Что выбрать для русского языка
Для русской речи в подборке шесть открытых моделей. Vosk от Alpha Cephei — самый лёгкий вариант: русская модель на 45 МБ работает без интернета на Raspberry Pi и смартфоне, серверные занимают 1,5–2,5 ГБ. GigaAM v3 от SberDevices — модели на 220–240 млн параметров, предобученные на 700 тыс. часов русской речи. T-one от Т-Банка — потоковая модель на 71 млн параметров для телефонных звонков. NVIDIA Parakeet v3 и Canary v2, Qwen3-ASR от Alibaba и Whisper от OpenAI — многоязычные модели, в которых русский — один из языков.
Лицензии
Открытый код не всегда означает свободу коммерческого использования, поэтому лицензию проверяют до внедрения. Код Vosk, модели T-one и Qwen3-ASR распространяются под Apache 2.0, GigaAM — под MIT, фреймворк NVIDIA NeMo — под Apache 2.0, а веса Parakeet v3 и Canary v2 — под CC-BY-4.0 (NVIDIA помечает их как готовые к коммерческому использованию). У Vosk лицензия каждой модели указана отдельно в таблице моделей.
Железо
Без видеокарты проще всего начать с Vosk: маленькой модели хватает около 300 МБ памяти, большим — до 16 ГБ. Для демо T-one разработчики советуют компьютер от 4 ядер процессора и 8 ГБ памяти. NVIDIA рекомендует запускать NeMo на своих видеокартах, а для обучения видеокарта обязательна; примеры Qwen3-ASR тоже запускаются на видеокарте NVIDIA.
Как сравнивать точность
Разработчики публикуют ошибку по словам (WER) на разных наборах данных, и сравнивать можно только цифры с одного набора. На Golos Crowd, например, Alpha Cephei приводит для vosk-model-ru-0.42 4,4 %, а SberDevices для GigaAM v3_rnnt — 2,4 %. На телефонных записях ошибки заметно выше: на телефонных наборах OpenSTT у той же модели Vosk — 36 %, у GigaAM v3_rnnt — 17,4 %. Надёжный способ выбрать — прогнать несколько моделей на своих записях.
Когда своя модель выгоднее облака
Открытая модель не отправляет записи сторонним сервисам и не берёт плату за минуту — это важно для конфиденциальных разговоров и больших объёмов. Взамен нужны свои серверы и время разработчиков на установку, настройку и обновление. Облачные API — Yandex SpeechKit и Tinkoff VoiceKit — быстрее в запуске.
