У многих из нас есть «кладбище» аудиозаписей: интервью, лекции, длинные совещания. Когда мой архив перевалил за сотню часов, я понял, что пора что-то менять. Облачные сервисы либо кусаются по цене, либо выдают «кашу» без нормальной пунктуации и разделения спикеров.
В этой статье я расскажу, как собрал локальный конвейер на базе WhisperX, почему 40 ГБ оперативной памяти важнее мощной видеокарты и как метод «вайб-кодинга» помог мне превратить одиночный скрипт в модульное приложение с пакетной обработкой.
Почему не ванильный Whisper?
Оригинальный Whisper от OpenAI хорош, но для моих задач у него было три фатальных недостатка:
-
Галлюцинации: на длинных паузах модель может начать повторять одну и ту же фразу.
-
Таймкоды: точность меток на уровне предложений — это ок для субтитров, но плохо для навигации по интервью.
-
Скорость на CPU: стандартная реализация крайне неэффективна без CUDA.
WhisperX решает это через связку технологий:
-
CTranslate2: движок, который позволяет запускать модели Whisper в разы быстрее на обычных процессорах.
-
VAD (Voice Activity Detection): сначала ищем голос, потом кормим фрагменты модели. Это убирает галлюцинации в тишине.
-
Phoneme Alignment: выравнивание текста по звуку с точностью до слова через модели Wav2Vec2.
Железо и реальные цифры
Мой сетап: Laptop Ryzen 5 5500U (6 ядер / 12 потоков), 40 ГБ RAM.
Чтобы было понятно, во что вы ввязываетесь при работе на CPU, вот сухие цифры для моделей семейства large:
|
Параметр |
Показатель |
|---|---|
|
Соотношение время/запись |
~2:1 (для large-v3) или ~1:1 (для turbo-версий) |
|
Загрузка CPU |
60–80% (можно параллельно сидеть в браузере) |
|
Потребление RAM |
~25 ГБ (модель + кэш + системные нужды) |
|
Температура |
85–90°C (прогонял сутками, без троттлинга) |
Загрузка процессора не упирается в 100% из-за специфики распараллеливания CTranslate2 и накладных расходов Python (привет, GIL), но это даже в плюс — ноутбук не превращается в кирпич на время работы.
От скрипта к модульной архитектуре
Скрытый текст
Изначально я оттолкнулся от проекта win-gui-whisperx, про который узнал из практического гайда на Хабре. Это была простая обертка над одним файлом, но для серьезной работы она не годилась.
Сейчас проект перерос в модульное приложение: логика транскрибации, менеджер очередей и GUI на Gradio разнесены по разным модулям (core.py, app.py, main_window.py). Это позволило внедрить систему Runtime Bootstrap, которая сама лечит проблемы совместимости PyTorch 2.6+ на Windows и гарантирует «безопасную» загрузку моделей.
Как выглядит обновленный пайплайн:
-
Установка в один клик: использую менеджер зависимостей uv. Через install.bat система сама выкачивает Python 3.13 и изолирует окружение — никакой ручной настройки путей.
-
Drag-and-Drop 2.0: файлы закидываются пачками, их можно сортировать за иконку «☰» прямо в очереди.
-
Детальная индикация: прогресс-бар теперь не просто ползет, а честно пишет фазу: «Загрузка модели», «Транскрибация», «Align» или «Diarization».
-
Массовые действия: появились кнопки «Выделить готовые» или «Удалить обработанные из очереди», чтобы быстро чистить список после ночного прогона.
Система пресетов и новые модели
Скрытый текст
По сравнению с оригинальным проектом я полностью переработал систему выбора моделей. Теперь они сгруппированы в три логических блока, чтобы сбалансировать скорость, точность и потребление ресурсов:
-
Standard (базовые): от крошечной tiny для тестов до medium и оптимизированной Russian Lite (small).
-
Distilled (скоростные): флагман здесь — Distil-Whisper Large v3.5. Идеально, если нужно быстро «перемолоть» английское интервью или созвон.
-
Large (максимальное качество):
-
Whisper Large v3 Turbo: мой фаворит и рекомендуемый выбор. Точность как у Large, но скорость на CPU значительно выше.
-
Russian Expert: специализированная модель для русского языка. Тонко чувствует падежи и сложные имена.
-
Все модели работают через CTranslate2, что дает ускорение в 2–4 раза по сравнению с оригиналом. На процессорах автоматически используется int8, что и позволяет не «убивать» ноутбук расчетами.
Инженерная часть и Google Antigravity
Я не хотел глубоко погружаться в дебри PyTorch. Моей задачей было сделать так, чтобы работало батчем.
Здесь помог вайбкодинг через Google Antigravity (аналог Cursor на базе Gemini 3.0). Нейронка понимает контекст всего проекта, что позволило быстро отрефакторить монолитный скрипт в модульную структуру и написать автотесты для динамической очереди.
Грабли и фиксы
Без проблем не обошлось. Первый запуск на большой очереди просто «замерз» через 10 минут. Оказалось — конфликт Intel MKL и OpenMP. Решение пришлось зашивать в конфиг:
# Фикс для предотвращения замерзания процесса на CPU os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE" os.environ["OMP_NUM_THREADS"] = str(multiprocessing.cpu_count())
Итог
На выходе я получаю не просто субтитры, а чистый файл _formatted.txt без технических меток, готовый к чтению. Ноутбук на Ryzen 5500U с 40 ГБ RAM стал надежной станцией, которая методично пережевывает архив, пока я сплю.
Если вам нужно разгрести свои записи — берите, пользуйтесь и дорабатывайте
P.S. Главный инсайт: современные LLM позволяют решать продуктовые задачи невероятно быстро. Вы можете не быть экспертом в «кишках» библиотек, но с правильным инструментом и четким пониманием процесса автоматизация сотен часов аудио становится делом нескольких вечеров.
Автор: Lexxar
