MAATRIX / Блог / Whisper на VPS: распознавание речи в текст

Whisper на VPS: распознавание речи в текст

Блог MAATRIX · 2026-07-07

Whisper от OpenAI превращает аудио в текст на десятках языков, включая русский. На своем VPS ты транскрибируешь подкасты, звонки и голосовые без загрузки чужих сервисов и без лимитов на минуты.

Содержание

  1. Зачем свой Whisper
  2. Установка faster-whisper
  3. Первая транскрипция
  4. Обработка длинных файлов
  5. API-обертка на FastAPI
  6. Частые ошибки

Зачем свой Whisper

['Облачные API распознавания берут деньги за минуту и отправляют твое аудио на чужие серверы. Локальный Whisper решает и то, и другое: транскрибируешь сколько угодно, данные не покидают твою машину — это критично для звонков, медицины, юридических записей.', 'Whisper бывает разных размеров: от tiny (быстро, грубо) до large-v3 (точно, тяжело). Разница в качестве заметна на шумных записях и редких словах: чем крупнее модель, тем меньше ошибок в терминах и именах. Но крупная модель требует больше RAM и времени, поэтому размер подбирают под задачу и железо.', 'Для CPU-сервера оптимальны small и medium через оптимизированную реализацию faster-whisper. Они дают хороший баланс: разборчивый русский текст с тайм-кодами при разумной скорости, пригодной для потоковой обработки архива записей.']

Нужен сервер под эту задачу?

Разверните VPS MAATRIX за пару минут: NVMe, AMD EPYC, root-доступ, локации UK и США. Оплата картой РФ и по СБП.

Арендовать VPS для Whisper

Установка faster-whisper

['Обычный whisper на CPU медленный. Бери faster-whisper на движке CTranslate2 — он в разы быстрее при той же точности. Ставим зависимости:', '
apt update && apt install -y python3 python3-venv python3-pip ffmpeg\npython3 -m venv ~/whisper-venv\nsource ~/whisper-venv/bin/activate\npip install faster-whisper
', 'ffmpeg обязателен — он декодирует любые форматы аудио (mp3, m4a, ogg, wav) перед подачей в модель.']

Нужны сами нейросети для контента?

Генерируйте изображения, видео и озвучку нейросетями на falapi.io — десятки моделей в одном окне. Оплата картой РФ и по СБП.

Изображения и ВидеоАудио и звукИИ MAAT — Собеседник

Первая транскрипция

['Скрипт transcribe.py, который распознает файл на русском:', '
from faster_whisper import WhisperModel\n\nmodel = WhisperModel("medium", device="cpu", compute_type="int8")\nsegments, info = model.transcribe("audio.mp3", language="ru")\n\nprint("Язык:", info.language)\nfor seg in segments:\n    print(f"[{seg.start:.1f}s -> {seg.end:.1f}s] {seg.text}")
', 'Параметр compute_type="int8" включает квантизацию — модель занимает меньше RAM и считается быстрее на CPU почти без потери качества.', '
python transcribe.py
']

Обработка длинных файлов

['Модель скачивается один раз при первом запуске и кешируется в ~/.cache/huggingface. Для часовых записей увеличивай размер beam-поиска ради точности или уменьшай ради скорости:', '
segments, info = model.transcribe(\n    "lecture.mp3", language="ru", beam_size=5, vad_filter=True)
', 'Флаг vad_filter=True отсекает тишину — это ускоряет обработку и убирает галлюцинации в паузах. Здесь помогает NVMe у MAATRIX: длинные аудио читаются с диска быстро, а кеш модели грузится мгновенно.']

API-обертка на FastAPI

['Чтобы принимать аудио по сети, оберни модель в HTTP-сервис:', '
pip install fastapi uvicorn python-multipart
', '
from fastapi import FastAPI, UploadFile\nfrom faster_whisper import WhisperModel\nimport tempfile\n\napp = FastAPI()\nmodel = WhisperModel("small", device="cpu", compute_type="int8")\n\n@app.post("/transcribe")\nasync def transcribe(file: UploadFile):\n    with tempfile.NamedTemporaryFile(suffix=".mp3", delete=False) as f:\n        f.write(await file.read())\n        path = f.name\n    segments, _ = model.transcribe(path, language="ru")\n    return {"text": " ".join(s.text for s in segments)}
', '
uvicorn app:app --host 127.0.0.1 --port 8001
', 'Чтобы сервис пережил перезагрузку, оберни запуск в systemd-юнит с Restart=always — точно так же, как для других AI-сервисов. Тогда транскрипция доступна по сети постоянно, и бот или веб-приложение обращается к ней в любой момент.']

Частые ошибки

['
  • ffmpeg not found — установи пакет ffmpeg, без него не читается mp3/m4a.
  • Медленно на large — на CPU бери small/medium с compute_type=int8.
  • Галлюцинации в тишине — включи vad_filter=True.
  • Неверный язык — задай language="ru" явно, автоопределение иногда ошибается на коротких фрагментах.
', 'Отдельно про производительность: faster-whisper на движке CTranslate2 использует все ядра процессора, поэтому многоядерный AMD EPYC у MAATRIX линейно ускоряет распознавание, а быстрый NVMe убирает задержки на чтении длинных аудиофайлов и загрузке кеша модели.', 'Проверка API боем:', '
curl -X POST http://127.0.0.1:8001/transcribe -F "file=@audio.mp3"
']

Нужен сервер под эту задачу?

Разверните VPS MAATRIX за пару минут: NVMe, AMD EPYC, root-доступ, локации UK и США. Оплата картой РФ и по СБП.

Арендовать VPS для Whisper

Нужны сами нейросети для контента?

Генерируйте изображения, видео и озвучку нейросетями на falapi.io — десятки моделей в одном окне. Оплата картой РФ и по СБП.

Изображения и ВидеоАудио и звукИИ MAAT — Собеседник

Частые вопросы

Какой размер модели выбрать для CPU?

Для баланса скорости и точности на русском — medium с compute_type=int8. Если важна скорость и объемы большие, бери small.

Whisper понимает русский?

Да, отлично. Модели multilingual поддерживают русский из коробки, достаточно указать language="ru" для стабильности.

Уходит ли мое аудио на сторонние серверы?

Нет. Модель работает локально на твоем VPS, файлы не покидают сервер — это ключевое отличие от облачных API распознавания.

Читайте также