Транскрибация речи бесплатно и без облака: ставим Whisper на свой ПК за 30 минут

Ниже пошаговая инструкция, как поставить на свой компьютер с Windows нейросеть Whisper от OpenAI (создатели ChatGPT) и получить транскрибацию речи в текст, не отправляя файлы ни на какой сервер.

Whisper распознаёт русский язык и десятки других. Разработала его компания OpenAI. Модель бесплатна, скачивается один раз и дальше работает без интернета. Транскрибация речи через Whisper подходит для трёх главных задач: превратить запись лекции или подкаста в текст, создать субтитры к ролику, получить протокол встречи, который потом можно скормить любому чат-боту для анализа и краткого пересказа.

Единственное условие: придётся один раз настроить окружение. Звучит страшнее, чем есть, сейчас разберём по шагам.

Что понадобится?

• Компьютер с Windows 10 или 11
• Свободное место на диске: от 1 до 6 ГБ в зависимости от выбранной модели
• Подключение к интернету на этапе установки (после установки не нужно)
• Аудио- или видеофайл, который нужно расшифровать
• 20–30 минут времени на первую настройку

Пошаговая инструкция

1. Установите Python

Whisper написан на Python, поэтому без него не запустится. Подойдут версии от 3.8 до 3.11.

Скачайте установщик с официального сайта:

https://www.python.org/downloads/windows/

При установке обязательно поставьте галочку «Add python.exe to PATH». Без этого система не увидит Python из командной строки, и все дальнейшие команды будут выдавать ошибку.

2. Установите FFmpeg

FFmpeg — это бесплатная утилита для работы с аудио и видео. Whisper использует её, чтобы открывать файлы в любых форматах.

Скачайте архив:

https://www.gyan.dev/ffmpeg/builds/ffmpeg-release-essentials.zip

У FFmpeg нет привычного установщика, поэтому действия ручные:

• Распакуйте архив
• Переименуйте папку в «FFmpeg» и перенесите её в корень диска C (путь до подпапки bin должен выглядеть так: C:\FFmpeg\bin)
• Откройте в Windows поиск, наберите «Изменение переменных среды» и откройте найденное окно
• Найдите переменную Path, откройте её двойным щелчком и добавьте новую строку: C:\FFmpeg\bin
• Сохраните

Проверьте результат: откройте командную строку и введите:

ffmpeg

Если появилось описание версии, всё готово.

3. Установите Whisper

Откройте командную строку и введите:

pip install -U openai-whisper

Дождитесь окончания загрузки. Проверьте установку командой:

whisper

Если система ответила справкой по использованию, Whisper на месте.

4. Запустите транскрибацию речи

Положите аудио- или видеофайл в удобную папку. Откройте командную строку, перейдите в эту папку и запустите распознавание:

cd C:\моя_папка
whisper "запись.m4a" --model large --language Russian

При первом запуске Whisper скачает выбранную модель (это разовое действие). Затем начнётся распознавание.

После завершения в той же папке появятся файлы с результатом: текстовый файл (.txt) и файл субтитров (.srt).

Какую модель выбрать?

Whisper предлагает несколько моделей разного размера. Чем крупнее модель, тем точнее результат, но тем больше она весит и дольше работает:

• tiny — самая лёгкая, быстрая, но с заметными ошибками
• base — чуть точнее, подходит для черновиков
• small — хороший баланс скорости и качества
• medium — заметно точнее, особенно на русском языке
• large — максимальное качество, но требует больше ресурсов

Для русского языка рекомендую начинать со small или medium. Если качество не устроит, переключитесь на large.

cd C:\Records
whisper "meeting.m4a" --model medium --language Russian

Что делать с результатом, по ролям

Автору Дзена. Записали голосовой черновик статьи — получили текст. Записали интервью — получили расшифровку для цитат. Транскрибация речи экономит час-два ручного набора на каждом таком материале.

Маркетологу. Протоколы созвонов с клиентом, расшифровки вебинаров для лендингов, субтитры к рекламным роликам. Всё бесплатно и без передачи данных на сторонние серверы.

Предпринимателю. Записи совещаний превращаются в текст, который ИИ-ассистент может свернуть в список задач. Файлы не уходят в облако, это критично, если обсуждаются коммерческие детали.

Локальная транскрибация речи через Whisper занимает 20 минут на настройку и потом работает без подписок, без лимитов, без отправки файлов куда-либо. Для автора, который регулярно переводит голос в текст, это один из самых практичных бесплатных инструментов прямо сейчас.