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 уже 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 бесплатная Алиса переводит только ваш собственный и только пока вы говорите.

Алиса Про: файл до 4 часов в проекте

Платная Алиса Про устроена иначе. По справке Яндекс 360 в проект можно загрузить аудиофайл в MP3, WAV, OGG или M4A длиной до 4 часов и размером до 300 МБ. Запись превращается в текст внутри проекта, дальше с ней работают через чат: просят расшифровку, тезисы с таймкодами, протокол созвона. Видео в списке форматов нет, звук из ролика придётся вынуть заранее. Делит ли Алиса Про реплики по говорящим, справка не пишет, поэтому проверьте это на своей записи до того, как нести туда планёрку.

Главная разница с сервисами расшифровки в том, что Алиса Про остаётся чат-моделью с речевым входом. Дословность и полнота зависят от того, как вы сформулируете запрос, и ответ приходит сообщением в чате проекта. Для конспекта и протокола этого часто хватает, для цитат в статье или материалов для суда лучше сверять с записью.

ИсточникСправка Яндекс 360 для Алисы Про, раздел «Расшифровка аудио», проверено 30.09.2026

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. Лимиты Сбер называет в отдельной статье о расшифровке: запись до 60 минут и размером до 30 МБ, сервис бесплатный и работает без VPN, разбивки на таймкоды нет. Часовую встречу в хорошем качестве придётся сжать или разрезать. Обещания дословности в справке нет, так что проверяйте, не пересказал ли чат вместо того, чтобы расшифровать. Чат-модель по природе тянется к пересказу, и на длинной записи это заметнее всего.

ИсточникGigaChat, «Расшифровка аудио в текст», проверено 30.09.2026

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: 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: пятнадцать 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, мы разобрали в статье о точности. Проверить на своей записи можно на бесплатных минутах: их до 60, 30 после подтверждения почты и ещё 30 за подписку на наш Телеграм-канал.

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.

Если нужна вся запись текстом, со спикерами и таймкодами, но без установки, нарезки и посредников, это задача для сервиса. Так устроен перевод аудио в текст нейросетью у нас: файл до 2 ГБ и около 4 часов звука, результат в Word, TXT, SRT или JSON.

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.