Транскрипция 55-минутного видео через Whisper: WhisperDesktop облажался, спас Google Colab[

Контекст

Попытка 1: WhisperDesktop

1
2
3
4

unFullImpl: failed to generate timestamp token - skipping one second
unFullImpl: failed to generate timestamp token - skipping one second
unFullImpl: failed to generate timestamp token - skipping one second
...

Попытка 2: Google Colab

1
2

!pip install openai-whisper
!apt install ffmpeg -y

1
2
3

from google.colab import files
uploaded = files.upload()  # кнопка появится в выводе ячейки
filename = list(uploaded.keys())[0]

1
2
3
4
5
6

import whisper
model = whisper.load_model("medium")
result = model.transcribe(filename, language="ru")
with open("transcript.txt", "w", encoding="utf-8") as f:
    f.write(result["text"])
files.download("transcript.txt")

Процесс: час ожидания

1

UserWarning: FP16 is not supported on CPU; using FP32 instead

Качество результата

• Имена собственные — расшифровывает фонетически или заменяет похожими словами. «АnyLogic» → «Энилоджик», «MBTI» → «М-БТ-И»
• Технические аббревиатуры — угадывает через раз
• Слова-паразиты и оговорки — транскрибирует честно, всё подряд
• Перекрёстный разговор (двое говорят одновременно) — склеивает в кашу, но это ограничение любой ASR-системы

Итог: что использовать когда

• YouTube субтитры — если можете подождать несколько часов/дней и видео публичное
• WhisperDesktop локально — если есть время (~2–4 часа на CPU) или GPU без проблем с DirectCompute
• Google Colab — если нужно быстро и не хочется ничего устанавливать. ~1 час на CPU, ~15–20 минут на GPU (если повезёт с выделением)
• openai-whisper локально через pip — если есть нормальный GPU (RTX 30xx+): whisper video.mp4 --language Russian --model medium. Это будет быстрее всего

• small — быстро, заметно хуже на русском
• medium — оптимально, хорошее качество, ~1 ГБ GPU
• large-v3 — лучшее качество, но ~3 ГБ GPU и медленнее втрое