Расшифровка нейросетями: что умеют ChatGPT, Whisper, Алиса и GigaChat — и чего не умеют

«Загрузить в ГПТ»: почему это работает не так, как ждёшь

Нейросетей, о которых идёт речь, два вида, и путаница между ними порождает почти все разочарования. Чат-модели вроде ChatGPT, GigaChat, Алисы AI или DeepSeek работают с текстом: читают его и пишут. Речевые модели, а это Whisper, Яндекс SpeechKit, GigaAM у Сбера, слушают. Они превращают звуковую волну в слова. Когда чат «понимает голос», за кулисами всегда работает вторая, речевая модель. Отдельная программа со своими лимитами на размер файла, длину записи и язык.

Аналогия из офиса. Переводчик может блестяще пересказать письмо, но стенографировать совещание не умеет, для этого зовут стенографистку. Спросите у переводчика «а ты можешь записать, что говорили на встрече?», и он ответит по памяти, что-то додумав. Именно так ведёт себя чат-модель, если подсунуть ей звук без речевой модели под капотом: отказывается или пересказывает.

Отсюда правило на всю статью. Вопрос «умеет ли ChatGPT расшифровывать» поставлен неправильно. Правильный звучит так: какая речевая модель стоит под капотом, на каких условиях к ней пускают и что она делает с длиной записи, спикерами и русским языком. Ниже ровно это, по каждому инструменту.

ChatGPT: что на самом деле происходит с аудиофайлом

Самый частый сценарий: человек перетаскивает mp3 в окно чата и ждёт текст. По справке OpenAI на сентябрь 2026 ChatGPT принимает документы, таблицы, презентации и изображения, то есть DOCX, PDF, XLSX, PPTX. Аудио и видео в списке поддерживаемых файлов нет.

ИсточникOpenAI Help Center, «What types of files are supported?»

Что происходит на практике, описано на форуме самой OpenAI. В октябре 2024 владелец платной подписки Plus пожаловался, что загрузил mp3 и получил ошибку «требуемый модуль для транскрибации недоступен в текущем окружении». Чат попытался запустить внутри себя программу распознавания и не смог. Модератор ответил прямо: «ChatGPT, бесплатный или Plus, напрямую расшифровку аудио не поддерживает», и посоветовал отдельный платный API. В июле 2026 другой пользователь попросил добавить полноценную загрузку mp3 и mp4. Поддержка OpenAI приняла это как пожелание «для будущей разработки». За два года ничего не изменилось.

Нас удивило другое. В англоязычных обзорах гуляет утверждение «с 2024 года в ChatGPT можно загрузить mp3 до 25 МБ». Цифра 25 МБ существует, это лимит API для программистов, о нём в следующем разделе. На чат её перенесли по ошибке, и ошибка разошлась по десяткам статей. Если у вас загрузка звука в чат однажды сработала, это эксперимент, которого нет в справке, и он может исчезнуть в любой день.

Что ChatGPT умеет с голосом на самом деле. Три вещи, и ни одна не про готовый файл.

1. Голосовой режим. Расшифровывает то, что вы говорите в микрофон прямо сейчас, и отвечает. Запись встречи сюда не подсунуть, только свою живую речь.
2. Режим записи Record. Кнопка в приложении для macOS на тарифах Plus, Pro, Business, Enterprise и Edu. Пишет встречу или голосовую заметку с микрофона и системного звука, расшифровывает на лету, различает говорящих (когда не знает имени, пишет «Speaker 1»), на выходе даёт конспект и расшифровку. Потолок 4 часа на одну сессию. В браузере и на Windows кнопки нет. По словам OpenAI, режим «лучше всего работает на английском, для других языков точность варьируется». Аудио удаляется после расшифровки, а вот текст расшифровки у пользователей Free, Plus и Pro может пойти в обучение моделей, если не выключить в настройках пункт «Улучшать модель для всех».
3. API. Платный доступ для программ, где и живут речевые модели OpenAI. Ему посвящён следующий раздел.

Отдельно про Россию. Сайт и приложения ChatGPT официально здесь не работают: нужен VPN, а подписку Plus нельзя оплатить картой российского банка. Для личных заметок это неудобство. Для рабочих записей с чужими голосами ещё и вопрос закона, к нему вернёмся в конце.

Итог по ChatGPT: файл с записью встречи в чат не загрузить. Если у вас Mac и платный тариф, можно записать встречу заново через Record. Старую запись с телефона он не возьмёт.

ИсточникOpenAI Help Center, «ChatGPT Record», проверено 11.09.2026

Тот же OpenAI, но через API: Whisper-1, gpt-4o-transcribe и модель со спикерами

API это служебный вход для программ: вы или сервис за вас отправляете файл на сервер OpenAI и получаете обратно текст. Здесь пять речевых моделей, у каждой свой характер.

Общие условия для всех пяти: файл не больше 25 МБ, форматы mp3, mp4, mpeg, mpga, m4a, wav и webm. Отдельного лимита на длительность нет, ограничивает размер. Переведём 25 МБ в минуты. Mp3 с битрейтом 128 кбит/с даёт около 26 минут, 64 кбит/с около 52 минут, несжатый wav всего две с половиной минуты. Часовую встречу придётся резать на куски, отправлять по одному и склеивать текст, следя, чтобы разрез не пришёлся на середину слова.

Таймкоды есть только у whisper-1 (параметр timestamp_granularities и формат ответа verbose_json). Спикеры только у gpt-4o-transcribe-diarize, причём для записей длиннее 30 секунд документация требует включить автоматическую нарезку, chunking_strategy = auto. Остальные модели отдают сплошной текст.

Из России оплатить API напрямую нельзя по той же причине, что и подписку. Работают посредники: они продают доступ к тем же моделям за рубли и без VPN, добавляя свою наценку. Мы проверяли такой доступ сами. 17 июля 2026 года прогнали десятиминутный фрагмент через gpt-4o-transcribe-diarize у одного из посредников. Ответ шёл около четырёх минут, на монологе модель насчитала одного говорящего, то есть лишних не придумала, а стоимость вышла 1,55 ₽ за минуту. Себестоимость той же минуты в Яндекс SpeechKit, на котором работает наш сервис, 0,606 ₽.

И главное, о чём посредники пишут мелким шрифтом: файл при этом уходит на серверы OpenAI за пределы России. Для записи с голосами клиентов, пациентов или сотрудников это не техническая деталь, а вопрос 152-ФЗ.

ИсточникOpenAI, документация «Speech to text» и страница модели gpt-transcribe

Whisper у себя на компьютере: скорость, железо и русский язык

Whisper это открытая речевая модель OpenAI, выпущенная в 2022 году под лицензией MIT. Скачал, запустил, платишь только электричеством. Тот самый «бесплатный ChatGPT для аудио», который ищут в поиске. Только бесплатность здесь со своими условиями, и начинаются они с железа.

Сколько это по времени, замерил проект faster-whisper, ускоренная реализация той же модели, которую используют почти все оболочки. Запись на 13 минут, модель large-v2: оригинальный Whisper на видеокарте считает 2 минуты 23 секунды, faster-whisper 1 минуту 3 секунды, а с пакетной обработкой 17 секунд. На процессоре без видеокарты, модель small: 6 минут 58 секунд у оригинала против 2 минут 37 секунд у ускоренной версии.

Переведём в час записи. На видеокарте с 8–10 ГБ памяти самая точная модель обрабатывает час примерно за 5 минут, в пакетном режиме за полторы. На обычном ноутбуке без видеокарты модель small справится с часом за 12 минут, а large будет считать часами. На практике на процессоре ставят small или base и получают заметно больше ошибок.

Теперь про русский, и это самая важная цифра в статье. Точность речевых моделей меряют показателем WER, долей неправильно распознанных слов; что это и как посчитать на своей записи, мы разбирали отдельно. По открытому сравнению, которое Сбер опубликовал вместе со своей моделью GigaAM, Whisper даёт на десяти русскоязычных наборах данных средний WER 21,0 %. На чистой начитанной речи из Common Voice 5,5 %, на краудсорсинговых записях Golos 19,0 %, на звонках в колл-центр 23,1 %, на телефонных разговорах 27,4 %. Проще говоря, на живой русской речи Whisper ошибается примерно в каждом пятом слове. Модель Сбера на тех же данных даёт 8,3 %.

Чего в Whisper нет, и что с этим делают.

• Разделения по говорящим. Whisper выдаёт сплошной текст. Чтобы понять, кто что сказал, ставят надстройку WhisperX или библиотеку pyannote: отдельная установка, видеокарта и ещё один слой ошибок.
• Устойчивости к тишине. На паузах, музыке и шуме модель галлюцинирует, то есть дописывает фразы, которых не было. Русскоязычный интернет знает это по знаменитому «Субтитры сделал DimaTorzok», которое Whisper вставляет в тишину. Наследие обучения на субтитрах к видео.
• Длинного окна. Модель слушает кусками по 30 секунд и режет запись сама, на стыках иногда теряет слово.
• Единообразия в цифрах. Даты и суммы выходят то словами, то цифрами, для протокола это придётся править руками.
• Кнопки. Whisper это командная строка. Оболочки с окном есть (whisper.cpp, Buzz, MacWhisper, Subtitle Edit), но установка Python, ffmpeg и драйверов видеокарты остаётся на вас.

Стоимость владения без прикрас: если видеокарты нет, «бесплатный» Whisper превращается либо в покупку железа, либо в ожидание. Плюс вечер на установку и отсутствие поддержки. Когда что-то отвалится после обновления, спросить будет не у кого. Зато есть четыре ситуации, где локальный Whisper единственно верный выбор: закрытые данные, которые нельзя выпускать с компьютера; работа без интернета; десятки часов записей в месяц при уже имеющейся видеокарте; английская речь, на которой Whisper силён.

ИсточникРепозитории openai/whisper и SYSTRAN/faster-whisper на GitHub; сравнение по русскому в evaluation.md проекта GigaAM

Алиса, Яндекс Браузер и SpeechKit: что из Яндекса даёт текст

Алиса как ассистент, в колонке, в приложении, в браузере, файлы не принимает. Она слушает вас, а не запись. Команда «Алиса, расшифруй голосовое» упирается в ту же стену, что и mp3 в ChatGPT. Голос в текст Алиса переводит только ваш собственный и только пока вы говорите.

Другое дело Яндекс Браузер с Алисой AI. У него есть «Пересказ» для видео: работает на dzen.ru, vkvideo.ru, vk.com, youtube.com и rutube.ru, видео должно быть длиной от 40 секунд до 4 часов, основные языки русский плюс английский, остальные он тоже пробует. На выходе основные тезисы с таймкодами в двух вариантах, «кратко» и «подробно», плюс автоматические субтитры и перевод слов по клику. Удобно, когда надо понять, стоит ли смотреть часовую лекцию.

Но это не расшифровка. Пересказ выбрасывает большую часть сказанного, дословных цитат в нём нет, локальный файл с диктофона в браузер не загрузить. И, как честно пишет справка, «нейросеть не перескажет видео, если в нём никто не говорит или нет субтитров». Для конспекта лекции по ссылке годится. Для протокола совещания или интервью нет.

Телемост, где проходит половина корпоративных созвонов, записывает встречу на Яндекс Диск, а расшифровку даёт в бизнес-тарифе Яндекс 360. Этот маршрут вместе с тем, что умеет Алиса на самом деле, мы разобрали в отдельной статье о транскрибации в Яндексе.

Настоящая речевая модель Яндекса называется SpeechKit. Для обычного человека у неё нет кнопки, это облачный сервис для программ. По прайсу на 11 сентября 2026 асинхронное распознавание файла стоит 0,1515 ₽ за 15 секунд, то есть 0,606 ₽ за минуту, а отложенный режим, когда результат не нужен сразу, 0,0381 ₽ за 15 секунд, или 0,152 ₽ за минуту, всё с НДС. На SpeechKit работают сервисы расшифровки, в том числе наш, отсюда и наша себестоимость минуты. Сильные стороны: родной русский и серверы в России. Слабая одна: без программиста к нему не подойти.

ИсточникСправка Яндекс Браузера, раздел «Пересказ»; правила тарификации SpeechKit

GigaChat и GigaAM: самое сильное на русском

GigaChat один из немногих больших чатов, который принимает аудио напрямую и при этом работает из России: в веб-версии giga.chat, в Telegram-боте и в мессенджере MAX. В справке Сбер описывает, как учил модель слышать. Распознавание диалогов с разбиением по спикерам, метки говорящего, форматирование расшифровки, при желании маскирование мата и пометка слов-паразитов. Чего в справке нет: лимитов на длину и размер файла и обещания дословности. Наш совет: пробовать на записи до 15–20 минут и проверять, не пересказал ли чат вместо того, чтобы расшифровать. Чат-модель по природе тянется к пересказу, и на длинной записи это заметнее всего.

Куда интереснее то, что Сбер выложил в открытый доступ: речевую модель GigaAM под той же лицензией MIT, что и Whisper. Версия v3 обучена на 700 тысячах часов русской речи, и вместе с ней опубликована таблица сравнения с Whisper на десяти наборах данных. Ниже пять строк из неё, WER в процентах, меньше значит лучше.

Оговорки. GigaAM это модель распознавания, не диаризации: говорящих она не различает. Готовой программы с кнопкой нет, нужен Python не ниже 3.10, ffmpeg и команда pip install. На процессоре работает, но медленно, видеокарта желательна. То есть это инструмент для разработчика, который хочет собрать себе локальную расшифровку русского без зарубежных моделей. В той же таблице Сбера есть ещё одна российская открытая модель, T-One от Т-Банка, со средним WER 16,3 %: хуже GigaAM, но лучше Whisper.

ИсточникРепозиторий salute-developers/GigaAM и его evaluation.md

Голосовые в мессенджерах: Telegram, VK, WhatsApp, MAX

Самая частая расшифровка в жизни не встреча, а голосовое от коллеги на три минуты. Тут нейросети встроены прямо в мессенджеры, и у каждого свои правила.

Общее ограничение у всех четырёх одно: расшифровывают только сообщения внутри чата. Файл с диктофона, запись созвона, лекцию мессенджер не возьмёт, а если переслать себе mp3, кнопки расшифровки рядом с ним не появится. Для голосовых длиннее пары минут и для аудиофайлов из чатов удобнее бот или сервис, который принимает запись как файл.

ИсточникEngadget о расшифровке голосовых в Telegram для всех; блог WhatsApp «Introducing Voice Message Transcripts»

Gemini, DeepSeek и остальные чаты

Gemini от Google аудио принимает, но с разными лимитами для людей и для программ: в приложении до 10 файлов общей длиной не больше 10 минут, через API до 9,5 часов звука в одном запросе. Из России и то и другое через VPN и с зарубежной картой. DeepSeek работает с текстом и документами, звук не принимает вовсе. Если появится новый чат, который «умеет аудио», проверьте три вещи до того, как отправлять ему часовую запись: лимит длины, есть ли разделение по говорящим и дословно ли он расшифровывает или пересказывает.

ИсточникGoogle, «Audio understanding», документация Gemini API

Сводная таблица: четырнадцать инструментов по шести признакам

Что мы намерили сами

Мы делаем сервис расшифровки на Яндекс SpeechKit, поэтому у нас есть цифры, которых в справках нет: своя экономика и свои прогоны.

Замер OpenAI мы уже описали: десять минут монолога, около четырёх минут ожидания, один говорящий без выдуманных лишних, 1,55 ₽ за минуту. Он же показал, почему мы не переключили движок. Текст на выходе был рабочий, но цена выше в два с половиной раза, и запись уезжает за границу.

Второй набор цифр из нашей базы. 11 сентября 2026 мы посчитали все 244 записи, которые клиенты расшифровали с середины июня: 100 человек, 61,5 часа звука, только средние, без имён и файлов. Вот как выглядит реальная запись, а не та, что в примерах из справок.

Вывод из таблицы простой. Пока запись короткая, нейросети взаимозаменяемы, берите любую бесплатную. Граница проходит по пятнадцати минутам и по 25 мегабайтам. За ней каждая третья запись в чат-режимы не помещается вовсе, а в API OpenAI пролезает только нарезкой на куски. Вот где на самом деле разница между «поиграть с нейросетью» и «работать с записями»: в длине и размере файла, а не в точности.

И про нас без прикрас: стопроцентной точности нет и у нас. На именах, узких терминах и записи из дальнего угла переговорной мы ошибаемся, как и все. Где именно и что с этим делать, написано отдельно, а проверить на своей записи можно на бесплатных 30 минутах.

Как выбрать: шесть ситуаций

1. Голосовое на сорок секунд от коллеги. Кнопка в мессенджере: WhatsApp и MAX бесплатно и без лимита, Telegram два в неделю. Ничего лучше не нужно.
2. Свои мысли на ходу. Голосовой режим любого чата или диктовка в телефоне: вы говорите, текст появляется. Это голос в текст без файла, и здесь ChatGPT действительно хорош.
3. Один файл до 15 минут, один голос, и вы дружите с командной строкой. Whisper или GigaAM на своём компьютере либо API OpenAI через посредника. Дёшево и под контролем.
4. Лекция на полтора часа для конспекта. Если она лежит на YouTube или VK и нужны только тезисы, хватит пересказа в Яндекс Браузере. Если нужен текст, по которому можно искать и цитировать, берите сервис с таймкодами, а дальше конспект из него.
5. Планёрка вчетвером, где важно, кто что обещал. Только модель с разделением по говорящим: gpt-4o-transcribe-diarize через посредника с нарезкой файла или сервис, который делает это одним файлом, как устроены спикеры у нас.
6. Записи пациентов, клиентов, переговоры по договору, материалы для суда. Либо локальная модель, либо обработка в России. Зарубежные API исключены не из-за качества, а из-за закона, подробнее о конфиденциальности.

Что делать с текстом после нейросети: пять промптов и чек-лист вычитки

Расшифровка это сырьё. Превращать её в документ чат-модель умеет отлично, любая: ChatGPT, GigaChat, Алиса, наш ИИ-слой на YandexGPT. Условие одно: просить правильно и проверять в правильных местах. Промпты ниже мы обкатали на своих записях, копируйте как есть.

1. Причесать: «Ниже дословная расшифровка. Убери слова-паразиты и повторы, исправь опечатки распознавания, расставь абзацы. Смысл и порядок реплик не меняй, ничего не сокращай».
2. Саммари: «Составь выжимку: пять главных тезисов, принятые решения, открытые вопросы. У каждого пункта укажи, кто это сказал, если в тексте есть имена. Не добавляй ничего, чего нет в тексте».
3. Протокол: «Оформи как протокол совещания: участники, повестка, решения, поручения (кому, что, срок). Если срок или исполнитель не названы, пиши „не определено“, не придумывай».
4. Цитаты: «Найди пять самых сильных дословных цитат и приведи их без изменений, с указанием говорящего».
5. Термины: «Выпиши списком все имена, названия компаний, термины и цифры, я проверю их по записи».

Теперь где чат-модель врёт. Не потому что плохая. Её учили писать связно, а связность проще всего достигается додумыванием. Она придумывает решения: «давайте подумаем до пятницы» превращается в «договорились сделать к пятнице». Путает, кто что обещал, особенно если спикеры подписаны номерами, а не именами. Округляет цифры: в расшифровке 1 490, в саммари «около полутора тысяч», в протоколе так нельзя. Сглаживает возражения, и спор на десять минут становится «участники согласились». А если запись оборвалась на полуслове, закончит фразу за говорящего.

Отсюда чек-лист вычитки любого текста, который нейросеть сделала из расшифровки. Сверить каждую цифру и дату с дословным текстом. Проверить имена и должности. Каждое «решили» и «поручили» найти в расшифровке дословно. Отдельно перечитать отрицания: «не будем» и «будем» модель путает чаще, чем кажется. Всё, что стоит в кавычках, проверить на дословность. Последний абзац прочитать с вопросом «а это точно было сказано». Тем же грешит и наш ИИ-слой, поэтому у нас дословная вкладка всегда лежит рядом с причёсанной и с саммари. Проверять есть по чему.

Куда уходит запись: данные и закон

Последний признак, по которому инструменты различаются сильнее всего, в таблицах обычно не пишут. Запись встречи это голоса всех, кто на ней был, то есть персональные данные третьих лиц. По 152-ФЗ у их обработки должны быть основания, а у передачи за границу тем более. Плюс само право на запись: о ней предупреждают, а в ряде случаев берут согласие.

И наш расклад без рекламных формулировок. Текстомат обрабатывает звук в Яндекс SpeechKit, на серверах в России. Но это значит, что фраза «данные никуда не уходят» про нас неправда: они уходят Яндексу. Исходный файл удаляется автоматически через 30 минут после того, как текст готов (предельный срок по оферте 7 дней), а сам текст хранится у вас, пока вы его не удалите. Если для вашей задачи важно, чтобы запись вообще не покидала компьютер, это случай для Whisper или GigaAM, и мы об этом сказали выше.