Parakeet, Whisper или Nemotron: лучшее локальное распознавание речи в 2026 году

Для английского и основных европейских языков лучшая локальная модель распознавания речи 2026 года — NVIDIA Parakeet TDT 0.6B v3: по измеренной точности она превосходит Whisper large-v3, занимает вчетверо меньше места и значительно быстрее работает на обычном CPU. Если текст должен появляться прямо во время речи, новые потоковые модели NVIDIA Nemotron — первые локальные модели, специально созданные для этой задачи. А для одного из множества языков, которых нет у NVIDIA, по-прежнему стоит выбрать Whisper от OpenAI с поддержкой 99 языков.

Главная неожиданность 2026 года: после трёх лет лидерства Whisper утратила первое место по точности среди открытых моделей. Но вопрос о лучшей модели теперь действительно имеет три ответа, поскольку каждая сильна в своём: Parakeet оптимизирует точность на ватт, Nemotron — задержку, а Whisper — широту языкового охвата. Мы сравниваем их по данным собственных карточек моделей и открытого рейтинга — без субъективных впечатлений и преувеличения разницы.

Последнее обновление: 18 июля 2026 г. Мы разрабатываем OpenWhispr — приложение для диктовки с открытым кодом, в которое входят все три семейства моделей, поэтому мы тестируем и поддерживаем каждое из них в рабочей среде. В этом и состоит наша позиция: мы не продаём ни одну из моделей, а ниже приводим те же честные компромиссы, которые объясняем своим пользователям.

• Средний WER Parakeet TDT 0.6B v3 в восьми тестах Open ASR Leaderboard составляет 6.34% при пропускной способности 3,332× реального времени. 600M параметров, 25 языков, лицензия CC-BY-4.0. Карточка Parakeet TDT v3 · Open ASR Leaderboard
• Whisper large-v3 получает около 7.4% в том же рейтинге и поддерживает 99 языков при 1.55B параметров и лицензии MIT. Репозиторий OpenAI Whisper · Карточка Whisper large-v3
• Средний WER Nemotron Speech Streaming EN 0.6B при потоковой обработке составляет 6.93% (блоки по 1.12 секунды); модель достигает 2.32% на LibriSpeech test-clean и обучена на 530,000 часах аудио. Карточка Nemotron Streaming EN
• Nemotron 3.5 ASR охватывает 40 языковых локалей в одной потоковой модели 600M с автоматическим определением языка; выпуск состоялся 4 июня 2026 года по лицензии OpenMDW. Карточка Nemotron 3.5 ASR
• Все указанные ниже размеры файлов и особенности работы приложения можно проверить в открытом реестре моделей OpenWhispr. OpenWhispr на GitHub · Страница моделей OpenWhispr

Все три — бесплатные модели с открытыми весами, которые можно скачать и запускать без интернета. Различия в архитектуре объясняют почти всё, что заметно на практике.

Для оценки речевых моделей используют коэффициент ошибок в словах (WER) — долю слов, распознанных неверно. Чем ниже значение, тем лучше. Стандартный ориентир — Open ASR Leaderboard от Hugging Face, где WER усредняется по восьми разнородным английским наборам данных (совещания, отчётные звонки, TED Talks, аудиокниги и другие), поэтому один простой набор не может искусственно улучшить результат модели.

График важно оценивать трезво: все модели пригодны для промышленного использования, а общий разброс — около 1.5 пункта. При обычной диктовке 6.3% и 7.4% воспринимаются похоже на чистом аудио; разница проявляется в сложных условиях — при акцентах, шуме и терминологии. В показателях NVIDIA примечательна цена результата: Parakeet достигает этой точности с 600M параметров против 1.55B у Whisper, а Nemotron получает 6.93% в потоке, не имея доступа к будущему аудио.

На оборудовании рейтинга Parakeet TDT v3 транскрибирует со скоростью 3,332× реального времени — примерно час аудио за секунду. Whisper large-v3 не достигает и десятой части этого результата. Причина в архитектуре: Whisper пишет текст по одному токену, каждый шаг ждёт предыдущего, а трансдьюсер один раз читает аудио и сразу выдаёт текст. Без цикла и повторных проходов для каждого слова.

На ноутбуке абсолютные цифры ниже, но соотношение сохраняется: абзац, который Whisper large обрабатывает несколько секунд, с Parakeet появляется почти мгновенно на CPU без GPU. Независимые тесты также показывают, что трансдьюсеры NVIDIA расходуют примерно в 8–10× меньше энергии на час аудио чем Whisper при сопоставимом качестве, что важно при долгой работе от аккумулятора.

Ответ Whisper — turbo (1.6GB), облегчённая версия large-v3, которая немного уступает в точности, но примерно в 8× быстрее Whisper-large. Для диктовки это подходящий вариант Whisper, однако он лишь сокращает разрыв. Подробное сравнение размеров смотрите в нашем руководстве по размерам моделей Whisper.

Правило простое. Для английского или крупного европейского языка подойдёт любая из трёх моделей — выбирайте по скорости. Японский, корейский, вьетнамский, арабский и хинди теперь доступны в потоковом режиме Nemotron 3.5 — впервые среди локальных моделей. Для мандаринского, тайского, индонезийского, суахили или частого переключения языков Whisper остаётся единственным серьёзным вариантом, и скоро это вряд ли изменится.

В потоковом режиме Nemotron не просто немного лучше — она делает то, чего архитектура двух других моделей не позволяет. Whisper обрабатывает аудио 30-секундными окнами и каждый раз заново кодирует всё содержимое. Поэтому «живая» Whisper — это та же пакетная модель, многократно запущенная на перекрывающихся фрагментах: дорого, с задержкой и нестабильными стыками. Архитектура Nemotron с кэшем обучена для потока: она обрабатывает только новый блок, переносит внутреннее состояние и выдаёт промежуточный текст с настраиваемой задержкой от 80 миллисекунд до 1.12 секунды.

В большом масштабе разница в эффективности огромна: NVIDIA сообщает о 17× большем числе одновременных потоков по сравнению с потоковой моделью прошлого поколения на той же GPU. На ноутбуке преимущество проще: текст появляется во время речи, а модель работает на вашем CPU. Инженерные подробности реализации в настольном приложении описаны в нашем разборе потокового ASR.

Если живой текст не нужен — вы диктуете, останавливаетесь и ждёте итоговую расшифровку, — потоковая обработка ничего не даёт, и пакетные модели Parakeet лучше. Поток нужен для субтитров в реальном времени, голосовых агентов и предпросмотра диктовки по мере речи.

Ни одной модели не нужна GPU. Модели NVIDIA поставляются как квантованные в INT8 файлы ONNX (631–680MB), которые уверенно работают на любом современном CPU — Apple Silicon или x86 — через sherpa-onnx, нативный бинарный файл без Python и PyTorch. Whisper запускается везде через whisper.cpp; размеры small и turbo подходят для CPU, а large-v3 (3GB, ~10GB RAM) действительно выигрывает от ускорения.

Если GPU есть, используйте её для Whisper: Metal встроен в Apple Silicon, а OpenWhispr предлагает в один клик среды CUDA (NVIDIA) и Vulkan (AMD и Intel) с автоматическим переходом на CPU при сбое GPU. Трансдьюсеры NVIDIA настолько быстры на CPU, что для диктовки ускорять их на GPU почти бессмысленно.

Если вы выбираете локальную модель ради конфиденциальности, все три равноценны: аудио обрабатывается на компьютере и никуда не отправляется. Подробнее об этом компромиссе читайте в материале о локальной и облачной транскрипции.