Какая модель распознавания речи лучше для русского

«Какая модель распознавания речи лучше для русского языка?» — вопрос звучит просто, но честный ответ начинается с уточнения: лучше для чего. Одна модель сильна на чистой студийной речи, другая — на шумном диктофоне, третья работает офлайн прямо на телефоне, но путает термины и имена. В 2026 году выбор между ними — это не поиск единственного чемпиона, а понимание, какой подход решает вашу задачу с приемлемой долей ошибок и затратами.

Ниже — технологический разбор без вендорных рейтингов: что такое ASR-модель, как измеряют её точность метрикой WER, какие семейства моделей существуют и почему ансамбль из нескольких нейросетей с механизмом самопроверки даёт более стабильный результат, чем любая одиночная модель. Если нужен базовый контекст, начните с материала о том, что такое транскрибация, и о различиях распознавания, синтеза речи и голосового ассистента.

Что такое ASR-модель и зачем мерить ошибки метрикой WER?

ASR (automatic speech recognition) — это нейросеть, которая превращает звуковой сигнал в текст. Сначала аудио раскладывается на акустические признаки, затем модель сопоставляет их с вероятными словами, опираясь на то, чему её обучили на тысячах часов речи. Чем разнообразнее обучающие данные и чем ближе они к вашему сценарию (диктофон, созвон, лекция), тем точнее результат.

Качество моделей сравнивают объективной метрикой WER — Word Error Rate, доля ошибок на уровне слов. Она складывается из трёх типов промахов: лишнее слово (вставка), пропущенное слово (удаление) и неверно распознанное слово (замена). WER 10% означает, что в среднем ошибочно каждое десятое слово. Метрика удобна тем, что её можно посчитать на одном и том же эталонном наборе записей и сравнивать модели честно. Но у неё есть слабые места: WER не учитывает пунктуацию, регистр, расстановку абзацев и то, насколько критична конкретная ошибка — перепутанная фамилия в протоколе весит для читателя куда больше, чем потерянное «эээ».

Формулу, подготовку текста и порядок проверки своей записи разбираем в глоссарии «WER: как измеряют точность распознавания речи».

Какие бывают семейства моделей распознавания речи?

Все современные подходы к русской речи удобно свести к трём большим семействам — у каждого своя логика и свой компромисс между точностью, открытостью и ресурсами.

• Открытые мультиязычные модели. Самый известный пример — семейство Whisper от OpenAI. Их обучали на десятках языков, веса доступны публично, их можно дообучать и запускать у себя. Базовая версия Whisper large на русском датасете Common Voice показывает WER около 9–10% — это хороший ориентир «из коробки» для чистой речи, но крупные версии требовательны к вычислениям.
• Модели, заточенные под русский. Это варианты, дообученные именно на русскоязычных данных. Узкая специализация позволяет лучше держать падежи, термины, имена и разговорные конструкции. Например, дообучение Whisper large на русском Common Voice снижает WER заметно ниже базовых 9–10% — расплата за это сужение языкового охвата.
• Лёгкие офлайн-модели для устройств. Компактные сети, которые работают на телефоне или встроены в приложение без интернета. Их сила — приватность и нулевая задержка, слабость — меньшая точность на шуме и редкой лексике, минимальная пунктуация.

Как устроен Whisper, как его запустить и где его пределы, рассказано в статье «Whisper на русском: что это и где его пределы».

Какая модель точнее распознаёт русскую речь — и почему одного WER мало?

Если смотреть только на цифру WER, легко выбрать модель, которая хорошо звучит в бенчмарке и проваливается на ваших записях. Бенчмарки вроде Common Voice — это в основном чистая, начитанная речь. Реальная задача — диктофон в кармане, два собеседника, эхо переговорной, профессиональные термины. Поэтому сравнивать подходы честнее качественно, по нескольким осям сразу: открытость, мультиязычность, заточенность под русский, ресурсоёмкость и то, как модель ставит пунктуацию.

Вывод из таблицы прямой: «лучшей модели вообще» не существует. Открытая мультиязычная сеть выигрывает в гибкости, специализированная — в точности на русском, лёгкая — в приватности и скорости на устройстве. Качество финального текста определяет не только сама модель, но и то, что вы подадите ей на вход: чистый звук с одного микрофона распознаётся заметно лучше эха в большой комнате. Об этом — отдельный разбор про формат и качество аудио для распознавания.

Почему ансамбль моделей и самопроверка надёжнее одиночной модели?

У любой одиночной модели есть «слепые зоны»: на одном типе записей она блестит, на другом систематически ошибается — путает похожие по звучанию слова, теряет окончания, выдумывает фразу в паузе (это называют галлюцинацией ASR). Заранее предсказать, где именно она споткнётся на вашей записи, невозможно.

Как выбрать подход распознавания речи под свою задачу?

Чтобы не выбирать модель «вслепую по бенчмарку», пройдите по простому чек-листу — он отсекает большинство неподходящих вариантов за минуту.

1. Где живут данные. Если запись нельзя выпускать наружу, нужен либо офлайн на устройстве, либо российский сервис с серверами в РФ и возможностью on-premise.
2. Тип звука. Чистый монолог простит почти любую модель; шумный диктофон и несколько голосов требуют заточенного под русский решения с диаризацией.
3. Готовый документ или сырой текст. Если на выходе нужен текст с пунктуацией, абзацами и экспортом в PDF, DOCX, TXT, важна не только модель ASR, но и постобработка вокруг неё.
4. Ресурсы и время. Запускать крупную модель самому — это видеокарты и поддержка. Облачный сервис снимает эту нагрузку: вы загружаете файл и получаете результат.

Для большинства рабочих задач на русском выигрывает не «самая точная модель в вакууме», а решение, заточенное под язык и стабильно держащее качество на разнородных записях.

«Войси» строит результат на собственных моделях, заточенных под русский язык. На выходе — читаемый документ с правильной пунктуацией и разбивкой на абзацы по смыслу, а не сплошной поток слов. Если в записи несколько голосов, подключается диаризация — до 50 спикеров с разметкой, кто что сказал.

Сравнить тарифы и понять, во сколько обойдётся ваш объём, можно на странице цен: пакеты войсов от 300 ₽ до 500 ₽ за час записи с посекундным списанием, а для постоянной работы — подписки «Плюс» и «Про» с месячной квотой войсов.

Какие вопросы про модели распознавания речи задают чаще всего?

Какая модель распознавания речи самая точная для русского?

Единой «самой точной» модели нет: результат зависит от типа записи. На чистой речи хорош базовый Whisper large (WER около 9–10% на русском Common Voice), на разговорном диктофоне выигрывают модели, дообученные под русский. Стабильнее всего работает ансамбль из нескольких моделей с самопроверкой — он компенсирует слабые места каждой отдельной сети.

Что такое WER простыми словами?

WER (Word Error Rate) — доля ошибочных слов в расшифровке. WER 10% означает, что в среднем неверно каждое десятое слово. Метрика хороша для честного сравнения моделей, но не учитывает пунктуацию и важность конкретной ошибки.

Whisper — это лучшая модель для русского языка?

Whisper — сильная открытая мультиязычная модель и хорошая отправная точка, но не универсальный лидер. На русском её точность заметно растёт после дообучения на русскоязычных данных, а на шумных записях и нескольких голосах ей помогает специализированная постобработка.

Можно ли распознавать русскую речь офлайн на телефоне?

Да, для этого есть лёгкие офлайн-модели — они приватны и работают без интернета. Платой за компактность становится меньшая точность на шуме и редкой лексике и почти полное отсутствие пунктуации.

Почему ансамбль моделей надёжнее одной?

У каждой модели свои систематические ошибки. Когда несколько нейросетей перепроверяют друг друга, ошибку одной исправляют остальные, и в текст попадает согласованная версия. Поэтому результат меньше зависит от того, «повезло» ли модели с конкретной записью.