Гайды

Whisper OpenAI как пользоваться: 4 способа запуска

21 сентября 2026 · 12 минут чтения

Проверка фактов

Юлия Найпак

Методист по автоматизации. Сверяет паспорт инструмента с документацией вендора.

Автор Р

Редакция

Коллектив авторов, редакторов и иллюстраторов статей на сайте блога онлайн-университета «Зерокодер». Пишем…

Черновик готовит редакция с помощью ИИ. За стандарт издания отвечает главный редактор — Валерий Курземнек.

Материал редакции Зерокодера. Счёт по выдаче снят собственным прогоном 21 сентября 2026 года; цитаты источников приведены дословно. Обновлено: сентябрь 2026.

Whisper OpenAI как пользоваться — вопрос про выбор из четырёх путей: браузерный сервис без установки, облачный API, локальный запуск через Python и сторонние сборки вроде whisper.cpp. Все они работают на одной модели распознавания речи, различаются способом доступа, ценой и контролем над данными. Ниже — пошаговые инструкции по каждому пути, форматы файлов, лимиты и разбор типичных ошибок.

Собственный прогон редакции по запросу: скачали топ-10 Яндекса по запросу «whisper openai как пользоваться»: текст отдали 8 из 10. Медиана объёма читаемого текста топа — 2589 слов. Метку 2026 года несут 7 из 8 прочитанных страниц.

Что такое Whisper от OpenAI и какие задачи он решает

Whisper — модель автоматического распознавания речи (ASR), разработанная OpenAI и выпущенная в открытый доступ в сентябре 2022 года. В обзоре на VoxBooster её описывают как модель типа sequence-to-sequence, опубликованную вместе с научной статьёй на arXiv и полностью открытым репозиторием GitHub. В блоге Диктовки уточняют: модель сразу поддерживала 99 языков, хотя качество для отдельных языков сильно варьировалось.

Обучение шло на 680 тысячах часов аудио в паре с проверенными человеком транскрипциями — данные собраны из открытого интернета и охватывают 99 языков. На Хабре приводят разбивку: 680 000 часов на 97 языках, из которых 117 000 часов не на английском.

Что модель умеет в рамках одной архитектуры, по данным OpenWhispr: транскрипцию на 99 языках, перевод на английский, определение языка и предсказание таймстемпов. Практические задачи — расшифровка созвонов и интервью, субтитры к видео, перевод голосовых в текст, разбор лекций и подкастов.

Лицензия MIT, код и веса опубликованы на GitHub в сентябре 2022 года. Это значит, что модель можно запускать локально, дообучать и встраивать в свои продукты без отчислений OpenAI.

Как пользоваться Whisper онлайн без установки — пошагово

Самый быстрый путь для тех, кто не хочет трогать командную строку. В обзоре на vc.ru перечислены три основных способа, и первый из них — браузерный запуск.

Порядок действий:

1. Откройте браузерный сервис на базе Whisper (например, демо в Google Colab или готовый веб-интерфейс).
2. Загрузите аудио- или видеофайл — интервью, лекцию, голосовое сообщение.
3. Выберите модель и язык, если интерфейс это позволяет.
4. Дождитесь текста и вычитайте результат: имена, термины и сложные места требуют проверки.

Минусы браузерного пути в vc.ru описывают прямо: медленно, а при каждом перезапуске придётся заново скачивать модель (до 3 ГБ). Бесплатные вычислительные ресурсы сервиса ограничены, а все данные через 12 часов удаляются — ограничения можно снять, оформив платную подписку. Платная версия при этом не поддерживает самую продвинутую модель распознавания large-v2.

Если браузерный сервис требует GPU, в Colab это переключается через меню: Среда выполнения → Сменить среду выполнения, затем выбрать GPU и нажать «Сохранить».

Как пользоваться Whisper через официальный сайт OpenAI

Отдельной страницы-приложения для загрузки аудио у Whisper нет. Модель живёт в двух местах: в репозитории на GitHub и в облачном API OpenAI. Через сайт OpenAI доступ к распознаванию речи открывается в консоли разработчика — там создаётся ключ и оттуда отправляются запросы к эндпоинту.

В обзоре LeanTech отмечают: для расшифровки «в прямом эфире» у OpenAI в 2026 появились отдельные потоковые модели — это уже не классический Whisper. Более новые модели OpenAI для распознавания речи точнее, но это платный облачный сервис.

Доступность сервиса из России источники не называют однозначно. В обзоре LeanTech указано, что оплата идёт только валютной картой, а в разделе про доступ из РФ упоминаются альтернативные нейросети для той же задачи. Планируя работу из РФ, проверяйте способы оплаты и доступность консоли отдельно — цитаты этого не подтверждают.

Как скачать и установить Whisper локально (GitHub, Python, ffmpeg)

Локальный запуск даёт полный контроль: файлы не покидают вашу машину, лимита 25 МБ нет, модель можно выбрать любую. Что понадобится: Python, pip и FFmpeg для работы с некоторыми аудиоформатами (например, m4a).

Порядок установки по разбору на Хабре:

1. Установите FFmpeg. В окружении на базе Debian/Ubuntu это делается командой sudo apt update && sudo apt install ffmpeg.
2. Установите сам Whisper. В командной строке введите команду и нажмите Enter; если pip не работает, попробуйте альтернативный синтаксис запуска.
3. Проверьте установку на коротком файле.
4. Запустите транскрибацию. Базовый вызов с выбором модели и языка в разборе VoxBooster записан так: whisper audio.mp3 --model small --language en.

Скачать модель можно и вручную — веса лежат в репозитории OpenAI Whisper на GitHub. Если работаете с моделями из хаба, пригодится материал Как скачать модель с Hugging Face и что это за хаб.

Требования к железу из таблицы на Хабре:

На Хабре все эксперименты проводили на large-модели с использованием 3090 ti. На CPU транскрибация large-v3 может занимать в 10–30 раз больше времени, чем на GPU, — это стоит учитывать при выборе железа.

Как пользоваться Whisper через OpenAI API — пример запроса

API — управляемый путь: не нужно ставить Python и качать веса, но файлы уходят на серверы OpenAI. В обзоре VoxBooster запуск через управляемый API OpenAI оценивают в $0,006 за минуту.

Схема запроса:

1. Получите ключ в консоли OpenAI.
2. Отправьте POST-запрос на эндпоинт транскрипции, передав файл и параметр model.
3. Укажите language, если язык известен, — это ускорит работу.
4. Для перевода добавьте task=translate.
5. Получите JSON с текстом и таймстемпами.

В примере из блога SpeakFlow путь к файлу указывается так: mp3 — путь к аудиофайлу на вашем компьютере. Там же перечислены поддерживаемые форматы: mp3, mp4, mpeg, mpga, m4a, wav, webm.

Ключевое ограничение — максимальный размер файла 25 МБ. Длинные записи режут на части или сжимают битрейт перед отправкой. Для работы с ключами сторонних провайдеров, включая бесплатные лимиты, смотрите Groq API key: как получить и лимиты бесплатного плана.

Какие форматы аудио и видео поддерживает Whisper и лимиты по размеру файла

Сводка ограничений по способам запуска:

Локально Whisper умеет работать с длинными аудио (30 минут и более). В API тот же часовой файл придётся резать из-за лимита 25 МБ. Для m4a и части других форматов локально понадобится FFmpeg — программа для работы с медиафайлами.

Как получить точную транскрипцию: выбор модели и языка

Модельный ряд от tiny до large-v3 — это компромисс между скоростью, памятью и точностью. В блоге Диктовки приводят ориентиры: large-v3 даёт максимальную точность для всех языков, но требует серьёзной видеокарты (NVIDIA с 10+ ГБ VRAM). large-v3-turbo называют лучшим выбором для продакшна — близкая к large-v3 точность при значительно большей скорости.

Практические правила:

• Указывайте язык вручную. Модель автоматически определяет язык речи в первые 30 секунд аудио, но явное указание надёжнее на коротких файлах.
• Для пакетной транскрипции подкастов или записей встреч medium или large-v3 дают заметно лучшие результаты на акцентированных говорящих и технических терминах.
• Если у вас есть мощная видеокарта NVIDIA и нужен бескомпромиссный результат — используйте large-v3 или large-v3-turbo.
• Для английского контента есть отдельные англоязычные модели: они пропускают шаг определения языка и многоязычный путь декодирования, обрезая примерно 10–20% от времени вывода.

По точности для русского языка в блоге Диктовки приводят оценку WER для open-source Whisper large-v3 на чистом аудио: 3–5%. Диаризация при этом отсутствует — нужен дополнительный инструмент. Английский бенчмарк около 3% WER в OpenWhispr называют оценкой на LibriSpeech test-clean.

Как сделать перевод на английский через Whisper (task=translate)

Whisper переводит распознанную речь на английский в рамках той же модели — отдельный сервис не нужен. В обзоре LeanTech это описывают так: Whisper понимает более 90 языков, включая русский, умеет переводить распознанную речь на английский и хорошо справляется даже с шумными записями.

Как включить перевод:

1. Локально: добавьте параметр --task translate к команде запуска.
2. Через API: передайте task=translate в теле запроса.
3. Язык источника можно указать явно или оставить автоопределение.
4. На выходе получите английский текст.

Направление перевода одно — на английский. Обратный перевод с английского на русский модель не делает: для этого нужен отдельный переводчик поверх транскрипции.

Сколько стоит Whisper через API и есть ли бесплатные варианты

Цена Whisper API — $0.006 за минуту аудио. Часовая запись обойдётся примерно в $0.36, что по текущему курсу около 30-35 рублей. В блоге Диктовки дают ту же арифметику: 1 час аудио = $0.36, 10 часов = $3.60.

Бесплатные варианты:

• Локальный запуск. Модель под лицензией MIT, веса открыты — платите только за электричество и своё железо.
• Браузерные демо. Бесплатные вычислительные ресурсы сервиса ограничены, данные через 12 часов удаляются.
• Оптимизированные сборки. faster-whisper — реализация на CTranslate2, до 4x быстрее оригинала при том же качестве, с меньшим потреблением памяти и поддержкой int8 квантизации.

В обзоре LeanTech отмечают, что у Whisper оплата идёт от $0,006 и только валютной картой. Для работы из России это ограничение. Альтернативы с оплатой российской картой описаны в материале BotHub: что это или как пользоваться ChatGPT и Midjourney из России.

Whisper openai com и официальный сайт: где найти доступ и документацию

Домен whisper openai com как отдельный сайт-приложение источники не описывают. Официальные точки входа:

• Репозиторий OpenAI Whisper на GitHub — код, веса, README и инструкции по установке.
• Консоль разработчика OpenAI — ключи и документация по API.
• Научная статья на arXiv — архитектура и детали обучения.

В обзоре VoxBooster перечисляют четыре способа запуска: Python CLI, управляемый API OpenAI, браузер на whisper и приложения с графическим интерфейсом для ПК. Документация по API лежит в консоли, README на GitHub покрывает локальный запуск.

OpenAI Whisper GitHub: как запустить код и какие есть альтернативы

Базовый сценарий на GitHub: клонировать репозиторий, установить зависимости, скачать веса, запустить транскрибацию. В блоге SpeakFlow установку разбивают на шаги: Python, сам Whisper, FFmpeg и запуск.

Альтернативные реализации из обзоров SpeakFlow и LeanTech:

• faster-whisper — по данным SpeakFlow, «работает в 4-10 раз быстрее» оригинальной версии.
• WhisperX — расширение с диаризацией и выравниванием.
• whisper.cpp — локальный инференс на C++, работает без Python.
• Whisper JAX — ускоренная версия для больших файлов.

Базовая модель со скоростью 6× реального времени транскрибирует одну минуту аудио примерно за 10 секунд — при условии видеокарты среднего уровня NVIDIA (RTX 3060 или эквивалент). На CPU разделите все скорости примерно на 6–10 в зависимости от процессора.

Если нужен инструмент для работы с расшифровками и заметками, посмотрите Open Notebook: что умеет новая альтернатива Notebook LM.

Типичные ошибки при использовании Whisper и как их исправить

Зацикливание. На Хабре описывают проблему зацикливания модели на повторах. Лечится сменой модели, разбивкой файла и параметром prompt с подсказкой контекста.

Отключение расстановки пунктуации. Там же разбирают проблему 2 — отключение расстановки пунктуации. Сверху понадобится добавить расстановку пунктуации и денормализацию для улучшения читаемости («где мои семнадцать лет» → «Где мои 17 лет?»).

Файл больше 25 МБ в API. Запрос вернёт ошибку. Решение — резать аудио на части или сжимать битрейт.

Нет FFmpeg. Часть форматов (например, m4a) не обработается. Установите FFmpeg перед первым запуском.

Медленная работа на CPU. Транскрибация large-v3 на процессоре может занимать в 10–30 раз больше времени, чем на GPU. Для регулярной работы берите модель поменьше или GPU.

Ошибки на плохом звуке. Проверяйте имена, термины и сложные места — на плохом звуке возможны ошибки. Это стандартный шаг вычитки после любой модели.

Не указан язык. Автоопределение работает по первым 30 секундам. На коротких файлах и смешанной речи явное указание языка надёжнее.

Частые вопросы

Whisper openai online — можно ли пользоваться без установки?
Да, браузерные сервисы на базе Whisper работают без установки. В обзоре на vc.ru описаны три основных способа, и браузерный запуск — один из них. Минусы: медленно, при каждом перезапуске модель скачивается заново (до 3 ГБ), бесплатные ресурсы ограничены, данные через 12 часов удаляются. Для регулярной работы локальный запуск или API удобнее.

Whisper от OpenAI скачать — где взять файлы?
Код и веса модели опубликованы на GitHub под лицензией MIT с сентября 2022 года. Локально Whisper ставится через pip, для части форматов нужен FFmpeg. Веса моделей от tiny до large скачиваются автоматически при первом запуске или вручную из репозитория. Отдельного установщика для Windows у OpenAI нет — работа идёт через Python.

Whisper API OpenAI — сколько стоит и что с лимитами?
Цена Whisper API — $0.006 за минуту аудио. Часовая запись обойдётся примерно в $0.36, 10 часов — в $3.60. Максимальный размер файла — 25 МБ, поэтому длинные записи режут на части. Оплата идёт валютной картой, что для пользователей из России создаёт отдельное ограничение.

Whisper официальный сайт — есть ли отдельное приложение?
Отдельного сайта-приложения у Whisper нет. Официальные точки входа — репозиторий на GitHub, консоль разработчика OpenAI для API и научная статья на arXiv. Домен whisper openai com как самостоятельный сервис источники не описывают. Через сайт OpenAI доступ к распознаванию речи открывается в консоли разработчика.

OpenAI Whisper GitHub — какие есть альтернативы для быстрой работы?
faster-whisper на CTranslate2 даёт до 4x быстрее оригинала при том же качестве, с меньшим потреблением памяти и поддержкой int8 квантизации. WhisperX добавляет диаризацию и выравнивание, whisper.cpp запускает модель на C++ без Python, Whisper JAX ускоряет работу с большими файлами. На RTX 4090 faster-whisper может транскрибировать аудио быстрее реального времени в 100+ раз.