech-to-Text (STT) — это облачный API, доступный коммерчески с 2017 года. Он основан на внутренних речевых исследованиях Google и опирается на нейронные архитектуры, которые существенно эволюционировали за прошедшие годы. В отличие от Whisper, вы не получаете веса модели — вы отправляете аудио на серверы Google через HTTPS-запрос и получаете текст обратно.

Google предлагает два основных режима: синхронное распознавание для коротких клипов (до ~60 секунд) и асинхронное или потоковое распознавание для более длинного контента. Потоковый режим — это то место, где преимущество Google по задержке наиболее очевидно: API может возвращать промежуточные результаты, пока человек ещё говорит, что делает его подходящим для приложений живых субтитров.

Google Speech-to-Text поддерживает около 125 языков и вариантов. Каждый языковой уровень использует модели, оптимизированные для конкретных сценариев использования — стандартные, расширенные (для медиа) и телефонные модели существуют для основных языков. Точность на чистом аудио в поддерживаемом языке и регионе стабильно высока. Официальную документацию можно найти на Google Cloud Speech-to-Text.

Точность: где каждый движок превосходит

Точность — это не одно число; она зависит от акцента, шума, словарного запаса и качества аудио. Стандартная метрика — Word Error Rate (WER), процент неправильно транскрибированных слов. Чем ниже WER, тем лучше, и результаты существенно варьируются в зависимости от условий.

Сильные стороны точности Whisper:

Whisper стабильно хорошо справляется с английским с акцентом и носителями других языков. Поскольку его обучающие данные взяты из разнообразного интернет-аудио, а не из тщательно записанной речи, он привык к дикторам, которые смешивают словарный запас из нескольких языков, говорят с региональными акцентами или на фоне шума. На зашумлённом аудио — с фоновой музыкой, работающим вентилятором, слегка перегруженным микрофоном — Whisper нередко держится там, где облачные API подводят, потому что он учился справляться с шумом в ходе обучения, а не как с исключением.

Для малоресурсных языков (с менее чем несколькими миллионами носителей) у Whisper зачастую единственная жизнеспособная открытая модель. Охват африканских, юго-восточноазиатских и региональных европейских языков значителен, хотя точность варьируется.

Сильные стороны точности Google Speech-to-Text:

Расширенные модели Google для английского, испанского, французского, японского и других основных языков высоко оптимизированы. Для чистого аудио с качественного микрофона на одном из этих поддерживаемых языков Word Error Rate Google конкурирует с большой моделью Whisper или превосходит её. Google имеет преимущество в виде проприетарных обучающих данных непубличного масштаба и многолетней производственной настройки на миллиардах реальных аудио-образцов.

Google также лучше справляется с доменной лексикой при использовании функций настраиваемой адаптации (speech adaptation, пользовательские классы). Если вы транскрибируете медицинскую диктовку или юридические показания со специализированной терминологией, API адаптации Google поможет модели предпочитать нужные слова.

Таблица сравнения

Функция	OpenAI Whisper	Google Speech-to-Text
Офлайн / локально	Да — работает на вашем ПК	Нет — только облачный API
Задержка потоковой передачи	Выше (пофрагментная обработка)	Низкая (потоковый режим)
Поддержка языков	Более 90 языков	~125 языков
Устойчивость к акцентам	Высокая (обучен на разнообразном аудио)	Варьируется по языковому уровню
Устойчивость к шуму	Высокая	Хорошая при чистом звуке, хуже при шуме
Стоимость	Бесплатно при самостоятельном размещении	Оплата за минуту после бесплатного лимита
Конфиденциальность	Опция 100% локальная	Аудио отправляется на серверы Google
Доступ к модели	Открытые веса	Проприетарный, только API
Пользовательский словарь	Ограниченный	Да (адаптация речи)
Промежуточные результаты в реальном времени	Требует оптимизации	Нативная поддержка потоковой передачи
Лучший размер модели	Large-v3-turbo для GPU	Расширенная модель для основных языков
Сложность настройки	Умеренная (локальная установка)	Низкая (ключ API + REST-запрос)

Языковое покрытие и многоязычное аудио

Обучающие данные Whisper изначально многоязычны. Модель может автоматически определять язык и переключаться на соответствующий режим транскрипции. Для аудио, где диктор часто переключается между языками — так называемый code-switching, распространённый во многих регионах — Whisper справляется с этим естественнее, чем системы, привязанные к одному языку на сессию.

Google Speech-to-Text требует, чтобы вы заранее указали основной язык аудио. Он поддерживает подсказки альтернативных языков, но, как правило, лучшие результаты достигаются, когда язык известен. Для совещаний, где участники говорят на разных родных языках, или записей, в которых смешиваются русский с английским, Whisper склонен выигрывать по точности транскрипции.

При этом Google имеет выделенные высококачественные модели для определённых сценариев: телефонное аудио (8 кГц, качество записи телефонного звонка) — это специализация, которую Whisper не оптимизирует из коробки. Если вы транскрибируете записи колл-центра, стоит протестировать телефонную модель Google.

Офлайн против облака: вопрос конфиденциальности

Это, пожалуй, наиболее важное различие для многих пользователей, и его легко недооценить.

Когда вы отправляете аудио в Google Speech-to-Text, оно уходит на серверы Google. Политика конфиденциальности Google регулирует то, что с ним происходит. Для повседневного использования это может быть совершенно приемлемо. Для разговоров с личной информацией, конфиденциальных деловых обсуждений, медицинских консультаций или всего, что вы не хотели бы, чтобы третья сторона могла хранить — облачная обработка несёт в себе неотъемлемый риск.

Whisper, работающий локально, означает, что аудио никогда не покидает ваше железо. Ваши транскрипции конфиденциальны по дизайну, а не по политике. Нет данных об использовании, нет счётчика выставления счетов, нет сервисного аккаунта, нет ключа API для управления. Файлы модели лежат на вашем диске и выполняют всю работу полностью на устройстве.

Именно поэтому такие инструменты, как VoxBooster, запускающий Whisper локально через захват аудио WASAPI, привлекательны для стримеров, подкастеров и всех, кто записывает разговоры, которые предпочтительно держать вне сторонних серверов. Функция транскрипции в VoxBooster обрабатывает всё на вашем собственном ПК с Windows.

Для компаний, работающих в рамках регуляторных требований (HIPAA, GDPR, юридическая привилегия), модель локальной обработки нередко не является выбором — это требование соответствия.

Задержка и производительность в реальном времени

Архитектура Whisper не была разработана для потоковой передачи в базовой форме. Модель обрабатывает фрагменты аудио фиксированной длины (обычно 30 секунд), что означает необходимость буферизации аудио перед транскрипцией. Вы можете получать промежуточные результаты быстрее, используя более короткие окна, но это может снизить точность на границах слов.

Несколько проектов с открытым исходным кодом и обёртки для сред выполнения добавили фрагментацию, обнаружение речевой активности и подходы на основе скользящего окна, чтобы снизить практическую задержку Whisper до нескольких секунд. С аппаратным ускорением и эффективной средой выполнения транскрипция почти в реальном времени достижима, хотя «почти мгновенно» по-прежнему остаётся территорией Google.

Потоковый API Google Speech-to-Text отправляет аудио небольшими фрагментами по мере вашей речи и возвращает предварительные результаты почти сразу. Для живых субтитров на сцене, субтитров в реальном времени в видеотрансляции или голосового ассистента, которому нужно ответить в течение полусекунды, потоковый режим Google — это реальное конкурентное преимущество.

Для большинства создателей контента различие менее критично: если вы транскрибируете записанный стрим, эпизод подкаста или встречу, которую будете просматривать после, пропускная способность Whisper (он может обрабатывать аудио быстрее реального времени с готовым файлом) делает его чрезвычайно практичным.

Анализ стоимости

Открытая природа весов Whisper означает, что сам программный обеспечение бесплатен. Вы платите железом — электричеством и амортизацией GPU — вместо поминутной оплаты. Для тех, кто использует локальную машину, которая уже работает для других целей, предельные издержки транскрипции с Whisper близки к нулю.

OpenAI предлагает Whisper в виде размещённого API (api.openai.com/v1/audio/transcriptions), который взимает плату за минуту аудио. Это удобный вариант; он не меняет факта, что вы можете запускать Whisper без него.

Цены Google Speech-to-Text (по состоянию на 2026 год) взимают плату за каждые 15 секунд аудио после бесплатного ежемесячного лимита примерно в 60 минут. Для эпизодического использования этот бесплатный уровень щедрый. Для стримера, производящего 40 часов контента в месяц, расходы накапливаются — сотни минут аудио в день — это реальный бюджетный вопрос. Скидки на объём применяются при большом масштабе, но и общий счёт тоже растёт.

Для команд, оценивающих корпоративные решения, у Google Speech-to-Text есть вариант на собственной инфраструктуре для некоторых регионов, но это не то же самое, что самостоятельное размещение весов модели.

Шумоподавление и качество аудио

Реальные записи редко бывают студийного качества. Игровой звук, клики клавиатуры, шум вентилятора, эффекты близости микрофона, фоновая музыка — всё это ухудшает точность.

Whisper относительно хорошо справляется с акустическим шумом, потому что значительная часть его обучающих данных — это интернет-аудио с реальным качеством записи. Он видел и научился игнорировать широкий спектр помех. Это не значит, что он неуязвим — чрезвычайно зашумлённое аудио всё равно снизит точность — но его порог шума выше, чем у многих аналогичных систем.

Объединение шумоподавителя с любым из движков резко улучшает результаты. VoxBooster включает шумоподавление, которое очищает аудиосигнал до того, как он попадает в движок транскрипции Whisper. Эта комбинация даёт более чистые транскрипции, чем Whisper в одиночку при зашумлённом вводе с микрофона.

Google Speech-to-Text также выигрывает от шумоподавления на стадии предобработки. Комбинация чистого аудио и расширенной модели Google сильна для поддерживаемых языков.

Интеграция и опыт разработчика

Обе опции имеют добротные экосистемы разработчиков, но опыт работы с ними совершенно разный.

Whisper требует установки Python (или использования скомпилированного бинарника) и загрузки весов модели. Интеграция в приложения выполняется путём вызова модели напрямую в процессе или через локальный сокет. Библиотека Python whisper хорошо задокументирована. Сообщественные среды выполнения, такие как faster-whisper (CTranslate2) и whisper.cpp (чистый C++), делают её доступной для разработчиков за пределами экосистемы Python.

Google Speech-to-Text требует аккаунта Google Cloud, проекта, ключа API и настройки выставления счетов. SDK охватывают Node.js, Python, Java, Go и другие. REST API прост. Потоковая передача требует gRPC-подключения. Накладные расходы на настройку составляют около 20-30 минут для разработчика, знакомого с Google Cloud; дольше для тех, кто только начинает.

Для встроенных или десктопных приложений, где важны конфиденциальность и офлайн-надёжность, Whisper — более естественный выбор. Для серверных приложений, уже работающих в GCP, или проектов, которым нужно качество языковой модели Google в конкретных доменах, Google Speech-to-Text интегрируется чисто.

Когда выбирать Whisper

Конфиденциальность не подлежит обсуждению. Локальная обработка, никакой телеметрии аудио.
Вы хотите нулевых постоянных затрат. Запускайте на существующем железе, не платите ничего за минуту.
Ваше аудио акцентировано или зашумлено. Разнообразие обучения Whisper помогает здесь.
Вам нужна поддержка малоресурсных языков. Более 90 языков Whisper включают многие, которые Google не приоритизирует.
Вы работаете с десктопным приложением. Интеграция без зависимости от облака проще.
Вы используете инструмент вроде VoxBooster, в котором среда выполнения Whisper уже встроена локально.

Когда выбирать Google Speech-to-Text

Задержка потоковой передачи важнее всего. Промежуточные результаты за менее чем секунду трудно повторить локально.
Вам нужна адаптация доменной лексики. API адаптации речи Google помогает со специализированной терминологией.
Ваш сценарий — телефонное аудио. Телефонная модель Google хорошо обрабатывает 8 кГц.
Вы создаёте серверный сервис, уже работающий в Google Cloud с управляемой инфраструктурой.
Чистое аудио на основном поддерживаемом языке. Расширенные модели Google высоко оптимизированы здесь.
Вам нужны корпоративные SLA с гарантированным временем работы и контрактами поддержки.

Конфиденциальность в деталях: что происходит с вашим аудио

Когда ваше аудио уходит в облачный API, вы работаете по условиям обработки данных этого провайдера. Для Google Speech-to-Text аудио обрабатывается внутри инфраструктуры Google. Документация Google утверждает, что данные клиентов не используются для обучения моделей общего назначения без явного согласия, но для понимания полной политики обработки данных необходимо внимательно читать Дополнение об обработке данных в облаке.

Whisper, работающий локально, означает, что ваше аудио никогда не пересекает сетевую границу. Для стримеров, записывающих ролевые игры в персонажах, терапевтов, делающих заметки о сессии, журналистов, берущих интервью у чувствительных источников, или любого человека с опасениями о конфиденциальности — локальная транскрипция это не паранойя, а разумное управление рисками.

Статья Википедии о распознавании речи даёт полезный контекст о более широком ландшафте обработки аудиоданных в STT-системах.

Часто задаваемые вопросы

OpenAI Whisper точнее Google Speech-to-Text?

Зависит от аудио. Whisper, как правило, превосходит Google в речи с акцентом, смешанных языках и зашумлённых записях. Google Speech-to-Text лучше справляется с потоковой передачей в режиме реального времени при чистом звуке. Ни один не является универсально лучшим — всё определяется вашими условиями записи и задачами.

Может ли OpenAI Whisper работать офлайн без интернета?

Да. Whisper — это модель с открытыми весами, которую можно запустить полностью на локальной машине. Аудио не покидает ваш компьютер. Google Speech-to-Text — это облачный API, для которого всегда требуется активное подключение к интернету.

Сколько стоит Google Speech-to-Text по сравнению с Whisper?

Google взимает плату за минуту аудио после бесплатного ежемесячного лимита (около 60 минут). Whisper бесплатен при локальном запуске; стоимость зависит только от вашего железа. Размещённый API OpenAI взимает плату за минуту, но он необязателен, поскольку вы можете запустить модель самостоятельно.

Что лучше для множества языков и акцентов?

Whisper обучен примерно на 680 000 часах многоязычного аудио и поддерживает более 90 языков, в том числе многие малоресурсные. Google Speech-to-Text охватывает около 125 языков, но может испытывать трудности с сильными акцентами для менее приоритетных языков.

В чём разница по задержке между Whisper и Google Speech-to-Text?

Google Speech-to-Text предлагает потоковый режим с промежуточными результатами практически в реальном времени, что сложно повторить с обычным Whisper. Whisper обрабатывает аудио фрагментами и имеет более высокую внутреннюю задержку, хотя оптимизированные среды выполнения могут существенно сократить разрыв.

VoxBooster использует Whisper или Google для транскрипции?

VoxBooster запускает Whisper локально на вашем ПК с Windows с использованием захвата аудио WASAPI. Ваша речь никогда не покидает вашу машину, поэтому нет ни поминутной оплаты, ни опасений по поводу конфиденциальности при передаче аудио стороннему облачному сервису.

Что лучше использовать для записи игровых сессий или стримов?

Для локальной приватности и без постоянных затрат Whisper (через инструмент вроде VoxBooster) обычно является лучшим выбором для стриминга и гейминга. Если вам нужны живые субтитры с задержкой менее секунды для удалённого сервиса, потоковый режим Google Speech-to-Text имеет преимущество.

Заключение

Whisper и Google Speech-to-Text — серьёзные инструменты, и выбор сводится к тому, что вы реально цените. Google выигрывает по задержке потоковой передачи и точности для основных языков на чистом аудио. Whisper выигрывает по офлайн-использованию, конфиденциальности, работе без затрат и устойчивости на разнообразном или зашумлённом аудио.

Для большинства создателей контента, стримеров и десктопных пользователей локальная транскрипция на базе Whisper — более практичный и конфиденциальный выбор. Вы не зависите от облачного сервиса, не платите за минуту, а ваши записи остаются на вашей собственной машине.

Если вы хотите Whisper в Windows-приложении без хлопот с настройкой — вместе с изменением голоса в реальном времени, шумоподавлением, саундбордом и AI-клонированием голоса — VoxBooster запускает всё это локально через WASAPI, и ваше аудио никогда не покидает ваш ПК. Бесплатный пробный период 3 дня охватывает полный набор функций, без необходимости кредитной карты.

Скачать VoxBooster — попробуйте локальную транскрипцию с Whisper бесплатно 3 дня.