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».

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.

«До 98%» — это общая оценка точности «Войси», а не замер WER на Common Voice: показатели получены на разных данных, поэтому сравнивать их стоит лишь как грубый ориентир.

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.