Сравнения точности Whisper и Yandex SpeechKit на русском в первоисточнике нет. Различаются они способом работы: Whisper запускают у себя по лицензии MIT, SpeechKit — облачный сервис с тремя режимами: синхронный принимает записи до 30 секунд, асинхронный — до 4 часов. Поток (potok.now) — облачный сервис для диктовки.
Whisper и Yandex SpeechKit решают одну задачу, но подключаются по-разному. Whisper скачивают и запускают на своём компьютере. SpeechKit — облачный сервис Yandex Cloud, куда отправляют звук запросами. Сравнить их по ошибкам на русском в первоисточнике нечем, поэтому ниже сравниваются режимы, лимиты и доступ.
Чем Whisper отличается от Yandex SpeechKit для русского
Whisper — открытая модель с лицензией MIT. Устанавливается командой pip install -U openai-whisper, нужен ffmpeg. Размеры от tiny на 39 млн параметров до large на 1550 млн; large просит около 10 ГБ видеопамяти. В статье OpenAI для русского на тесте Fleurs, где дикторы читают текст, WER у large равен 6,4%, у large-v2 — 5,6%.
SpeechKit работает в трёх режимах. Потоковый принимает до 5 минут звука и 10 МБ, один канал. Синхронный — до 30 секунд и 1 МБ, один канал. Асинхронный — до 4 часов и 1 ГБ, до двух каналов. Русский ru-RU стоит по умолчанию, автоопределение языка есть только в API v3. Названы модели general, general:rc и deferred-general, последняя для асинхронного режима. В примере из справки звук подаётся как LPCM 8000 Гц, один канал, с кодом языка ru-RU. Версия Whisper turbo (809 млн параметров) заявлена примерно в 8 раз быстрее large, а карточка large-v3 предупреждает, что модель способна выдать текст, которого нет в записи.
Какой режим SpeechKit под какую запись
Для короткой реплики до 30 секунд подходит синхронный режим, для телефонного разговора или лекции до четырёх часов — асинхронный. В асинхронном файл идёт через бакет до 1 ГБ, либо до 60 МБ в теле запроса API v3, а результаты хранятся 3 дня. Квоты: потоковый 40 запросов в секунду, синхронный 20 в секунду, асинхронный 500 запросов в час. Бесплатного уровня на странице лимитов нет, а цены есть: потоковое и синхронное считаются по 15 секунд с округлением вверх.
Доступ идёт через сервисный аккаунт с ролью ai.speechkit-stt.user, по API-ключу или IAM-токену; для асинхронного режима нужна ещё роль storage.uploader. Для Python есть SDK yandex-ai-studio-sdk с переменными YC_API_KEY и YC_FOLDER_ID. Общая картина по обеим сторонам — в разборах Whisper и русской речи и API SpeechKit для разработчиков.
| 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 |
Когда выбор между ними не нужен
Если вам нужна диктовка в любую программу, а не API для своего сервиса, оба варианта лишние. Поток — облачный сервис, распознавание идёт на серверах в России; без интернета он не работает. Приложений для Android и iPhone у Потока нет, а бесплатного лимита мало тому, кто диктует весь день. Для готовых записей есть Telegram-бот potok_now_bot: одна подписка покрывает приложение для диктовки и бот для записей и голосовых. Про бесплатные условия SpeechKit подробнее в материале про бесплатный лимит SpeechKit.
Частые вопросы
Потоковый принимает до 5 минут и 10 МБ, синхронный — до 30 секунд и 1 МБ, асинхронный — до 4 часов и 1 ГБ. В потоковом и синхронном один канал, в асинхронном до двух.
Русский, ru-RU. Автоопределение языка (auto) есть только в API v3. Из моделей названы general, general:rc и deferred-general; последняя — для асинхронного распознавания.
Скачать установщик с potok.now/download → установить → зарегистрироваться по email → в любом текстовом поле зажать хоткей (по умолчанию Ctrl+Space) → говорить → отпустить хоткей — текст появится в поле.
Зарегистрироваться можно по e-mail с паролем или через Google. При регистрации по e-mail на почту приходит письмо со ссылкой подтверждения; после перехода по ней можно войти. Подписку и оплату видно в личном кабинете potok.now/account.
Нет. «Поток» (potok.now) — это десктопное приложение для голосового ввода текста на Windows, macOS и Linux: зажал хоткей, продиктовал, текст вставился в активное поле. К инвестиционным сервисам или финансовым платформам с похожим названием отношения не имеет.
Нет, версии Потока для Android нет — продукт работает только на компьютере: Windows, macOS и Linux. Для Android есть встроенный голосовой ввод Google (Gboard) или клавиатура Samsung.
Если хотите сравнить сами
Возьмите одну свою задачу и надиктуйте её в «Потоке». Первые 14 дней — без ограничений и без карты. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»В подписку «Потока» входит и Telegram-бот @potok_now_bot: перешлите ему голосовое или длинную запись встречи — он вернёт текст. Без подписки в боте 60 минут в месяц бесплатно.
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