Альтернатива Otter, за якої записи не йдуть у хмару, це відкритий вебзастосунок на робочій станції в офісі. Він приймає аудіофайл, пише стенограму з розміткою мовців, складає підсумок локальною мовною моделлю й віддає текст на експорт. Станом на жовтень 2026 року для цього є два готові проєкти, Scriberr і Whishper, і кожному з них для команди вистачає однієї NVIDIA RTX PRO 4500 Blackwell на 32 ГБ. Відмовитися доведеться передусім від бота, який сам приєднується до відеодзвінків, і від мобільних застосунків.

Розрахунок пам'яті для великих серверів є в статті про сервер розпізнавання мовлення під Whisper. Тут мова про застосунок, у якому команда працює щодня, про українську й російську мову і про вимоги Закону № 2297-VI до записів розмов.

Коротко

  • Локальний застосунок відтворює цикл Otter (завантаження, стенограма з мовцями, підсумок, експорт) на машині компанії, тож записи не виходять за її межі.
  • Scriberr (MIT) запускає Parakeet, Canary і Whisper, розмічає мовців і робить підсумки через Ollama; Whishper (AGPL-3.0) працює на faster-whisper і має редактор субтитрів.
  • На українському FLEURS у статті NVIDIA Whisper large-v3 має WER 6,51 %, Parakeet TDT 0.6B v3 6,79 %, Canary-1B v2 10,50 %.
  • Розробку Scriberr призупинено з обіцянкою відновити (остання версія v1.2.0), основну гілку Whishper заморожено на час переписування версії 4.
  • За нашою оцінкою, RTX PRO 4500 на 32 ГБ вміщує Whisper large і модель підсумків gpt-oss-20b одночасно.

Otter чи власний застосунок: що зміниться для команди

На головній сторінці, прочитаній 30 жовтня 2026 року, Otter описує агента для нарад: транскрибація в реальному часі, чат, автоматичні підсумки й завдання. Через Google Calendar агент сам заходить на наради в Zoom, Teams і Google Meet; є також застосунки для iOS та Android. Happy Scribe того ж дня обіцяв транскрибацію більш ніж 150 мовами, субтитри, експорт у DOCX, PDF, SRT і VTT та зберігання записів в ЄС. Передавати дані до держав ЄЕЗ стаття 29 Закону № 2297-VI дозволяє, проте обробник однаково лишається зовнішнім. Локальний застосунок його прибирає.

Функція Otter (головна сторінка) Scriberr Whishper
Завантаження записів імпорт аудіо й відео так, плюс спостерігач за текою так
Запис у застосунку десктоп, мобільний, браузер вбудований диктофон у README не згадано
Участь у відеодзвінках агент через календар у README не згадано у README не згадано
Розмітка мовців так так, через PyAnnote у README не згадано
Підсумки й запитання до тексту так через Ollama або OpenAI-сумісний сервер ні
Субтитри й переклад на головній не згадано у README не згадано редактор, SRT і VTT, LibreTranslate
Де працює сервіс постачальника ваша машина ваша машина

Джерело: головна сторінка Otter; README Scriberr і Whishper на GitHub; прочитано 30.10.2026.

Аудіо, стенограма й підсумок лишаються на станції, якщо модель підсумків теж працює на ній. Scriberr уміє звертатися до будь-якого провайдера із сумісним з OpenAI API, а з версії v1.2.0 і транскрибувати через OpenAI, тож куди підуть дані, вирішує той, хто налаштовує застосунок. У локальному варіанті підсумки рахує Ollama або vLLM на тій самій машині. Нарада в Zoom чи Teams однаково проходить через їхній сервіс, тому в застосунок зазвичай завантажують запис із комп'ютера учасника або файл із диктофона.

Scriberr, Whishper, WhisperX і Speaches: порівняння відкритих проєктів

Два з чотирьох проєктів є готовими вебзастосунками для користувачів, ще два слугують будівельними блоками для ІТ-відділу.

Проєкт Ліцензія Тип Рушій розпізнавання Стан (жовтень 2026)
Scriberr MIT вебзастосунок Parakeet, Canary, Whisper v1.2.0; розробку призупинено, відновлення анонсовано
Whishper AGPL-3.0 вебзастосунок faster-whisper основну гілку заморожено; переписують версію 4
WhisperX BSD-2-Clause інструмент на Python і CLI Whisper на faster-whisper 3.8.6 від 25.05.2026
Speaches MIT сервер мовного API faster-whisper v0.9.0-rc.3, кандидат на реліз

Джерело: сторінки Scriberr, Whishper і Speaches на GitHub, сторінка WhisperX на PyPI, прочитано 30.10.2026. Зірки на GitHub: Scriberr 3,1 тис., Whishper 3,1 тис., Speaches 3,7 тис.

Scriberr за власним описом є повністю офлайновим застосунком. Він ставить мітки часу для кожного слова, сам визначає мовців і через підключену мовну модель відповідає на запитання до стенограми. Переглядач тексту йде за звуком під час відтворення, фрагменти можна виділяти й коментувати, спостерігач за текою підхоплює нові файли, а версія v1.2.0 додала вебхуки й інструмент командного рядка. Форматів експорту й ролей користувачів README не перелічує, тому розраховуйте на один спільний робочий простір на команду всередині корпоративної мережі.

Whishper транскрибує й перекладає локально через вебінтерфейс. Його редактор субтитрів ділить сегменти, попереджає про забагато символів на секунду й підсвічує текст під час відтворення; експорт можливий у TXT, JSON, VTT і SRT. Автентифікація користувачів поки лише в дорожній карті, тож застосунок ставлять у довірену внутрішню мережу або за зворотний проксі з входом.

WhisperX розрахований на ІТ-команди. Сторінка на PyPI обіцяє пакетну обробку в 70 разів швидшу за реальний час на whisper large-v2 і менше 8 ГБ відеопам'яті. Мітки часу для слів дає вирівнювання wav2vec2, типові моделі якого передбачено для англійської, французької, німецької, іспанської та італійської; чотири неанглійські мають некомерційну ліцензію CC BY-NC 4.0. Української й російської в цьому переліку немає, тож модель вирівнювання для них задають окремо й перевіряють її ліцензію.

Speaches є сервером із сумісним з OpenAI API для транскрибації, перекладу й синтезу мовлення. Він підходить, коли компанії потрібен один центральний мовний сервіс для інших програм, наприклад для диктування. Версія v0.9.0-rc.3 має статус кандидата на реліз, тому фіксуйте ту, яку розгортаєте.

Точність розпізнавання української й російської в Scriberr і Whishper

Самі застосунки мови не розпізнають, усе залежить від моделі під ними. Whisper large-v3, Parakeet TDT 0.6B v3 і Canary-1B v2 підтримують обидві мови, а порівняння за однаковою методикою є в статті NVIDIA.

Модель Ліцензія WER uk, FLEURS, % WER ru, FLEURS, %
Whisper large-v3 MIT 6,51 4,17
Parakeet TDT 0.6B v3 CC-BY-4.0 6,79 5,51
Canary-1B v2 CC-BY-4.0 10,50 6,90

Джерело: стаття NVIDIA arXiv 2509.14128; ліцензії за репозиторієм OpenAI і картками моделей; прочитано 13.11.2026.

WER показує частку помилково розпізнаних слів. FLEURS складається з прочитаних речень, тож на нарадах і дзвінках помилок буде помітно більше. Одна модель у різних вимірюваннях дає різні цифри: у рейтингу Handy (FLEURS, ваги Q8_0) Parakeet v3 має на українській 6,84 %, а для російської найнижчий WER там у Whisper large-v3, 4,96 %. Опублікованих вимірювань на суржику чи мішаних українсько-російських нарадах ми не знайшли. Докладніше про моделі для обох мов розказано в статті про локальне розпізнавання української та російської.

Картка pyannote speaker-diarization-community-1 не наводить показника DER для української чи російської, тож розмітку мовців перевіряйте на своїх записах. Для перекладу через LibreTranslate опублікованих даних для української ми не знайшли.

Стан супроводу й ліцензії для компанії

Обидва вебзастосунки підтримують невеликі команди. У README Scriberr є розділ без дати: розробку «поки призупинено, але точно не покинуто», а рядок угорі обіцяє повернутися до роботи «цього тижня»; остання версія досі v1.2.0, тож перед встановленням перегляньте історію комітів. Основна гілка Whishper, за його README, вже не отримає нових версій. Працювати програми від цього не перестануть, але встановлену версію варто зафіксувати, образ контейнера й моделі тримати на власному сховищі, а людину, яка ставить виправлення безпеки, призначити заздалегідь.

Scriberr поширюється за MIT. Whishper має ліцензію AGPL-3.0, розділ 13 якої вимагає, щоб змінена версія пропонувала свій код користувачам, що працюють із нею через мережу; якщо ви змінюєте код, цей розділ спершу читає юрист. Код і ваги Whisper OpenAI випускає за MIT. Scriberr використовує середовище WhisperX, тож варто перевірити, яку модель вирівнювання він завантажує для української та російської, і поставити ту, що дозволяє комерційне використання. Parakeet і Canary мають ліцензію CC BY 4.0 і, за картками, готові до комерційного використання. Pyannote community-1 теж під CC BY 4.0, але з обмеженим доступом: після прийняття умов і токена Hugging Face локальна копія працює без інтернету.

Як запустити Scriberr на RTX PRO Blackwell

Scriberr має три варіанти Docker-образів: для CPU, з CUDA для GPU від Pascal до Ada і scriberr-cuda-blackwell. Для карт RTX 50 README вимагає саме образ для Blackwell, бо стандартний не працює через сумісність PyTorch і CUDA. Карт RTX PRO README не називає, але прив'язує цей образ до sm_120, а це обчислювальна здатність RTX PRO Blackwell; перший тест після встановлення це підтверджує.

Для доступу до GPU потрібен NVIDIA Container Toolkit, перший запуск кілька хвилин завантажує моделі PyAnnote, а для машини без інтернету всі моделі треба зберегти локально. Саме тут перше встановлення зазвичай і застрягає. ETE може поставити саму станцію, а інженери Vixen.UNO окремо або разом із нею встановлюють Scriberr чи Whishper з моделями розпізнавання й підсумків.

Яка відеокарта потрібна для транскрибації

Розпізнавання навантажує GPU небагато. У статті про Open ASR Leaderboard (arXiv 2510.06961v3, грудень 2025) на одній A100 з пакетом 64 Whisper large-v3 обробляв 145,5 секунди аудіо за секунду, а Parakeet TDT 0.6B v3 близько 3 333. За нашим розрахунком, годинний запис займає там приблизно 25 секунд у Whisper і близько секунди в Parakeet. Для карт RTX PRO таких цифр ми не знайшли, а швидкості розмітки мовців картка pyannote не вказує. Тож карту визначають два питання: чи працює модель підсумків поруч і скільки завантажень іде одночасно.

Рівень Карта й пам'ять Що працює Для кого
Початкова станція 1 × RTX PRO 4000 Blackwell, 24 ГБ розпізнавання з розміткою мовців; підсумки вимкнено або по черзі одна команда, завантаження в черзі
Основна станція 1 × RTX PRO 4500 Blackwell, 32 ГБ Whisper large і gpt-oss-20b разом команда або відділ із підсумками
Станція із запасом 1 × RTX PRO 5000 Blackwell, 48 або 72 ГБ кілька завдань паралельно кілька відділів одночасно
Сервер компанії 2 × RTX PRO 6000 Server Edition розпізнавання в екземплярах MIG, gpt-oss-120b для підсумків сервіс для всієї компанії

Джерело: корисна пам'ять за нашим правилом (90 % пам'яті, яку показує драйвер, мінус 3 ГіБ): 18,5; 25,7; 40,0 або 61,5 ГіБ; Whisper large близько 10 ГБ (репозиторій OpenAI), ваги gpt-oss-20b 13,76 ГБ (Hugging Face); наша оцінка.

Whisper large займає близько 10 ГБ, тобто 9,3 ГіБ, а ваги gpt-oss-20b (Apache 2.0) 13,76 ГБ, або 12,8 ГіБ. Разом 22,1 ГіБ: більше за 18,5 ГіБ на карті 24 ГБ і менше за 25,7 ГіБ на RTX PRO 4500, де для робочої пам'яті моделі підсумків лишається близько 3,6 ГіБ. Модель розмітки мовців додається зверху, а її потреби в пам'яті картка pyannote не вказує. На карті 24 ГБ підсумки запускають, коли модель розпізнавання вивантажено, або на іншій машині. RTX PRO 5000 на 48 ГБ після обох моделей має близько 18 ГіБ вільних для паралельних завдань. Конфігурацію під ваших користувачів і години аудіо ETE рахує від реального навантаження.

RTX PRO 4500 споживає 200 Вт, тож станція з однією картою далека від 2,94 кВт, які витримує лінія 230 В на 16 А при навантаженні 80 %. Сервер із двома RTX PRO 6000 Server Edition по 96 ГБ, за нашою оцінкою, бере з розетки близько 1,8 кВт; з огляду на відключення в Україні його планують разом із ДБЖ і генератором (див. статтю про живлення станції з кількома GPU). Схему з MIG на одній карті й gpt-oss-120b на другій описано в статті про протоколи нарад із локальним AI.

Запис і транскрибація розмов: що каже українське законодавство

Власний сервер прибирає зовнішнього постачальника, але не обов'язки компанії щодо записів. Окремого закону про запис розмов комерційними компаніями в Україні немає, тому діють загальні норми: Конституція гарантує таємницю телефонних розмов (ст. 31) і забороняє збирати конфіденційну інформацію про особу без її згоди, крім випадків, визначених законом (ст. 32). Голос і записана розмова є персональними даними, тож потрібна одна з шести підстав статті 11 Закону № 2297-VI (згода, договір, законний інтерес тощо), а за статтею 12 людині заздалегідь повідомляють, хто і з якою метою записує та які в неї права.

На практиці на початку розмови попереджають про запис і називають мету, а аудіо й стенограми зберігають лише стільки, скільки цієї мети потрібно. Наближений до GDPR законопроєкт № 8153 станом на листопад 2026 року не ухвалений. Ця довідка не є юридичною консультацією, деталі підтвердить ваш юрист.

Що перевірити перед переходом

Візьміть від 20 до 30 хвилин типового аудіо (розмову з клієнтом, нараду, голосову нотатку) і проженіть через обидва застосунки.

  • Мови. Порівняйте точність українською, російською і на мішаних записах; імена й числа рахуйте окремо.
  • Як потрапляє аудіо. Визначте, хто записує і куди завантажує файли, або налаштуйте спостерігач Scriberr на спільну теку.
  • Експорт. Якщо стенограми мають потрапляти у Word, передбачте крок конвертації.
  • Доступ. Сховайте застосунок за корпоративним входом або VPN.
  • Зовнішні виклики. Перевірте, що підсумки йдуть на локальну модель і жоден компонент не надсилає аудіо в хмару.

Для окремих інтерв'ю дослідників і журналістів є простіший шлях: noScribe на власному комп'ютері.

Часті питання

Чи є відкрита альтернатива Otter, яку можна встановити у себе?

Так, Scriberr і Whishper транскрибують завантажені записи на вашій машині. Бота для дзвінків немає в жодного, а супровід обох станом на жовтень 2026 року під питанням.

Scriberr чи Whishper: що обрати команді?

Scriberr під MIT підходить, якщо потрібні мовці, підсумки й запитання до стенограми. Whishper під AGPL-3.0 зручніший для субтитрів і перекладів, але входу для користувачів у ньому поки немає.

Чи розпізнає Scriberr українську мову?

Так, усі три його рушії підтримують українську й російську. На українському FLEURS Whisper large-v3 має WER 6,51 %, Parakeet v3 6,79 %, Canary 10,50 %. Для суржику даних немає, тож перевірте моделі на власних записах.

Яка відеокарта потрібна для сервера транскрибації?

Для однієї команди, за нашою оцінкою, вистачає RTX PRO 4500 на 32 ГБ з Whisper large і gpt-oss-20b одночасно. Карта на 24 ГБ розпізнає й розмічає мовців, але обидві моделі разом не вміщує. Для кількох відділів підходить RTX PRO 5000 на 48 ГБ.

Чи законно транскрибувати наради локально в Україні?

Можна, якщо виконано ті самі умови, що й для будь-якої обробки записів: підстава за статтею 11 Закону № 2297-VI, попереднє інформування учасників за статтею 12 і визначений строк зберігання. Деталі для вашого випадку підтвердить юрист.

Що з цього є в ETE

Потрібна станція для транскрибації під вашу команду?

Напишіть, якими мовами ви працюєте, скільки годин аудіо на тиждень обробляєте і скільки людей користуватиметься застосунком. ETE порахує конфігурацію, а за потреби інженери Vixen.UNO встановлять Scriberr або Whishper з моделями.

Обговорити задачу

Автор: Інженер ETE