Что такое Whisper простыми словами?

Whisper — это система автоматического распознавания речи (ASR) с открытым исходным кодом, которую OpenAI представила в сентябре 2022 года . Она преобразует аудио в текст: расшифровывает речь, определяет язык.

Какие задачи Whisper решает в 2026 году?

Whisper используют там, где нужно быстро превратить готовую видео запись или аудиозапись в текст, а не слушать поток в реальном времени.

По данным Microsoft Azure, модель рекомендуется для:

• транскрибации отдельных аудиофайлов (быстрая обработка);
• перевода prerecorded-аудио с других языков на английский;
• расшифровки записей звонков и встреч с последующей аналитикой;
• субтитров для предзаписанного видео.

Мы же используем его в основном для перевода коротких видео из TikTok в статьи или посты.

Можно ли запустить Whisper локально без интернета?

Да. Открытый исходный код позволяет развернуть Whisper на своём компьютере. Существуют порты вроде WhisperDesktop для Windows, которые работают с моделями в формате ggml и не требуют Python или облачных сервисов. Именно WhisperDesktop мы и будем использовать.

Системные требования: 64-битная Windows 8.1 или новее, GPU с поддержкой Direct3D 11.0, процессор с инструкциями AVX1 и F16C . На практике это любой компьютер с видеокартой не старше 2011 года.

Как установить WhisperDesktop на Windows?

• Скачайте архив из раздела Releases на GitHub-странице. Вот прямая ссылка для скачивания: Const-me/Whisper (466 KB).
• Распакуйте WhisperDesktop.zip в любую папку и запустите WhisperDesktop.exe. Никаких установщиков, Python или FFmpeg не требуется.
• При первом запуске программа попросит указать путь к модели. Не закрывайте это окно — оно понадобится на следующем шаге.

• Скачиваем модель по прямой ссылке: ggml-medium.bin (1.53 GB).
• Файл ggml-medium.bin можно положить в любую удобную директорию или в ту же папку, что и WhisperDesktop.exe.

Отлично. Ваш персональный транскрибатор готов получить первую задачу.

Тестируем десктоп приложение.

Для проверки возьмите любое видео и укажите путь до него в поле Transcribe file, а во втором поле указываем, то куда мы сохраним транскрибированный файл и его формат. Нажимаем Transcribe и проверяем результат.

Что даёт CLI-обёртка WhisperDesktop и как ей пользоваться?

Часто мы даже не используем десктопное приложение, а вызываем свою обёртку из Codex. Для этого мы написали небольшой bat-скрипт, который принимает два параметра: файл с видео и путь, куда сохраним готовую транскрибацию.

Пример:

whisper-cli.bat "D:\video\lecture.mp4" "D:\WhisperDesktop\text\lecture.txt"

Вы можете указать путь до модели если она у вас лежит не в models\ggml-medium.bin. Файл должен находиться в папке рядом сWhisperDesktop.exe, а путь до основного cli должен быть cli\main.exe.

Файл whisper-cli.bat:

@echo off
chcp 65001 >nul
setlocal

set "MODEL=%~dp0models\ggml-medium.bin"

REM --- Аргументы: %1 = входной файл, %2 = выходной файл ---
if "%~1"=="" (
    echo [ОШИБКА] Не указан входной файл.
    exit /b 1
)
if "%~2"=="" (
    echo [ОШИБКА] Не указан выходной файл.
    exit /b 1
)

set "INPUT=%~1"
set "OUTPUT=%~2"

REM --- Проверка модели ---
if not exist "%MODEL%" (
    echo [ОШИБКА] Модель не найдена: %MODEL%
    exit /b 1
)

REM --- Проверка входного файла ---
if not exist "%INPUT%" (
    echo [ОШИБКА] Файл не найден: %INPUT%
    exit /b 1
)

REM --- Создаём папку для выходного файла при необходимости ---
for %%F in ("%OUTPUT%") do set "OUTDIR=%%~dpF"
if not exist "%OUTDIR%" mkdir "%OUTDIR%"

REM --- Запуск транскрибации ---
"%~dp0cli\main.exe" -m "%MODEL%" -f "%INPUT%" -l ru -otxt -nt

if errorlevel 1 (
    echo [ОШИБКА] Транскрибация завершилась с ошибкой.
    exit /b 1
)

REM --- Определяем, куда main.exe положил TXT ---
for %%F in ("%INPUT%") do set "SRC=%%~dpnF.txt"

if not exist "%SRC%" (
    echo [ОШИБКА] TXT-файл не был создан: %SRC%
    exit /b 1
)

REM --- Перемещаем TXT в указанное место ---
if /i not "%SRC%"=="%OUTPUT%" (
    move /y "%SRC%" "%OUTPUT%" >nul
)

echo [ГОТОВО] %OUTPUT%
endlocal

Частые вопросы

Какие видео лучше отдавать на расшифровку в первую очередь?

Короткие ролики до 5 минут — оптимальный старт. Модель ggml-medium обрабатывает их за десятки секунд, а результат уже пригоден для редактуры. Часовые лекции тоже можно, но ждать придётся дольше, и текст потребует более серьёзной чистки.

Что делать с готовой транскрибацией дальше?

Отдать её Codex или другой языковой модели с задачей: «сделай из этого статью», «выдели тезисы», «перепиши в посте для соцсетей». Черновой текст от Whisper уже структурирован по смыслу, поэтому модель работает с ним точнее, чем с сырым аудио. Так же вы можете написать большой промпт, который будет писать посты или статьи уже в вашем стиле, а так же подбирать для них изображения.

Можно ли поручить Codex весь цикл — от видео до готового поста?

Да, если Codex умеет вызывать bat-скрипт. Он запускает whisper-cli.bat с путями к видео и будущему TXT, дожидается результата, читает файл и сразу перерабатывает его в нужный формат. Вам остаётся только проверить финальный текст.

Как автоматизировать обработку целой папки с видео?

Напишите второй bat-скрипт, который перебирает файлы в папке через for %%F in (*.mp4) и вызывает whisper-cli.bat для каждого. Codex или планировщик задач Windows может запускать этот цикл по расписанию — например, ночью, когда компьютер свободен.