Для розпізнавання української мови локально найменше помилок серед відкритих моделей станом на листопад 2026 року дають Parakeet Ultra від Moondream і Whisper large-v3 від OpenAI: у рейтингу Handy на українському FLEURS їхній WER становить 5,71 % і 6,28 %. Для російської першим у тому самому рейтингу стоїть Whisper large-v3 із 4,96 %. Усі основні моделі для обох мов вміщуються на одну відеокарту з 24 ГБ і працюють без хмари.

WER, або частка помилкових слів, рахує замінені, пропущені й зайві слова на 100 слів правильної стенограми: 6 % означають, що виправляти доведеться приблизно кожне сімнадцяте слово. FLEURS складається з прочитаних речень, тож на нарадах, дзвінках і в суржику помилок буде більше. Про розмір і швидкість серверів для Whisper ми писали в статті про сервер розпізнавання мовлення, а тут ідеться про точність і про те, що робити з помилками.

Коротко

  • У рейтингу Handy (FLEURS, ваги Q8_0) на українській попереду Parakeet Ultra (5,71 %), Whisper large-v3 (6,28 %), Orukeet (6,53 %) і Parakeet TDT 0.6B v3 (6,84 %).
  • Для російської найнижчий WER у Handy має Whisper large-v3 (4,96 %); Voxtral Mini 4B Realtime і Qwen3-ASR знають лише російську, а Voxtral Small 24B не знає жодної з двох мов.
  • Одна модель у різних вимірюваннях дає різні цифри: Parakeet v3 на українському FLEURS має 6,79 %, 6,84 % або 5,94 % залежно від того, хто міряв.
  • Опублікованих вимірювань на суржику й мішаних нарадах ми не знайшли; донавчання на гуцульському діалекті знизило WER моделі OmniASR з 80,09 % до 13,09 %.
  • Whisper large-v3 потребує близько 10 ГБ відеопам'яті, тому для однієї моделі досить карти на 24 ГБ, а 96 ГБ знадобляться для порівняння моделей і донавчання.

Яка модель найточніше розпізнає українську: WER у рейтингах

Рейтинг Handy ведуть розробники застосунку для диктування Handy. Вони проганяють кожну модель через власний рушій transcribe.cpp на тестовій частині FLEURS з вагами, квантованими до Q8_0, тобто по 8 біт на вагу. В українській таблиці 16 моделей, у російській 21, дати оновлення сторінка не показує.

Модель Ліцензія WER uk, % WER ru, %
Parakeet Ultra (Moondream) CC-BY-4.0 5,71 5,63
Whisper large-v3 MIT 6,28 4,96
Orukeet (Oruk AI) ваги CC-BY-SA-4.0 6,53 6,70
Parakeet TDT 0.6B v3 CC-BY-4.0 6,84 6,54
Whisper large-v3-turbo MIT 7,31 5,93
Canary-1B v2 CC-BY-4.0 10,58 7,83
Voxtral Mini 4B Realtime Apache 2.0 не підтримує 5,41
Qwen3-ASR-1.7B Apache 2.0 не підтримує 6,25
Nemotron 3.5 ASR Streaming 0.6B OpenMDW-1.1 14,88 12,61

Джерело: рейтинг Handy (models.handy.computer/languages/uk і /ru), FLEURS, Q8_0, прочитано 13.11.2026; ліцензія Whisper за репозиторієм OpenAI (на картці Hugging Face указано Apache 2.0).

Автори статті NVIDIA про Canary і Parakeet (arXiv 2509.14128) перед підрахунком помилок прибирали пунктуацію й регістр нормалізаторами Open ASR Leaderboard.

Модель Ліцензія FLEURS uk, % FLEURS ru, %
Whisper large-v3 MIT 6,51 4,17
Parakeet TDT 0.6B v3 CC-BY-4.0 6,79 5,51
SeamlessM4T v2 large CC-BY-NC-4.0 9,07 7,43
Canary-1B v2 CC-BY-4.0 10,50 6,90

Джерело: стаття NVIDIA arXiv 2509.14128v2, таблиці 11 і 13; ліцензії за картками моделей і репозиторієм OpenAI; прочитано 13.11.2026.

На CoVoST2 у тій самій статті Whisper large-v3 має на українській вже 12,52 %, Canary 18,15 %, SeamlessM4T v2 9,01 %. Moondream, яка донавчила Parakeet v3 до версії Ultra, за методикою Open ASR Leaderboard (вересень 2026) отримала на українському FLEURS 4,75 % проти 5,94 % у вихідної моделі. Отже, Parakeet v3 на тих самих реченнях має 6,79, 6,84 або 5,94 %, а Whisper large-v3 6,28 або 6,51 %.

Мультимовний нормалізатор, як пишуть автори NVIDIA, зводить діакритику до базових форм або прибирає її. Ми припускаємо, хоча й не перевіряли, що для української це може перетворювати й на и та ї на і, і частина помилок у цифри не потрапляє. Тому рейтинги краще читати ярусами: Parakeet Ultra, Whisper large-v3, Orukeet і Parakeet v3 у межах приблизно одного пункту, Canary й SeamlessM4T нижче, малі й потокові моделі ще далі.

Що потрібно моделям і де їхні обмеження

Модель uk / ru Ліцензія Пам'ять або розмір Обмеження
Whisper large-v3 так / так MIT близько 10 ГБ відеопам'яті нерівна якість на акцентах і діалектах, може дописати несказане
Whisper large-v3-turbo так / так MIT близько 6 ГБ вищий WER, ніж у large-v3
Parakeet TDT 0.6B v3 так / так CC-BY-4.0 файл 0,69 ГБ у Q8_0 слова поза словником розпізнає погано
Canary-1B v2 так / так CC-BY-4.0 файл 1,07 ГБ у Q8_0 переклад лише з англійської або на англійську
Omnilingual ASR 7B LLM-ASR так / так Apache 2.0 7 млрд параметрів фрагменти до 40 с, крім варіанта «Unlimited»
SeamlessM4T v2 large так / так CC-BY-NC-4.0 н/д лише некомерційне використання
Voxtral Mini 4B Realtime ні / так Apache 2.0 карта від 16 ГБ української немає
Qwen3-ASR-1.7B ні / так Apache 2.0 файл 2,04 ГБ у Q8_0 української немає; мітки часу дає окремий вирівнювач
Voxtral Small 24B ні / ні Apache 2.0 близько 55 ГБ у BF16 8 мов без української й російської

Джерело: картки моделей на Hugging Face, README репозиторію OpenAI Whisper, розміри файлів Q8_0 з рейтингу Handy, таблиця результатів Omnilingual ASR на GitHub; прочитано 30.10.2026 і 13.11.2026.

Whisper large-v3 має 1 550 млн параметрів, turbo 809 млн. Картка Whisper попереджає, що якість на різних акцентах і діалектах нерівна, а в результаті може з'явитися текст, якого в аудіо не було. Parakeet визначає мову сам і працює значно швидше: у статті про Open ASR Leaderboard (arXiv 2510.06961v3) на одній A100 він обробляє 3 333 секунди аудіо за секунду, Whisper large-v3 лише 145,5. За карткою, Parakeet v3 бере до 24 хвилин запису з повною увагою на A100 80 ГБ і до трьох годин із локальною.

Omnilingual ASR від Meta публікує частку помилкових символів (CER): 2,1 % для української і 1,5 % для російської, проте тестового набору не вказує. Voxtral Small 24B, лідер німецьких рейтингів, української й російської не підтримує, тож окрема станція на 72 ГБ під нього тут не потрібна.

Українські моделі від спільноти й NVIDIA

NVIDIA випустила окрему українську модель stt_ua_fastconformer_hybrid_large_pc: 115 млн параметрів, 153 години навчальних даних, ліцензія CC-BY-4.0. Пунктуацію вона ставить сама, але лише крапку, кому й знак питання. Спільнота speech-uk збирає моделі в списку speech-recognition-uk на GitHub.

Модель Ліцензія Набір WER, %
NVIDIA FastConformer uk CC-BY-4.0 Common Voice 12 5,66 без пунктуації й регістру; 8,06 з ними
Yehor/w2v-bert-uk-v2.1 Apache 2.0 Common Voice 10 17,34 (CER 3,33)
BuzzASR/ukrainian (донавчений Whisper large-v3) MIT FLEURS / Common Voice 25 7,86 / 14,7
Moonshine base uk MIT (за Handy) FLEURS у Handy 14,38

Джерело: картки моделей на Hugging Face і рейтинг Handy, прочитано 13.11.2026; кожну цифру отримано на іншому наборі, тож рядки між собою не порівнюються.

У порівнянні спільноти на очищеному Common Voice 10 FastConformer від NVIDIA має 4,52 %, w2v-bert-uk 6,6 %, а Whisper large-v3 20,53 %. Поруч із 17,34 % на картці w2v-bert-uk-v2.1 це показує, як сильно цифри залежать від версії моделі й очищення набору. Як там нормалізували текст Whisper, не описано, тому з цифрами на FLEURS ці результати напряму не зіставляють. У власний тест FastConformer варто взяти поруч із Whisper і Parakeet.

Суржик, мішані наради й діалекти

Опублікованого вимірювання на суржику чи на нарадах, де змішано українську й російську, ми не знайшли. У бенчмарку перемикання мов від ServiceNow (блог Hugging Face, 09.06.2026) пар з українською чи російською немає, лише іспанська, французька й німецька з англійською. Єдина знайдена робота про суржик (Umanistica Digitale, № 9, 2020) описує правила для письмових транскрипцій і не стосується розпізнавання мовлення.

Для діалектів дані є. Київська школа економіки на конференції VarDial 2026 опублікувала корпус гуцульського діалекту: 19 годин 27 хвилин від одного диктора. OmniASR 1B без донавчання мав на ньому WER 80,09 %, після донавчання 13,09 %. Whisper large-v3 у таблиці 4 статті має 13,20 %, хоча таблиця 5 для нього після донавчання дає 14,32 % без пояснення. Ліцензій опублікованих моделей автори не вказали.

Для мішаних записів faster-whisper має два режими: language фіксує мову кодом «uk» або «ru», а multilingual визначає мову для кожного сегмента. Який дасть менше помилок, покаже лише тест на ваших нарадах. Російські фрагменти рахуйте окремо й заздалегідь вирішіть, чи потрібен вам текст як сказано, чи приведений до літературної мови.

Як покращити розпізнавання термінів, імен і чисел

Назви продуктів, прізвища, артикули й абревіатури користувачі помічають першими. Інструментів чотири, від найпростішого.

  1. Підказка й гарячі слова. faster-whisper приймає initial_prompt, текст-підказку для першого вікна, і hotwords, фрази для моделі; hotwords не діє, якщо задано prefix.
  2. Підсилення фраз у NeMo. Метод GPU-PB працює з Parakeet і Canary; фрази передають файлом, по одній на рядок, або списком. Цифр ефекту документація не дає, а картка Parakeet v3 попереджає, що слова поза словником модель навряд чи розпізнає.
  3. Перевірка за глосарієм. Локальна мовна модель, наприклад MamayLM v2.0 (Gemma Terms of Use) або Gemma 4 26B A4B (Apache 2.0), звіряє стенограму з глосарієм, а заміни підтверджує людина. Задачу тримайте вузькою: у дослідженні KONVENS 2024 на австрійській німецькій модель, якій доручили виправляти стенограми цілком, для більшості фраз WER підвищила, а на граматичному бенчмарку UNLP 2026 навіть найсильніші моделі набирають близько 60 %.
  4. Донавчання на власних записах із виправленими стенограмами, як у гуцульському дослідженні.

Пунктуацію й великі літери Parakeet v3 і Canary-1B v2 видають самі, проте опублікований WER їх не враховує. Для української є окрема модель пунктуації dchaplinsky/punctuation_uk_bert, її ліцензію ми не перевіряли.

Як виміряти WER на власних записах

  1. Відберіть від 20 до 30 хвилин записів з вашими мовцями, кімнатами й мікрофонами: українська, російська і суржик, якщо так говорять у компанії.
  2. Напишіть еталонну стенограму вручну в потрібній формі: літературна мова для протоколів або близько до сказаного для інтерв'ю.
  3. Зведіть результат і еталон до одного вигляду: регістр, пунктуація, числа, один варіант апострофа. Перевірте, що нормалізатор не зводить й до и та ї до і.
  4. Поділіть суму замін, пропусків і вставок на кількість слів еталона; імена, терміни, числа й російські фрагменти рахуйте окремо.
  5. Проженіть дві-три моделі, наприклад Whisper large-v3, Parakeet і FastConformer uk, і прослухайте кожне місце, де модель написала те, чого ніхто не казав.

Яка відеокарта потрібна для розпізнавання мовлення

Корисну пам'ять ми рахуємо за власним правилом: 90 % пам'яті, яку показує драйвер, мінус 3 ГіБ.

Рівень Карта й пам'ять Моделі Для чого
Початкова станція 1 × карта на 24 ГБ, наприклад RTX PRO 4000 SFF Blackwell Whisper large-v3 або turbo, Parakeet, Canary, FastConformer uk; для російської також Voxtral Mini 4B Realtime офіс, записи в черзі
Порівняння й донавчання 1 або 2 × RTX PRO 6000 Blackwell, по 96 ГБ кілька моделей поруч, донавчання Whisper проєкти з діалектами й термінами
Сервер компанії RTX PRO 6000 Server Edition або H200 NVL обрана чи донавчена модель для багатьох користувачів сервіс транскрибації на всю компанію

Джерело: пам'ять моделей за картками й README OpenAI; корисна пам'ять 18,5 і 83,0 ГіБ за нашим правилом; наша оцінка.

Початковий рівень. Карта на 24 ГБ дає 18,5 ГіБ, досить для Whisper large-v3 з його 10 ГБ або будь-якої меншої моделі. Voxtral Mini 4B Realtime, за карткою, працює на GPU від 16 ГБ, але лише з російською; живі субтитри описано в статті про субтитри в реальному часі.

Порівняння й донавчання. RTX PRO 6000 Workstation Edition або Max-Q на 96 ГБ дає 83,0 ГіБ: кілька моделей поруч і запас для навчання. В одному з опублікованих досліджень Whisper донавчали на двох A100 по 40 ГБ, а одна RTX PRO 6000 має більше пам'яті, ніж обидві разом; цифр часу навчання на RTX PRO ми не знайшли. Для версії Workstation Edition (600 Вт) практична межа в одній станції дві карти, а три-чотири Max-Q потребують розрахованого на них корпусу зі спрямованим потоком повітря; про лінію й ДБЖ є стаття про живлення станції з кількома GPU.

Сервер. Обрану модель віддають усій компанії з сервера з RTX PRO 6000 Server Edition, а H200 NVL має сенс для більших запусків навчання. Таку конфігурацію ETE рахує від годин аудіо й кількості користувачів, а моделі за потреби налаштовують інженери Vixen.UNO.

Запуск у робочому середовищі

  • Whisper працює у faster-whisper, Parakeet, Canary й FastConformer uk у NeMo; Qwen3-ASR (лише російська) має власний бекенд на vLLM, а мітки часу дає Qwen3-ForcedAligner-0.6B, до 5 хвилин мовлення за раз.
  • Порівняння. Цифри Handy отримано в Q8_0 у transcribe.cpp, тож у BF16 в іншому рушії результат може відрізнятися. Рахуйте WER одним нормалізатором для всіх моделей.
  • Хто говорить. pyannote speaker-diarization-community-1 має ліцензію CC-BY-4.0 і обмежений доступ після прийняття умов. DER для української чи російської картка не наводить; на її бенчмарках він становить від 11,2 до 46,8. Докладніше в статті про діаризацію на власному сервері.
  • Персональні дані. Записи колег і клієнтів для тестів чи донавчання є персональними даними: потрібна одна з шести підстав статті 11 Закону № 2297-VI (згода, договір, законний інтерес тощо) і повідомлення людині за статтею 12 про мету та її права. Тримайте записи й еталони на машині та перевірте, що жоден компонент не надсилає аудіо назовні. Законопроєкт № 8153 станом на листопад 2026 року не ухвалений; це не юридична консультація.

Часті питання

Яка модель найточніше розпізнає українську мову?

За опублікованими цифрами, Parakeet Ultra від Moondream: 5,71 % WER на українському FLEURS у рейтингу Handy. Далі йдуть Whisper large-v3 (6,28 %), Orukeet (6,53 %) і Parakeet TDT 0.6B v3 (6,84 %). У статті NVIDIA Whisper і Parakeet розходяться лише на 0,28 пункту, тож вирішує тест на ваших записах.

Чи розуміє Whisper суржик?

Опублікованих вимірювань на суржику чи мішаних українсько-російських нарадах немає ні для Whisper, ні для інших моделей. Перевірте на своїх записах обидва режими faster-whisper, з фіксованою мовою і з визначенням мови для кожного сегмента.

Whisper чи Parakeet для української?

На прочитаних реченнях вони майже рівні: 6,51 і 6,79 % у статті NVIDIA. Parakeet значно швидший і обробляє до трьох годин за прохід, Whisper точніший на російській і підтримує підказку та гарячі слова у faster-whisper.

Чи є окрема модель розпізнавання саме для української?

Так. NVIDIA FastConformer uk має 115 млн параметрів, ліцензію CC-BY-4.0 і 5,66 % WER на Common Voice 12 без пунктуації. Спільнота speech-uk підтримує власні моделі, зокрема w2v-bert-uk під Apache 2.0.

Чи можна використовувати ці моделі комерційно?

Whisper (MIT), Parakeet, Canary, FastConformer uk (CC-BY-4.0) і Omnilingual ASR (Apache 2.0) так. SeamlessM4T v2 має некомерційну ліцензію CC-BY-NC-4.0, а для ваг Orukeet перевірте умови CC-BY-SA-4.0.

Що з цього є в ETE

Потрібна станція для розпізнавання української мови?

Напишіть, якими мовами говорять на ваших записах, скільки годин аудіо на тиждень ви обробляєте і скільки людей працюватимуть зі стенограмами. ETE порахує конфігурацію, а за потреби інженери Vixen.UNO встановлять моделі й перевірять їх на ваших записах.

Обговорити задачу

Автор: Інженер ETE