Розгортання OpenAI Whisper на виділеному сервері (Self-Hosted)

Ми часто стикаємося з ситуацією: клієнту потрібно транскрибувати сотні годин аудіо щомісяця. Хмарні API або дорогі, або небезпечні — дані йдуть на сторону, а вартість зростає лінійно. Self-hosted Whisper дає повний контроль над даними, передбачувану вартість при великих обсягах та можливість тонкого налаштування під конкретний акцент або домен. Наприклад, на одному з проєктів ми розгорнули Whisper large-v3 на двох A10G, обробляючи до 8 годин аудіо на годину з точністю, порівнянною з хмарним рішенням, але з економією більш ніж у 4 рази. При цьому ми використовували VAD-фільтр та word_timestamps для синхронізації субтитрів. Така конфігурація дозволяє обробляти до 2000 годин аудіо на місяць на одному GPU-сервері. Для оцінки вашого навантаження зв'яжіться з нашим інженером — ми підберемо оптимальну конфігурацію.

Які проблеми вирішуємо?

• Низька точність на шумних аудіо: VAD-фільтр та налаштування beam_size покращують розпізнавання. Ми налаштовуємо параметри під ваш тип аудіо.
• Висока затримка при потоковому записі: використовуємо чанкування та WebSocket.
• Відсутність моніторингу: Prometheus + Grafana відстежують GPU utilization та глибину черги.

Як розгорнути Whisper на виділеному сервері?

Архітектура production-розгортання включає кілька ключових компонентів:

Audio Input → Nginx → FastAPI Workers → Whisper Workers (GPU) → PostgreSQL
                          ↓                    ↓
                       Redis Queue         S3 Storage

Основні компоненти:

• FastAPI — REST API для прийому завдань
• Celery — черга асинхронної обробки
• Redis — брокер завдань та кеш
• faster-whisper — inference engine (CTranslate2)
• PostgreSQL — зберігання транскрипцій та метаданих

Покрокова інструкція налаштування:

1. Встановіть Docker та NVIDIA Container Toolkit.
2. Зберіть образ воркера з faster-whisper та залежностями.
3. Запустіть Redis та PostgreSQL.
4. Розгорніть FastAPI-застосунок, що реалізує REST-ендпоїнти.
5. Запустіть Celery worker з прив'язкою до GPU через --gpus all.
6. Налаштуйте моніторинг через Prometheus та Grafana.
7. Протестуйте на тестових аудіофайлах, варіюючи мову та тривалість.

Процес налаштування воркера

Конфігурація Celery worker для faster-whisper з підтримкою retry та моніторингом:

from celery import Celery
from faster_whisper import WhisperModel

app = Celery('whisper_tasks', broker='redis://localhost:6379/0')
model = WhisperModel("large-v3", device="cuda", compute_type="int8_float16")

@app.task(bind=True, max_retries=3)
def transcribe_audio(self, file_path: str, language: str = None):
    try:
        segments, info = model.transcribe(
            file_path,
            language=language,
            vad_filter=True,
            word_timestamps=True
        )
        return {
            "language": info.language,
            "duration": info.duration,
            "segments": [
                {"start": s.start, "end": s.end, "text": s.text}
                for s in segments
            ]
        }
    except Exception as exc:
        raise self.retry(exc=exc, countdown=60)

Вимоги до заліза

Для запуску Whisper необхідна дискретна відеокарта NVIDIA з підтримкою CUDA. Рекомендовані конфігурації залежно від навантаження:

Як вибрати правильну модель Whisper?

Вибір моделі впливає на точність та швидкість. У production найчастіше використовують large-v3, але для легких завдань підійде medium. Порівняння на основі даних faster-whisper:

*Швидкість відносно real-time (xRT: чим більше, тим швидше).

Моніторинг та надійність

• Celery Flower для моніторингу черги завдань
• Prometheus + Grafana для метрик GPU utilization та queue depth
• Автоматичний перезапуск воркерів через systemd
• Healthcheck endpoint з перевіркою доступності GPU

version: '3.8'
services:
  redis:
    image: redis:7
  db:
    image: postgres:15
  api:
    build: ./api
    depends_on: [redis, db]
  worker:
    build: ./worker
    deploy:
      resources:
        reservations:
          devices:
            - capabilities: [gpu]

Економічні переваги self-hosted Whisper

При транскрибації від 3000 хвилин на місяць власний сервер окупається швидше. Хмарні тарифи лінійні, тоді як self-hosted на A10G при завантаженні 50% дає економію в 3-6 разів. Крім того, ви отримуєте повний контроль над обробкою даних і можете кастомізувати модель під свою предметну область. Зниження витрат на транскрибацію безпосередньо покращує ROI. Замовте консультацію — ми розрахуємо економію для вашого обсягу.

Що входить у роботу

• Аудит аудіо-навантаження та підбір конфігурації GPU.
• Розгортання FastAPI + Celery + Redis + PostgreSQL.
• Налаштування faster-whisper з VAD-фільтром та word_timestamps.
• Інтеграція з S3-сумісним сховищем.
• Моніторинг через Prometheus + Grafana.
• Документація API та інструкція з експлуатації.
• Навчання команди роботі з системою.

Терміни та вартість

• Базове розгортання: 2–3 дні.
• З чергою завдань та API: 5–7 днів.
• Повна production-система з моніторингом: до 2 тижнів.
• Вартість розраховується індивідуально під ваше навантаження та вимоги.

Наш досвід у розгортанні Whisper — понад 30 проєктів. Гарантуємо стабільну роботу та своєчасну підтримку. Якщо вас цікавить впровадження self-hosted Whisper, отримайте консультацію інженера — ми підготуємо пропозицію та оцінимо проєкт протягом дня.

Розпізнавання та синтез мовлення: перша лінія проблеми

Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.

Типові технічні проблеми та їх усунення

WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.

Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.

Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.

Як вибрати ASR-модель під ваші дані?

faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.

Практичний приклад: fine-tuning Whisper на доменній лексиці

Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.

Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.

Як донавчити Whisper на доменних даних?

Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.

Синтез мовлення: що обрати для вашого сценарію?

Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.

Наш досвід та гарантії

10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.

Що входить у роботу з нами?

Клієнт отримує:

• Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
• Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
• Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
• Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)

Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.

Процес роботи та терміни

1. Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).

Терміни:

• Базова інтеграція готової моделі – 1–2 тижні.
• Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
• Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.

Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.