Установка Whisper и faster-whisper на сервер
Установка Whisper на сервер занимает одну команду pip install и пакет ffmpeg, а модели от tiny до large весят от 39 млн до 1,55 млрд параметров. Для сервера чаще берут faster-whisper: по тестам разработчиков он до 4 раз быстрее оригинала при той же точности и терпимо работает даже на процессоре.
Ответ за 30 секунд
Для расшифровки пары часов записей в день хватит обычного сервера с faster-whisper и моделью small или medium. Видеокарта нужна для large-v3 и turbo на потоке файлов, а HTTP API на порту 9000 нельзя оставлять открытым без пароля.
Для large-v3 и очередей из десятков часов записей: сервер с GPU с почасовой оплатой.
Whisper на сервере без видеокарты: что реально~6 ГБвидеопамяти для turbo
до 4xускорение faster-whisper
MITлицензия кода и весов
01 · 1 мин
Что такое Whisper и зачем ставить faster-whisper#
Whisper это открытая модель OpenAI для распознавания речи: расшифровывает аудио на десятках языков, включая русский, определяет язык и умеет переводить речь на английский. Код и веса выпущены под лицензией MIT, поэтому её можно встраивать в коммерческие сервисы.
faster-whisper от SYSTRAN это та же модель на движке CTranslate2. На 13 минутах записи и карте RTX 3070 Ti модель large-v2 у оригинала заняла 2 минуты 23 секунды, у faster-whisper 1 минуту 3 секунды, а в режиме int8 расход видеопамяти упал с 4,7 до 2,9 ГБ. Ещё одно удобство: faster-whisper не требует системного ffmpeg, звук декодирует библиотека PyAV.
02 · 1 мин
Какую модель Whisper выбрать и сколько ей нужно памяти#
| Модель | Параметры | Видеопамять | Скорость относительно large |
|---|---|---|---|
| tiny | 39 млн | ~1 ГБ | ~10x |
| base | 74 млн | ~1 ГБ | ~7x |
| small | 244 млн | ~2 ГБ | ~4x |
| medium | 769 млн | ~5 ГБ | ~2x |
| large | 1 550 млн | ~10 ГБ | 1x |
| turbo | 809 млн | ~6 ГБ | ~8x |
Цифры из README OpenAI, скорость мерили на английской речи и карте A100. Turbo это ускоренная large-v3, но переводу её не обучали: для перевода на английский берите medium или large. Для русской речи подходят только многоязычные модели, без суффикса .en.
Инструмент · 1 мин
Whisper на сервере без видеокарты: что реально#
На процессоре оригинальный Whisper медленный: small расшифровывал те же 13 минут почти 7 минут. faster-whisper в int8 справился за 1 минуту 42 секунды, а whisper.cpp за 2 минуты 5 секунд при 1 ГБ памяти. Для заметок, звонков и голосовых из бота этого хватает, для large-v3 на потоке нужна видеокарта.
Какой сервер нужен Whisper
Три ответа, и калькулятор подберёт конфигурацию
04 · 1 мин
Установка Whisper и faster-whisper на Ubuntu#
- Создайте виртуальное окружение Python. Оригинал рассчитан на Python 3.8-3.11, faster-whisper на 3.9 и новее.
- Поставьте пакет. Оригиналу нужен ffmpeg из репозитория Ubuntu, иногда ещё Rust для сборки tiktoken.
- Для видеокарты faster-whisper нужны библиотеки cuBLAS и cuDNN 9 для CUDA 12. Их ставят через pip или берут образ nvidia/cuda с cudnn9, подробнее на странице установка CUDA.
sudo apt update && sudo apt install ffmpeg python3-venv
python3 -m venv ~/whisper && source ~/whisper/bin/activate
pip install -U openai-whisper
whisper zapis.mp3 --model turbo --language Russian
pip install faster-whisperВ коде faster-whisper модель загружают строкой WhisperModel("large-v3", device="cuda", compute_type="float16"), на процессоре device="cpu", compute_type="int8". Веса скачиваются при первом запуске в кэш пользователя.
05 · 1 мин
Whisper в Docker как HTTP API для своих сервисов#
Чтобы расшифровку вызывали бот, CRM или n8n, Whisper заворачивают в HTTP-сервис. Готовый вариант whisper-asr-webservice поднимает REST API со страницей Swagger на порту 9000 и умеет три движка: openai_whisper, faster_whisper и whisperx.
docker run -d --gpus all -p 127.0.0.1:9000:9000 \
-e ASR_ENGINE=faster_whisper -e ASR_MODEL=large-v3 \
-v /srv/whisper-cache:/root/.cache \
onerahmet/openai-whisper-asr-webservice:latest-gpuБез видеокарты уберите --gpus all и возьмите тег latest. Том с кэшем избавляет от повторной загрузки модели при каждом пересоздании контейнера. Если нужен API в формате OpenAI, посмотрите speaches: он тоже работает на faster-whisper. Порт привязан к 127.0.0.1 не случайно: снаружи к сервису обращаются через прокси с паролем или токеном, иначе ваш сервер начнут бесплатно расшифровывать чужие файлы.
06 · 1 мин
Вопросы об установке Whisper#
Нужен ли ffmpeg для faster-whisper?
Нет. faster-whisper декодирует звук библиотекой PyAV, в которую ffmpeg уже встроен. Системный ffmpeg нужен оригинальному openai-whisper.
Можно ли использовать Whisper в коммерческом проекте?
Да. OpenAI выпустила и код, и веса Whisper под лицензией MIT, faster-whisper тоже под MIT.
Почему faster-whisper не видит видеокарту?
Чаще всего не хватает cuBLAS и cuDNN 9 для CUDA 12: свежие версии ctranslate2 работают только с ними. Для CUDA 11 разработчики советуют откатить ctranslate2 до 3.24.0.
Почему этому можно верить
Как мы проверяли
Источники цифр на этой странице: VPS и VDS серверы Таймвеб Клауд, timeweb.cloud/services/vds-vps, проверено 14 октября 2026; Серверы с GPU Таймвеб Клауд, timeweb.cloud/services/gpu, проверено 14 октября 2026; OpenAI Whisper: README, модели и требования к видеопамяти, github.com/openai/whisper, проверено 14 октября 2026; faster-whisper (SYSTRAN): README и тесты скорости, github.com/SYSTRAN/faster-whisper, проверено 14 октября 2026; whisper-asr-webservice: запуск в Docker, github.com/ahmetoner/whisper-asr-webservice, проверено 14 октября 2026; speaches: OpenAI-совместимый сервер распознавания речи, github.com/speaches-ai/speaches, проверено 14 октября 2026.
Возьмите сервер с видеокартой под модель
Облачный GPU-сервер запускается за 1-2 минуты, оплата почасовая.
- RTX 4090, A5000, A6000, A100, H100
- От 1 до 4 карт на сервер
- Почасовая оплата
- Дата-центры уровня Tier III