Інтеграція OpenAI Whisper Large v3 для розпізнавання мови Whisper Large v3 — актуальна флагманська модель OpenAI для ASR, випущена у листопаді 2023. У порівнянні з Large v2 знизила WER на 10–20% на більшості мов. На російському чистому аудіо - 6-9% WER, телефонії - 15-20% WER. ### Ключові покращення v3 vs v2 - Навчена на ширшому наборі мов з покращеними даними - Менше галюцинацій на тиші та шумі - Краща пунктуація з коробки - Покращена обробка кодового перемикання (code-switching) ### Вимоги до інфраструктури Для комфортної роботи в реальному часі. Оптимальний вибір - NVIDIA A10G або RTX 4090. На CPU модель працює, але зі швидкістю 0.1-0.3x реального часу - тільки для офлайн-завдань.
Через faster-whisper з квантизацією int8 модель вміщується в 6-7 GB VRAM при швидкості 1.5-2x реального часу:```bash
pip install faster-whisper
```python
from faster_whisper import WhisperModel
model = WhisperModel(
"large-v3",
device="cuda",
compute_type="int8_float16"
)
segments, info = model.transcribe(
"meeting.wav",
language="ru",
vad_filter=True,
vad_parameters={"min_silence_duration_ms": 500}
)
```### Сценарії застосування - Транскрибація нарад та інтерв'ю - Автоматичні субтитри до відео - Архівна обробка аудіобаз колл-центрів Інтеграція через OpenAI API (без self-hosting) займає 1 день. Self-hosted із оптимізацією під конкретне залізо — 3–5 днів.