Размеры моделей Whisper: tiny, base, small, medium и large — в чём разница

Whisper от OpenAI представлен в 9 вариантах модели по 5 категориям размеров: tiny (39 млн параметров), base (74M), small (244M), medium (769M) и large (1.55B). У каждого размера есть многоязычная версия и версия только для английского (кроме large и turbo, которые доступны лишь в многоязычном варианте). Также есть модель turbo (809M) — дистиллированная версия large-v3, почти такая же точная, но кардинально более быстрая. Чем крупнее модель, тем она точнее, но медленнее и требовательнее к памяти.

В квантованном формате whisper.cpp (GGML), который используют большинство локальных приложений для транскрипции, файлы моделей весят от 75 МБ (tiny) до 2,9 ГБ (large). Потребление памяти во время работы — от примерно 273 МБ для tiny до 3,9 ГБ для large. Подходящая модель зависит от вашего железа, языка и того, какая точность вам нужна.

Последнее обновление: 17 февраля 2026 г. Данные по параметрам, памяти и бенчмаркам перепроверены по как минимум двум первоисточникам.

• Официальные семейства моделей и число параметров: tiny/base/small/medium/large, а также turbo задокументированы OpenAI. README Whisper от OpenAI · Карточка модели Whisper
• Дисковый объём GGML/GGUF и контекст по памяти во время работы: оценки локального развёртывания взяты из документации whisper.cpp по конвертации и работе. whisper.cpp · Заметки whisper.cpp о памяти
• Оговорка по бенчмаркам: WER сильно зависит от набора данных и языка; цифры по LibriSpeech не являются универсальной оценкой качества. Статья о Whisper · Карточка модели large-v2
• Позиционирование модели turbo: turbo — это вариант с упором на скорость и компромиссами по точности, описанными в примечаниях к релизу и карточках моделей. Карточка модели turbo · Обсуждение релиза turbo
• Контекст использования OpenWhispr: OpenWhispr предоставляет несколько размеров Whisper, чтобы пользователи могли настроить баланс скорости и точности прямо на устройстве. OpenWhispr · Бэкенд whisper.cpp

Модель tiny — самый маленький и быстрый вариант Whisper. Всего 39 миллионов параметров и размер файла GGML в 75 МБ позволяют ей комфортно работать почти на любом железе — включая Raspberry Pi, старые ноутбуки и бюджетные мобильные устройства. Она транскрибирует примерно в 10 раз быстрее реального времени относительно модели large, что делает её лучшим выбором, когда задержка важнее идеальной точности.

У варианта tiny.en (только английский) WER на LibriSpeech test-clean составляет около 5,6%, поднимаясь до ~14,9% на test-other (шумное аудио с акцентами). Многоязычная модель tiny чуть хуже на английском, но поддерживает все 99 языков Whisper.

Tiny идеальна для быстрых заметок, малозначимой диктовки, прототипов живых субтитров, а также встраиваемых и периферийных устройств с ограниченными вычислительными ресурсами. Это стартовая модель по умолчанию для многих инструментов на базе whisper.cpp, потому что она скачивается за секунды и запускается мгновенно.

Модель base удваивает число параметров tiny (74M против 39M), оставаясь при этом очень лёгкой. При 142 МиБ (GGML) и ~388 МБ ОЗУ во время работы она по-прежнему комфортно помещается практически на любом современном устройстве. Прирост точности по сравнению с tiny заметен — особенно на шумном аудио и речи с акцентом.

Вариант base.en достигает около 4,3% WER на LibriSpeech test-clean и ~12,8% на test-other. Это ощутимый прогресс по сравнению с tiny.en (5,6% и 14,9% соответственно), особенно на сложном аудио.

Base — хороший выбор для маломощных устройств, где tiny оказывается недостаточно точной. Она также популярна в конвейерах транскрипции реального времени, где нужен баланс скорости и качества без выхода за 500 МБ ОЗУ.

Small — это уровень, на котором Whisper начинает ощущаться по-настоящему точным. При 244M параметров она в 3,3 раза крупнее base и даёт значительный прирост точности — особенно для неанглийских языков и шумных записей. Файл GGML весит 466 МиБ, а потребление ОЗУ во время работы — около 852 МБ. Она работает примерно в 4 раза быстрее large.

Вариант small.en достигает около 3,0% WER на LibriSpeech test-clean — выдающийся результат для модели, помещающейся менее чем в 500 МБ. Для многих сценариев только с английским small.en обеспечивает точность, близкую к medium, при доле затрат ресурсов.

Small часто рекомендуют как модель по умолчанию для большинства пользователей. Она хорошо работает на любом современном ноутбуке (включая MacBook Air M1 с 8 ГБ ОЗУ), даёт хорошую точность на разных языках и транскрибирует достаточно быстро для диктовки в реальном времени.

Medium — это уровень, где начинает работать закон убывающей отдачи, но прирост точности по сравнению со small всё ещё ощутим, особенно для многоязычной транскрипции, технической лексики и сложных условий записи. При 769M параметров ей требуется 1,5 ГиБ дискового пространства (GGML) и около 2,1 ГБ ОЗУ во время работы.

Модель medium.en достигает около 3,0% WER на LibriSpeech test-clean и примерно 7,5% на test-other. Однако на более широких бенчмарках — особенно с разнообразными акцентами, фоновым шумом и узкоспециальной лексикой — medium стабильно превосходит small.

Medium — сильный выбор для профессиональных рабочих процессов транскрипции, где важна точность, но нет железа (или терпения) для large. Она хорошо работает на машинах с 8 ГБ ОЗУ и больше и значительно выигрывает от ускорения на GPU.

Модель large — самый точный вариант Whisper, с 1,55 миллиарда параметров. Существуют три версии: large-v1 (оригинальный релиз), large-v2 (обучена в 2,5 раза больше эпох с добавленной регуляризацией) и large-v3 (обучена на большем объёме данных со 128 мел-частотными полосами вместо 80). Large-v3 — текущая рекомендуемая версия для максимальной точности.

large-v2 vs large-v3

Какую модель large выбрать: Для новых проектов используйте large-v3. В среднем она строго лучше large-v2 на всех языках. Тем не менее некоторые пользователи отмечают, что large-v2 даёт меньше галлюцинаций (генерации текста, которого нет в аудио) в отдельных пограничных случаях с очень тихими или беззвучными фрагментами. Если вы столкнётесь с галлюцинациями на large-v3, попробуйте large-v2 как запасной вариант.

Модель turbo — дистиллированная версия large-v3, которая кардинально сокращает время инференса, сохраняя при этом почти всю точность. OpenAI добилась этого, урезав декодер с 32 слоёв всего до 4 — сократив число параметров с 1550M до 809M. Энкодер (на который приходится основная нагрузка) остался идентичным large-v3.

Turbo — лучший выбор, когда нужна точность почти на уровне large-v3, но недопустима задержка полноценной модели large. На GPU с такими оптимизациями, как torch.compile, turbo может дать ускорение до 4,5 раза по сравнению со стандартным инференсом, что делает её чрезвычайно быстрой.

Для размеров tiny, base, small и medium Whisper предлагает два варианта: многоязычную модель и модель только для английского ( .en ). Модели large и turbo доступны лишь в многоязычном варианте — версий только для английского у них нет.

Разрыв в качестве между .en и многоязычными моделями наиболее значителен на меньших размерах. Для tiny и base варианты .en заметно лучше на английском. К моменту, когда вы доходите до small и medium, разница существенно сокращается. На уровне large есть только многоязычная модель — и она отлично работает на английском в любом случае.

Необходимое железо сильно зависит от размера модели и от того, используете ли вы whisper.cpp (CPU/Metal/CUDA) или реализацию PyTorch (с упором на GPU). Вот чего ожидать на распространённых классах оборудования.

Бэкенды ускорения whisper.cpp

whisper.cpp — порт на C/C++, который используют большинство десктопных приложений, — поддерживает несколько бэкендов аппаратного ускорения, способных кардинально повысить производительность:

Приблизительная скорость транскрипции

Коэффициент реального времени (RTF) для 60-секундного аудиофрагмента. RTF < 1,0 означает быстрее реального времени. Это грубые оценки — реальная производительность зависит от содержания аудио, квантования модели и нагрузки на систему.

Вот конкретные рекомендации для распространённых сценариев. Если сомневаетесь, начните со small и переходите выше или ниже по мере опыта.

OpenWhispr — это десктопное приложение для диктовки с открытым исходным кодом, которое под капотом использует whisper.cpp. Оно позволяет скачивать и переключаться между любыми моделями Whisper прямо из настроек — без командной строки. Модели скачиваются один раз и хранятся локально. Вы можете менять модели в любой момент, балансируя скорость и точность под своё железо.

• Radford et al. «Robust Speech Recognition via Large-Scale Weak Supervision» (2022) — Оригинальная статья о Whisper с полными результатами бенчмарков.
• Репозиторий OpenAI Whisper на GitHub — Официальная таблица моделей, число параметров, требования к VRAM и показатели относительной скорости.
• Карточка модели OpenAI Whisper — Официальный состав обучающих данных и оговорки по оценке.
• Репозиторий whisper.cpp на GitHub — Размеры моделей GGML, потребление ОЗУ и подробности об аппаратном ускорении.
• Карточка модели Whisper large-v2 (HuggingFace) — Контекст бенчмарка LibriSpeech, используемый во многих сравнениях WER.
• Карточка модели Whisper large-v3 (HuggingFace) — Детали обучения, изменения архитектуры по сравнению с large-v2 и многоязычные улучшения.
• Карточка модели Whisper large-v3-turbo (HuggingFace) — Детали архитектуры turbo, особенности урезания декодера и компромиссы по производительности.
• Анонс OpenAI Whisper Turbo (обсуждение на GitHub #2363) — Официальные примечания к релизу turbo и кроссязыковые сравнения производительности.
• OpenWhispr — Практический контекст локального развёртывания для выбора размеров моделей.