Перейти к содержимому

Открытые ASR-модели: Vosk, Silero и офлайн-распознавание

Open-source модели распознавания речи: Vosk, Silero, NeMo, Wav2Vec2, OpenASR. Бесплатные ASR-модели для коммерческих проектов, поддержка русского, работа на CPU без GPU, мобильные приложения и IoT, self-hosted развёртывание. Сравнение точности и скорости, готовые сборки и Docker-образы.

🎯
Whisper OpenAI
1 сервис
🅰️
Yandex SpeechKit
1 сервис
🏦
Tinkoff VoiceKit
1 сервис
Найдено сервисов: 0

В подкатегории «Открытые ASR-модели» пока нет сервисов.

Часто задаваемые вопросы

Что такое open-source ASR?
Open-source ASR (Automatic Speech Recognition) — модели распознавания речи с открытым исходным кодом, доступные для бесплатного коммерческого использования. Главные представители: Vosk (на базе Kaldi от alphacephei), Silero (от silero-team), NVIDIA NeMo (от NVIDIA), Wav2Vec2 (от Facebook AI), Whisper (от OpenAI). Запускаются на собственной инфраструктуре (self-hosted), не требуют отправки данных в облако, не имеют поминутной оплаты. Подходят для проектов с конфиденциальными данными, оффлайн-работой (мобильные приложения, IoT), или большими объёмами обработки.
Какая модель лучшая для русского?
Whisper large-v3 — лучшая точность для русского из открытых моделей (92-96% на чистой речи). Требует GPU. Silero — российская разработка, отличное качество для русского, работает на CPU и GPU. Vosk — стабильно средняя точность 85-90%, но работает на любом железе включая Raspberry Pi и смартфоны. NeMo — высокая точность, но требует существенных вычислительных ресурсов. Wav2Vec2 в моделях для русского (например, jonatasgrosman/wav2vec2-large-xlsr-53-russian) — точность 88-92%. Для production на русском — Whisper large-v3 на GPU. Для мобильных приложений — Vosk или Silero на CPU.
Можно ли запускать ASR без GPU?
Да. Vosk специально оптимизирован для CPU — модель small работает даже на Raspberry Pi 4, базовая модель на любом современном смартфоне. Silero — также может работать на CPU, но медленнее чем Vosk. Whisper.cpp — порт Whisper на C++ для CPU, работает на любом устройстве. NeMo и Wav2Vec2 — лучше на GPU, но возможно на CPU (медленнее в 5-10 раз). Для мобильных приложений и IoT — однозначно Vosk или Whisper.cpp. Для серверов с CPU — Vosk или quantized-версии Whisper. Для серверов с GPU — Whisper large-v3 даёт лучшую точность.
Vosk — как использовать?
Установка: pip install vosk — Python-пакет. Скачивание модели: vosk-model-ru-0.42 (русский, 1.8 ГБ) или vosk-model-small-ru-0.22 (русский small, 45 МБ для embedded). 5-10 строк Python для распознавания: model = Model("path/to/model"); rec = KaldiRecognizer(model, 16000); rec.AcceptWaveform(audio_data); print(rec.Result()). Поддержка потокового распознавания. Готовые SDK для Python, Java, Node.js, C#, Android, iOS. Документация — на официальном сайте Vosk. Используется в голосовых ассистентах для умного дома.
Silero — особенности?
Silero — российская open-source библиотека от silero-team (на github silero-models). Хорошее качество для русского языка с упором на естественность распознавания. Доступны модели разных размеров. Easy-to-use API на PyTorch — 5 строк кода для распознавания. Также включает синтез речи (Silero TTS) с натуральными русскими голосами — альтернатива Yandex SpeechKit для open-source проектов. Активное развитие: новые модели каждые 3-6 месяцев. Лицензия GNU AGPL для open-source проектов; для коммерческого использования — отдельная коммерческая лицензия (но дешевле облачных API).
NVIDIA NeMo — кому подходит?
NVIDIA NeMo — фреймворк для conversational AI от NVIDIA, включает state-of-the-art ASR-модели. Подходит для проектов с высокими требованиями к точности и доступными GPU (RTX 4080+ или серверные A100/H100). Особенно хорош для проектов с собственным дообучением моделей на специфическом корпусе данных. Требует серьёзной DevOps-команды и опыта работы с PyTorch и CUDA. Лицензия Apache 2.0 — свободно для коммерческого использования. Для большинства задач избыточен — Whisper или Vosk проще в использовании при сопоставимом качестве.
Когда выбрать open-source вместо облачных API?
Конфиденциальность данных: медицина, юриспруденция, госсектор — данные не должны покидать вашу инфраструктуру. Большие объёмы: 100 000+ минут обработки в месяц — облачные API становятся дорогими. Оффлайн-работа: мобильные приложения, IoT, регионы без интернета. Полный контроль и кастомизация: возможность дообучения на собственных данных. Минусы: нужна DevOps-команда, время на настройку 1-2 недели, для русского точность чуть ниже Yandex SpeechKit. Для проектов с командой 1-2 разработчика и быстрым стартом — облачные API проще.

Open-source распознавание речи 2026: Vosk, Silero, NeMo

Главные открытые модели для русского

Whisper large-v3 от OpenAI — лучшая точность для русского из открытых моделей (92-96%), требует GPU NVIDIA RTX 3080+. Лицензия MIT, бесплатно для коммерческого использования. Silero — российская разработка, отличное качество для русского, работает на CPU и GPU, лицензия GNU AGPL для open-source проектов или коммерческая лицензия для бизнеса. Vosk на базе Kaldi от alphacephei — стабильно средняя точность 85-90%, работает на любом железе включая Raspberry Pi и смартфоны. NVIDIA NeMo — для серьёзных проектов с GPU и DevOps-командой. Wav2Vec2 от Facebook AI — модели для русского от jonatasgrosman (88-92% точности).

Vosk: универсальное решение без GPU

Vosk специально оптимизирован для работы на CPU, поэтому подходит для большинства задач без специального железа. Модели разного размера: vosk-model-small-ru-0.22 (45 МБ, точность 80-85%, работает на смартфонах и Raspberry Pi); vosk-model-ru-0.42 (1.8 ГБ, точность 88-92%, для серверов и десктопов). Установка через pip install vosk — Python-пакет. SDK для Python, Java, Node.js, C#, Android, iOS — поддержка любой платформы. Используется в голосовых ассистентах умного дома. Официальная документация с примерами кода и моделями для 20+ языков.

Silero: российская разработка

Silero (silero-models на GitHub) — open-source библиотека от российской команды silero-team. Включает: ASR (распознавание речи) с моделями для русского, английского, немецкого; TTS (синтез речи) с натуральными русскими голосами — альтернатива Yandex SpeechKit для open-source проектов; Voice Activity Detector (детектор речи в потоке). Easy-to-use API на PyTorch — 5 строк кода для распознавания. Модели разных размеров: от 200 МБ до 2 ГБ. Активное развитие — новые модели каждые 3-6 месяцев. Лицензия GNU AGPL для open-source проектов или коммерческая лицензия для бизнеса (дешевле облачных API при больших объёмах).

Whisper большие модели

Хотя Whisper выделен в отдельную подкатегорию каталога, упомянем здесь как лидера среди open-source моделей. Whisper large-v3 даёт точность 92-96% на русском — выше чем Vosk и Silero. Требует GPU NVIDIA RTX 3080+ (4-12 ГБ VRAM). Доступен через стандартный openai-whisper или ускоренные форки: faster-whisper (в 4 раза быстрее), whisper.cpp (для CPU и embedded). Подробное сравнение и инструкции по установке — в подкатегории «Whisper API и self-hosted». Для большинства production-проектов на русском Whisper — оптимальный выбор по балансу качества и удобства.

Когда выбрать open-source

Конфиденциальность данных: медицина, юриспруденция, госсектор, банки с особыми требованиями — данные не должны покидать вашу инфраструктуру. Большие объёмы: 100 000+ минут обработки в месяц — облачные API при таких объёмах стоят 100+ тысяч ₽/мес, self-hosted на собственном GPU — 30-50 тысяч ₽/мес. Оффлайн-работа: мобильные приложения, IoT-устройства, голосовые ассистенты для регионов без стабильного интернета. Кастомизация: возможность дообучения моделей на собственных данных под специфику отрасли. Минусы: нужна DevOps-команда, время на настройку 1-2 недели, для русского точность чуть ниже Yandex SpeechKit. Для проектов с командой 1-2 разработчика и быстрым стартом — облачные API проще.

Сравнительная таблица скорости

На GPU NVIDIA RTX 3080: Whisper tiny — 30x real-time, base — 15x, small — 6x, medium — 2x, large-v3 — 1x; Silero medium — 5x; Vosk standard — 8x. На CPU современный (Intel Core i7): Vosk small — 3x real-time, Vosk standard — 1x, Silero small — 0.5x, Whisper tiny — 1x. На смартфоне (Snapdragon 8 Gen 2): Vosk small — 0.5x, Whisper tiny — 0.3x. Для мобильных приложений и embedded — Vosk small (минимум 0.5x на смартфоне). Для серверов с GPU — Whisper large-v3 на быстром форке faster-whisper.

Каталог обновлён: август 2026