AI SoftКаталог ШІ
українською

← Усі відкриті проєкти · Голос і озвучення

Whisper

Whisper — відкрита модель розпізнавання мовлення від OpenAI

Відкрита модель розпізнавання мовлення: розшифровує аудіо в текст, визначає мову й може перекладати мовлення англійською. Запускається командою в терміналі або з Python на вашому комп'ютері.

Відкрити на GitHubСайт проєкту

Чи варто це вам

Підійде, якщо

  • потрібно розшифрувати багато записів — лекцій, інтерв'ю, подкастів — без оплати за хвилини;
  • записи конфіденційні, і віддавати їх у хмару не можна;
  • розробляєте застосунок, якому потрібне розпізнавання мовлення в коді.

Краще не братися, якщо

  • потрібен простий сервіс «завантажив файл — отримав текст» у браузері: див. [TurboScribe](/najkrashhi-shi-dlya-notatok-zustrichej/turboscribe/) чи [Happy Scribe](/najkrashhi-shi-dlya-notatok-zustrichej/happy-scribe/);
  • не вдається встановити Python і ffmpeg;
  • потрібні нотатки зустрічей із підсумками та задачами — для цього є [tl;dv](/najkrashhi-shi-dlya-notatok-zustrichej/tldv/).

Плюси й мінуси

Плюси

  • Код і ваги моделі випущено за ліцензією MIT, тож безкоштовно й для комерційного використання.
  • Обробка локальна: запис не залишає вашого комп'ютера, плати за хвилини немає.
  • Шість розмірів моделей, від tiny (~1 ГБ відеопам'яті) до large (~10 ГБ), і turbo — прискорена версія large-v3.
  • Один інструмент розпізнає мову, розшифровує мовлення різними мовами й перекладає його англійською.

Мінуси й обмеження

  • Це не застосунок із кнопкою: потрібні Python, ffmpeg і робота з терміналом.
  • Модель turbo не навчена перекладати: для перекладу на англійську README радить medium або large.
  • Швидкість залежить від заліза: на процесорі великі моделі працюють значно повільніше, ніж на відеокарті.
  • Немає ні міток спікерів, ні редактора тексту: це лише розшифровка.

Що це

Whisper — відкрита модель розпізнавання мовлення, яку випустила OpenAI. Її навчили на великому наборі різного аудіо, тому вона вміє кілька речей одразу: розшифровувати мовлення різними мовами, перекладати його англійською й визначати, якою мовою говорять. Запускається вона локально: командою whisper у терміналі або з Python.

Що вміє

  • Розшифровка файлів. whisper audio.flac audio.mp3 audio.wav --model turbo обробляє кілька файлів за один запуск.
  • Вибір мови. Прапорець --language задає мову запису; без нього модель визначає її сама.
  • Переклад на англійську. --task translate перекладає мовлення англійською, але для цього потрібні моделі medium або large: turbo повертає оригінальну мову.
  • Розміри моделей. Від tiny (39 млн параметрів, ~1 ГБ відеопам’яті) до large (1550 млн, ~10 ГБ); turbo займає ~6 ГБ і працює приблизно у вісім разів швидше за large.
  • Бібліотека Python. whisper.load_model("turbo") і model.transcribe("audio.mp3") повертають текст, який можна обробляти далі.

Як почати

  1. Встановіть ffmpeg через менеджер пакетів вашої системи (наприклад, brew install ffmpeg на macOS).
  2. Виконайте pip install -U openai-whisper.
  3. Запустіть whisper запис.mp3 --model turbo --language Ukrainian.
  4. Поруч із файлом з’являться результати розшифровки.

Для швидкого старту підійде turbo; на слабкому комп’ютері візьміть малі моделі (base, small), а для перекладу — medium.

Що врахувати

  • Це інструмент для терміналу. Готового вікна з кнопкою немає; якщо потрібне саме воно, гляньте добірку сервісів для транскрибації.
  • Якість залежить від мови й запису. README показує різну точність за мовами: для української перевіряйте на власних файлах, особливо при шумі чи кількох голосах.
  • Швидкість. Без відеокарти великі моделі повільні: для довгих записів обирайте менші або turbo.
  • Дані про зірки й дату оновлення подано станом на 12 листопада 2026 за GitHub; ліцензія — MIT, остання позначена версія — v20250625.

Кому підійде

Whisper — для тих, хто має багато записів, не хоче платити за хвилини й не готовий віддавати звук у хмару: журналістів і дослідників, авторів подкастів, розробників. Якщо вам достатньо один раз розшифрувати файл, швидше скористатися онлайн-сервісом.

Вимоги й обмеження

  • Python (за README — сумісно з 3.8–3.11) і пакет openai-whisper.
  • Інструмент командного рядка ffmpeg.
  • За потреби — Rust, якщо для вашої платформи немає готового колеса tiktoken.
  • Відеокарта не обов’язкова, але прискорює роботу; вимоги за відеопам’яттю — від ~1 ГБ (tiny) до ~10 ГБ (large).
  • Ліцензія MIT, ваги моделей — теж.

Альтернативи

Потрібна розшифровка без встановлення — Happy Scribe з офіційною підтримкою української, TurboScribe із безкоштовним лімітом на щодня або Notta. Для нотаток зустрічей — tl;dv. Інші відкриті проєкти для голосу й озвучення — на сторінці open-source.

Часті запитання

Чи безкоштовний Whisper?

Так. Код і ваги моделі випущено за ліцензією MIT, а запускається вона на вашому комп'ютері, тож плати за хвилини розшифровки немає.

Чи розуміє Whisper українську?

Українська є у списку мов токенізатора (код uk), тож у команді можна вказати --language Ukrainian. Точність залежить від запису, шуму й розміру моделі: спершу перевірте на короткому фрагменті.

Як встановити Whisper?

Встановіть ffmpeg і виконайте pip install -U openai-whisper. За README кодова база сумісна з Python 3.8–3.11. Якщо pip скаржиться на tiktoken, може знадобитися встановити Rust.

Як розшифрувати аудіо?

Командою whisper audio.mp3 --model turbo. Для певної мови додайте --language: наприклад, whisper audio.mp3 --language Ukrainian.

Яка модель краща: turbo чи large?

turbo — оптимізована версія large-v3, яка працює швидше за незначної втрати точності, але не призначена для перекладу. Для перекладу на англійську README радить medium або large.

Ще в розділі «Голос і озвучення»