У Vosk для русского есть большая модель vosk-model-ru-0.42 на 1,8 ГБ и лёгкая vosk-model-small-ru-0.22 на 45 МБ. Авторы заявляют WER на golos crowd 4,4% у большой и 11,79% у лёгкой. Это офлайн-модели; для облачной диктовки без своих серверов есть Поток (potok.now).
Vosk — офлайн-распознавание речи с готовыми моделями для 20 с лишним языков. Для русского на странице моделей собрано несколько вариантов: от лёгкой, которая помещается на телефон, до большой для серверов.
| Задача | Знаков | Печать (200 зн/мин) | Голос (900 зн/мин) |
|---|---|---|---|
| ответ в чате | 300 | 2 мин | 0.5 мин |
| письмо | 1500 | 8 мин | 1.7 мин |
| пост или протокол | 4000 | 20 мин | 4.4 мин |
| статья | 10000 | 50 мин | 11.1 мин |
Откуда эти цифры
Размеры, лицензия и заявленный WER взяты со страницы моделей Vosk, общие свойства — из репозитория vosk-api. Наших замеров здесь нет: WER у авторов получен на разных наборах речи, и числа с разных наборов друг с другом сравнивать нельзя. Сравнивать можно только строки, где у обеих моделей общий набор.
Модели для русского: vosk-model-ru-0.42 (1,8 ГБ, большая, для серверов, лицензия Apache 2.0), vosk-model-small-ru-0.22 (45 МБ, лёгкая, для Android, iOS и Raspberry Pi), vosk-model-ru-0.22 (1,5 ГБ) и vosk-model-ru-0.10 (2,5 ГБ, узкополосная). Как Whisper справляется с русской речью, разобрано в обзоре Whisper и русская речь.
Vosk: русская модель, точность и скорость у большой и лёгкой
Заявленный WER у vosk-model-ru-0.42, в процентах:
- 4,5 на аудиокнигах авторов;
- 11,1 на open_stt audiobooks;
- 19,5 на open_stt youtube;
- 36,0 на openstt calls;
- 4,4 на golos crowd;
- 17,9 на sova devices.
У vosk-model-small-ru-0.22:
- 22,71 на openstt audiobooks;
- 31,97 на openstt youtube;
- 29,89 на sova devices;
- 11,79 на golos crowd.
На наборах, где есть обе модели (open_stt audiobooks, open_stt youtube, sova devices, golos crowd), у большой WER ниже. Ценой становится размер: лёгкой нужно около 50 МБ на диске и около 300 МБ памяти, большим — до 16 ГБ памяти на мощных серверах. У лёгких возможна перенастройка словаря, у больших её нет.
Единого рейтинга здесь нет, и выбирать по одной строке таблицы не стоит: у телефона или Raspberry Pi свой предел по памяти, у сервера свой, а набор речи в вашей задаче может быть больше похож на звонки, чем на аудиокниги. На звонках (openstt calls) заявленный WER большой модели 36,0, на аудиокнигах 4,5.
О скорости: цифр времени распознавания на странице моделей нет, зато заявлен потоковый API с нулевой задержкой ответа (zero-latency response). Привязки есть для Python, Java, Node, C#, Rust и Go. Про знаки препинания в описании не сказано ничего.
Где расчёт и сравнение не сработают
Цифры выше относятся к наборам авторов, а не к вашему микрофону и вашим записям. Сам Vosk работает офлайн, а Поток — облачный сервис, распознавание на серверах в России; без интернета не работает. Приложений для телефона у Потока нет. Одна подписка — приложение для диктовки и Telegram-бот potok_now_bot для записей и голосовых. Другие модели для русского, включая разбор квантования, — в статье про квантование моделей распознавания.
Частые вопросы
Большая vosk-model-ru-0.42 рассчитана на серверы, лёгкая vosk-model-small-ru-0.22 — на Android, iOS и Raspberry Pi. Лёгкой нужно около 300 МБ памяти, большим — до 16 ГБ. Заявленный WER у большой ниже на всех наборах, где есть обе.
В описании Vosk и на странице моделей про пунктуацию ничего не сказано, поэтому утверждать, что модели расставляют запятые и точки, нельзя.
Омофоны (слова, звучащие одинаково, но пишущиеся по-разному) — известное ограничение любого ASR: модель выбирает наиболее вероятный вариант по контексту фразы, и без достаточного контекста может ошибиться; личный словарь и явное произнесение по буквам снижают частоту таких ошибок для специфичных терминов.
Да: модели распознавания речи обучаются на определённом корпусе голосов, и заметный региональный или иностранный акцент может снижать точность, если он плохо представлен в обучающих данных конкретной модели.
У части систем — да, за счёт адаптации к личному словарю и часто используемым терминам пользователя; у других система статична и не подстраивается под конкретного человека без ручной настройки словаря.
На сайте potok.now собраны обобщённые отзывы, отражающие типичный опыт пользователей; в маркетинговых материалах они не выдаются за отзывы конкретных людей с именами.
Проверить за вечер
Установите «Поток», продиктуйте то, что обычно печатаете, и сравните. 14 дней полного доступа, карта не нужна. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Диктуете в приложении, а записи и голосовые расшифровывает @potok_now_bot в Telegram. 60 минут в месяц — бесплатно, подписка «Потока» снимает лимит в боте и в приложении.
Встроенная диктовка и «Поток»
| Средство | Где работает | Русский язык | Где распознаётся речь |
|---|---|---|---|
| Голосовой ввод Windows (Win+H) | Windows 10 и 11 | только в Windows 11 | облако Microsoft, без интернета не работает |
| Диктовка macOS | macOS | есть | на устройстве или на серверах Apple |
| Поток | Windows, macOS, Linux | основной язык | облако, серверы в России, без интернета не работает |
Первоисточники: support.microsoft.com · support.apple.com