Нейросети для расшифровки речи: точность на русском и цена

Выбор начинается с двух вопросов: на каком языке говорят и можно ли отдавать запись во внешний сервис. Если запись содержит данные клиентов и язык русский, подходят открытые моделимодель с открытыми весами Модель с открытыми весами (open-weights model) это нейросеть, файлы параметров которой можно скачать и запустить на своем оборудовании. Подробнее в словаре на своем сервере: Whisper или Parakeet. Если язык английский и данные можно передавать, облачные сервисы дают готовый интерфейс и разметку говорящих.

Места в списке взяты из Open ASRраспознавание речи Распознавание речи (automatic speech recognition, ASR) это перевод устной речи в текст программой: из звонка, голосового сообщения или записи встречи. Подробнее в словаре Leaderboard по английскому набору на дату проверки. Русского в этом рейтинге нет, поэтому для русского мы приводим тесты, которые разработчики опубликовали сами, и честно пишем, что общего сравнения нет.

WER (word error rate) это доля ошибок в словах. Считают замены, пропуски и лишние слова и делят на число слов в эталонной расшифровке. Если в эталоне 100 слов, а модель ошиблась в 5, WER равен 5%. Чем ниже WER, тем меньше текст придется править руками.

Вторая мера скорость, RTFx: во сколько раз модель расшифровывает быстрее реального времени. Для архива звонков важна скорость, для субтитров к важной встрече точность.

Open ASR Leaderboard сравнивает 86 систем распознавания речи от 26 организаций по WER и RTFx, по статье авторов рейтинга от 30 марта 2026 года. Многоязычная часть покрывает немецкий, французский, итальянский, испанский и португальский. Русского в ней нет.

WER зависит от набора записей: чистая начитка дает одну цифру, шумный звонок с перебиванием другую. Поэтому цифры с разных наборов данныхдатасет Датасет (dataset) это набор данных, собранный и оформленный для обучения или проверки модели: таблица, папка с картинками или корпус текстов, где каждый пример описан одинаково. Подробнее в словаре нельзя сравнивать между собой, а перед выбором модели ее проверяют на своих записях.

Otter.ai: 1 место в Open ASR Leaderboard на 16 октября 2026. Это облачный сервис записи встреч, на бесплатном тарифе 300 минут расшифровки в месяц и до 30 минут на одну встречу. Русского в тарифах нет.

ElevenLabs: 11 место в Open ASR Leaderboard на 16 октября 2026, место у модели Scribe v2. Компания известна озвучкой, а расшифровка у нее отдельный продукт. Официально Россию не поддерживает.

Whisper: 18 место в Open ASR Leaderboard на 16 октября 2026. Место заняла ускоренная версия whisper-large-v3-turbo от TheStageAI, исходная модель OpenAI открыта под MIT и обучена на 680 000 часах многоязычной разметки. Это частый выбор для расшифровки на своем сервере. Термин разобран в словаре: Whisper.

Parakeet и Canary от NVIDIA: 24 место в Open ASR Leaderboard на 16 октября 2026, место у модели Canary-Qwen из того же семейства. Модели Parakeet-tdt-0.6b-v3 и Canary-1b-v2 распознают 25 европейских языков, включая русский, лицензия CC-BY-4.0.

ChatGPT: 26 место в Open ASR Leaderboard на 16 октября 2026, место у модели gpt-transcribe. Gemini: нет в Open ASR Leaderboard на 16 октября 2026. Оба сервиса официально не поддерживают Россию, поэтому для компании в России они не основной путь.

Отдельно стоит Cohere Transcribe: 26 марта 2026 года Cohere выпустила открытую модель на 2 млрд параметров под Apache 2.0 с WER 5,42% в этом рейтинге. Русского среди ее 14 языков нет.

Общего открытого рейтинга распознавания русской речи с регулярным обновлением мы на дату проверки не нашли. Сравнивать приходится по тестам, которые публикуют сами разработчики, а у них разные наборы записей.

NVIDIA в карточке Parakeet-tdt-0.6b-v3 от 14 августа 2025 года дает WER на русском 5,51% на наборе FLEURS и 3,00% на CoVoST. ElevenLabs относит русский в Scribe v2 к группе с точностью «отлично», это WER не выше 5%. Whisper поддерживает русский по официальной документации.

Эти цифры нельзя ставить в один ряд: наборы записей разные, и офисный звонок по телефону звучит хуже любого из них. Рабочий способ выбрать модель: взять 20-30 своих записей, расшифровать их двумя-тремя моделями и посчитать ошибки на одном и том же тексте.

Российские сервисы распознавания речи в этот обзор не входят: здесь мировые и открытые модели. Как запускать открытые модели на своем сервере, описано в разделе «Суверенный ИИ».

Whisper и Parakeet скачиваются без ограничений по стране и работают без интернета. Запись не покидает компанию, а платите вы за сервер, а не за минуты.

Порядок запуска: выбрать модель по тесту на своих записях, поставить ее на сервер с видеокартой, подключить папку или систему, откуда приходят записи, и настроить выгрузку текста в CRM или базу знанийбаза знаний для ИИ База знаний для ИИ это отобранные и подготовленные документы компании, по которым ИИ-ассистент ищет ответы: регламенты, инструкции, каталог, ответы на частые вопросы. Подробнее в словаре.

Перед покупкой сервера ответьте на три вопроса: сколько часов записей в день нужно расшифровывать, нужен ли текст сразу во время разговора или достаточно ночной обработки архива, сколько человек обычно говорит в записи. От первых двух ответов зависит видеокарта, от третьего модель разметки говорящих. Стоимость своего сервера можно прикинуть в калькуляторе стоимости локального ИИ.

Дальше к расшифровке добавляют разметку говорящих и краткое содержание встречи. Готовые инструменты для конспектов и протоколов собраны на странице о нейросетях для конспектов.

Расшифровка звонков нужна отделу продаж и поддержке: найти, где менеджер не назвал цену, какие возражения звучат чаще, какой клиент собирается уйти. Записи приходят из телефонии, подключение описано на странице об интеграции с телефонией.

Звонок клиента содержит персональные данные. По 152-ФЗ сбор и хранение данных граждан России ведутся в базах на территории России, а до трансграничной передачи оператор с 1 марта 2023 года подает уведомление в Роскомнадзор. ChatGPT, Claude и Gemini официально не поддерживают Россию, поэтому расшифровку звонков ставят на свой сервер.

Следующий шаг после расшифровки: агент, который сам отвечает по телефону. Как он устроен, описано на странице о голосовом агенте.