Muse Voice Transcribe против Whisper Large v3 Turbo: бесплатная стандартная версия против стримингового конкурента

На протяжении почти двух последних лет Whisper Large v3 Turbo был ответом по умолчанию на вопрос «транскрибируем сами и бесплатно», и новая Muse Voice Transcribe от Meta — самый убедительный стриминговый вызов, с которым столкнулся этот стандарт. Whisper Large v3 Turbo — модель OpenAI с открытыми весами: 809 миллионов параметров под лицензией MIT, 99 языков, самостоятельный хостинг на чём угодно — от ноутбука до фермы GPU — и бесплатный запуск, если оборудование уже ваше. Muse Voice Transcribe от Meta Superintelligence Labs вышла 1 сентября 2026 года как закрытая облачная стриминговая модель по цене $3.00 за 1000 аудио-минут. Они соперничают не в точности — они соперничают по гораздо более фундаментальной оси: должен ли ваш конвейер транскрибации работать на собственном оборудовании как пакетная задача или потоково идти через чужой API как функция реального времени.

Бесплатный базовый уровень и почему он сохраняет актуальность

Whisper Large v3 Turbo — это дистиллированная версия Whisper Large v3: тот же 32-слойный энкодер, но декодер сокращён с 32 слоёв до 4. Именно поэтому количество параметров снижается до 809M, а скорость на GPU возрастает примерно вчетверо при сохранении сопоставимой точности. Благодаря тому что веса распространяются по лицензии MIT, а модель достаточно мала, чтобы работать на рабочей станции, она стала стандартным встроенным движком транскрипции для всего — от ботов для совещаний до инструментов субтитрирования. Её слабые места тоже хорошо известны. Модель намеренно не обучалась для перевода, поэтому задача translate выполняется с сильной потерей качества. Точность на сложном аудио нестабильна: в тестах сообщества на зашумлённой речи WER составляет примерно 8–12%. Кроме того, это пакетная модель: она предназначена для приёма аудиофайла и возврата транскрипта, а не для вывода слов по мере их произнесения.

Стриминг — это настоящее отличие.

Именно эта ось решает исход противостояния, и это даже не близко. Whisper Large v3 Turbo ориентирован на пакетную обработку; в самостоятельно развёрнутых стриминговых реализациях задержка обычно составляет от 1 до 5 секунд, и без серьёзной инженерной работы она не дотягивает до планки ниже 800 миллисекунд, необходимой для телефонных агентов и живых субтитров. Muse Voice Transcribe изначально рассчитан на потоковую обработку: он потребляет аудио фрагментами по 80 миллисекунд, использует выработанную с помощью обучения с подкреплением «адаптивную задержку», чтобы выдавать каждое слово, как только модель обретает в нём достаточную уверенность, и, по заявлению создателей, выдаёт итоговую расшифровку через 0,16 секунды после того, как говорящий замолкает. Если вашему продукту нужны слова, пока человек ещё говорит, — будь то живые субтитры, голосовой агент или сводка встречи в реальном времени, — Muse предлагает возможность, которую Whisper Turbo лишь приближённо воспроизводит с помощью кучи самодельного склеивающего кода.

Что даёт $0,18 за аудиочас, чего не даёт бесплатная версия

Второй структурный разрыв — это функциональность. Whisper Large v3 Turbo даёт вам текст и ничего больше: ни диаризации говорящих, ни расстановки знаков препинания или заглавных букв по умолчанию, ни определения окончания реплики, ни смещения к ключевым словам. Продакшн-стек на базе Whisper собирает эти компоненты по отдельности — диаризатор, модель пунктуации, детектор голосовой активности, — и каждый добавляет собственные типы сбоев и задержку. Muse Voice Transcribe поставляется со встроенными функциями: диаризация 20+ говорящих в составе потокового прохода, определение окончания реплики, которое сообщает вашему приложению, когда реплика действительно завершена, а также смещение по языку, ключевым словам и контексту. Для живого аудио с несколькими говорящими «бесплатный» Whisper не так уж бесплатен, если учесть системы диаризации и VAD, которые вам придётся разработать и запускать вокруг него.

Точность, с честными источниками.

• Whisper Large v3 Turbo — 2,1% WER на LibriSpeech test-clean и 4,2% на test-other; примерно 7,7% по составной оценке Open ASR leaderboard, примерно на пункт отставая от полной версии Large v3; 8–12% на шумном аудио в тестах сообщества. Это открытые веса, поэтому эти показатели наиболее независимо воспроизводимы в мире распознавания речи.

• Muse Voice Transcribe — 3,1% WER на итоговых расшифровках через 0,16 секунды после окончания речи, заявление в день запуска от Meta со ссылкой на стриминговый лидерборд Artificial Analysis; 3,6% на первых промежуточных результатах. Сообщено вендором, независимо не воспроизведено и измерено на потоковом пути, для которого у Whisper Turbo нет прямого аналога.

Эти две системы нельзя сравнивать как есть: показатели Whisper относятся к пакетной обработке, а её уязвимость к зашумлённому аудио задокументирована; показатель Muse относится к потоковой обработке и совершенно не подтверждён ничем, кроме слов вендора. С уверенностью можно сказать лишь то, что заявление Muse правдоподобно для чистой потоковой речи, что сильная сторона Whisper — это её проверенный открытый послужной список, включая задокументированные недостатки, — и что ни одна из них не даёт вам оснований доверять ей на аудио, похожем на ваше, пока вы не протестируете её на таком аудио.

Языки: 99 против 25 проверенных

Whisper Large v3 Turbo транскрибирует 99 языков, и хотя на низкоресурсных и тональных языках качество снижается — тайский, кантонский и валлийский обычно называют слабыми местами — за этим списком стоят годы воспроизводимости в сообществе. Muse Voice Transcribe был обучен на 70+ языках, но на запуске подтверждает 25, а его отличительная особенность — встроенное переключение кодов: он переключает языки в середине предложения без подсказки. Если вам сегодня нужен широкий многоязычный охват, 99 языков Whisper — более безопасная ставка. Если ваши диалоги действительно смешивают языки — очередь в службу поддержки в Гонконге, испано-английский торговый зал — переключение кодов Muse — это функция, которой у Whisper просто нет.

Стоимость: почти бесплатно в отличие от оплаты по счётчику

Whisper Large v3 Turbo можно запускать бесплатно; стоимость упирается в оборудование. Развертывание faster-whisper Turbo на одной T4 обходится примерно в $0,05–$0,10 за час аудио по текущей ставке GPU, а нагрузка в 100 000 минут в месяц может стоить около $400–$1 200 в месяц за GPU-инфраструктуру — до добавления стека диаризации и пунктуации. Muse Voice Transcribe стоит $0,18 за аудио-час, все функции включены, оборудование предоставлять не нужно: $180 за 1 000 часов. Точка безубыточности не только в объеме. Она в том, цените ли вы инженерное время на запуск и поддержку стека с открытыми весами, и является ли ваша нагрузка потоковой (где задержка самохостинга при стриминге может полностью исключить Whisper) или пакетной (где выигрывают пропускная способность Whisper и нулевые предельные затраты на API).

Гибридные схемы и что маршрутизация означает для них

Наиболее распространённая конфигурация на практике — не «или/или», а «и то, и другое»: самостоятельный хостинг Whisper Large v3 Turbo для высоконагруженного пакетного потока и управляемый стриминговый API для живого многоголосого трафика, который Whisper не может обслужить с требуемой задержкой. Именно здесь маршрутизирующий слой оправдывает своё существование — единый API для всех размещённых моделей в стеке, цены провайдеров по прайс-листу без наценки 0% и автоматическое переключение при сбоях, чтобы живой поток продолжал стримиться, даже если эндпоинт провайдера деградирует. Самохостинговый инстанс Whisper остаётся на вашем оборудовании; шлюз просто не даёт тарифицируемой половине стека превратиться во второй интеграционный проект.

Какой из них выбрать?

Выбирайте Whisper Large v3 Turbo, когда аудио заранее записано, имеет большой объём и в основном на английском или хорошо поддерживаемых языках: по экономичности, лицензии MIT и открытому аудит-трейлу ему нет равных, а отсутствие потоковых функций для пакетной обработки не имеет значения. Выбирайте Muse Voice Transcribe, когда аудио поступает в реальном времени и содержит несколько говорящих, когда нужны слова по мере их произнесения или когда в разговоре переключаются между языками: 0,18 доллара в час за потоковую транскрипцию, диаризация 20+ говорящих и определение конца реплики — вот почему у бесплатного варианта по умолчанию теперь появился конкурент. А если честно оценить свою нагрузку, вы часто обнаружите, что она включает и то и другое, — и именно такую конфигурацию теперь легко запускать бок о бок в мире открытого исходного кода и в мире облачных сервисов.