Сервер для медіа перетворює ефіри, інтерв'ю, подкасти й архівні записи на розшифровки, субтитри, переклади та архів із пошуком звичайною мовою, і все це на залізі самої редакції. Моделі розпізнавання потребують мало відеопам'яті, тому розмір сервера визначають години аудіо й прямі канали. Дві NVIDIA RTX PRO 6000 Blackwell Server Edition тримають поруч розпізнавання, розмітку мовців, переклад, підсумки й пошуковий індекс, а чотири чи вісім карт беруть ще й великий архівний проєкт.

Цифри тут є опублікованими вимірюваннями з джерелом або нашими оцінками з позначкою. Повний розрахунок двох найбільших частин є в статтях про сервер розпізнавання мовлення під Whisper і про машинний переклад на власному сервері.

Коротко

  • Whisper large, за даними OpenAI, займає близько 10 ГБ відеопам'яті, тож сервер рахують від годин аудіо й прямих каналів.
  • На одній A100 Parakeet TDT 0.6B v3 розшифровує 3 333 секунди аудіо за секунду обчислень, Whisper large-v3 145,5, тож архів на 10 000 годин займає близько 3 або 69 годин GPU.
  • 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 %.
  • Whisper перекладає лише на англійську, Canary-1B v2 між англійською та українською чи російською; для пари українська й російська потрібна текстова модель.
  • За нашим розрахунком з цифр NVIDIA, 600 000 хвилинних фрагментів архіву векторизуються на одній L40S приблизно за 69 хвилин.

Як розрахувати сервер для медіа: години, архів, прямі канали

Для телеканалу, видавництва чи відеостудії задачу описують три числа: скільки годин нового матеріалу надходить щодня (новини, шоу, інтерв'ю, подкасти, відео для сайту), скільки годин уже оцифрованого архіву треба один раз розшифрувати і скільки прямих каналів одночасно потребують субтитрів. Окремо йдуть мови, бо від них залежить вибір моделей.

Щоденний випуск і прямі субтитри дають рівне помірне навантаження. Архів є разовим піком: десятки тисяч годин, які сервер опрацьовує днями чи тижнями у фоні. Після розшифровки редактор питає про всі інтерв'ю, де міністр говорив про енергетику, і отримує програми та хвилину в кожній.

Швидкість і точність розшифровки: Whisper, Parakeet, Canary

Модель Мови Пам'ять RTFx на A100 Ліцензія
Whisper large-v3 99 близько 10 ГБ 145,5 MIT
Whisper large-v3-turbo 99, без перекладу близько 6 ГБ у статті немає MIT
Parakeet TDT 0.6B v3 25 європейських, серед них uk і ru профіль NIM 14,02 ГБ 3 333 CC BY 4.0
Canary-1B v2 25 європейських, з перекладом щонайменше 6 ГБ ОЗП для завантаження 749 CC BY 4.0

Джерело: репозиторій Whisper від OpenAI (прочитано 24.10.2026) і картки моделей на Hugging Face; профіль NIM за матрицею підтримки ASR NIM (07.10.2026); RTFx за статтею про Open ASR Leaderboard (arXiv 2510.06961v3, 10.12.2025), одна A100-SXM4-80GB, пакет 64, де дозволяла пам'ять.

RTFx показує, скільки секунд аудіо модель розшифровує за секунду обчислень. За нашим розрахунком, архів на 10 000 годин займає на A100 зі статті близько 69 годин обчислень із Whisper large-v3 і близько 3 годин із Parakeet TDT 0.6B v3. Turbo, за репозиторієм OpenAI, приблизно у вісім разів швидша за large.

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

Джерело: стаття NVIDIA arXiv 2509.14128, таблиці 11 і 13, прочитано 13.11.2026.

Багатомовна таблиця статті про Open ASR Leaderboard охоплює лише п'ять західноєвропейських мов, тому для української й російської беремо вимірювання NVIDIA. У рейтингу Handy на українському FLEURS лідирує Parakeet Ultra від Moondream (5,71 %), донавчений Parakeet v3. FLEURS складається з прочитаних речень, а ефір із музикою, гостями, що перебивають одне одного, і телефонними включеннями складніший, тож тестуйте моделі на кількох годинах своїх програм. Вимірювань на суржику ми не знайшли; обидві мови докладніше розібрано у статті про локальне розпізнавання української та російської.

Цифра саме для RTX PRO 6000 є в MLPerf. Бенчмарк проганяє Whisper-Large-V3 на фрагментах LibriSpeech до 30 секунд і рахує токени стенограми за секунду, тож ранжує системи, але в години вашого аудіо напряму не перераховується.

Запис, система Карти Whisper, offline На одну карту
6.1-0050, HPE DL380a Gen12 8 × RTX PRO 6000 Server Edition 19 278,3 токена/с близько 2 410

Джерело: MLPerf® Inference: Datacenter v6.1, closed division, available category, Whisper, offline scenario, запис 6.1-0050, mlcommons.org, отримано 24.10.2026; результат перевірено MLCommons Association; значення на карту є нашим поділом, а не метрикою MLPerf. MLPerf є торговою маркою MLCommons Association.

Як зробити субтитри SRT і прямі субтитри локально

Інструмент командного рядка Whisper сам пише субтитри: --output_format приймає серед іншого txt, vtt, srt, tsv і json. Параметри --max_line_width і --max_line_count підганяють рядки під стиль редакції, але потребують --word_timestamps True, а цю опцію інструмент позначає як експериментальну. Parakeet TDT 0.6B v3 повертає пунктуацію й мітки часу слів, з яких конвеєр складає рядки. Таймінг і перенесення перед ефіром перевіряє редактор субтитрів.

Зміну мовців визначає діаризація, і вона може коштувати більше за розшифровку. У цифрах NVIDIA для L40S Parakeet 0.6B CTC офлайн мав RTFx 3 638 без діаризації і 101,5 з нею. Nemotron 3 Diarization (OpenMDW 1.1, 100M параметрів, до восьми мовців) показує RTFx близько 15 113 при пакеті 32 на RTX PRO 5000 зі скомпільованою моделлю. Для ток-шоу з кількома гостями розмір рахують від швидкості з діаризацією. Картка pyannote community-1, іншої відкритої моделі діаризації, DER для української чи російської не наводить.

Прямим субтитрам потрібна потокова модель, бо ASR NIM запускає Whisper лише офлайн. За цифрами NVIDIA від 07.10.2026, одна L40S тягне до 190 живих англійських потоків із Parakeet 0.6B CTC при фрагментах 160 мс. Nemotron 3.5 ASR Streaming 0.6B працює з фрагментами від 80 до 1 120 мс, але в рейтингу Handy має WER 14,88 % для української і 12,61 % для російської, помітно гірше за офлайн-моделі. Затримку й точність перевірте на власному живому звуці.

Переклад субтитрів і статей: моделі з українською

Whisper уміє перекладати мовлення, проте його README каже, що задача translate перекладає неанглійське мовлення на англійську, а модель turbo «will return the original language even if --task translate is specified». Canary-1B v2 перекладає мовлення між англійською та українською чи російською. Для перекладу між двома неанглійськими мовами, як-от українською й російською, і для статей та файлів субтитрів працює текстова модель на основі стенограми.

Модель Напрям Ліцензія Опублікована метрика
Dragoman (lang-uk) лише англійська → українська Apache 2.0, адаптер до Mistral-7B FLORES-101 dev: 32,34 BLEU
OPUS-MT uk-en українська → англійська Apache 2.0 Tatoeba: 64,1 BLEU
Gemma 4 26B A4B (reasoning) англійська ↔ українська Apache 2.0 FLORES: en→uk 32,02, uk→en 41,33 BLEU
MamayLM-Gemma-3-12B-IT-v2.0 англійська ↔ українська Gemma Terms of Use FLORES: en→uk 30,24, uk→en 40,23 BLEU
NLLB-200 багато мов CC-BY-NC-4.0 не для промислового використання

Джерело: картки моделей на Hugging Face; Ukrainian LLM Leaderboard (lang-uk), файли 2026 року; прочитано 13.11.2026. Цифри з різних вимірювань, напряму не порівнюються. Окремих метрик для пари українська й російська ми не знайшли.

Стаття про переклад закладає 2 вихідні токени на слово: мільйон слів на день за вісім годин дає в середньому 69 токенів/с, і з цим, за її оцінкою, справляється одна карта на 48 ГБ з перекладною LLM від 9B до 12B у BF16, тобто класу MamayLM 12B. Рядки субтитрів короткі, тож надсилайте моделі цілу сцену, щоб імена й терміни лишалися однаковими.

Закону про штучний інтелект в Україні поки немає. Якщо ваші матеріали використовуються в ЄС, може застосовуватися стаття 50 EU AI Act: з 02.08.2026 згенерований ШІ текст, опублікований для інформування суспільства з питань суспільного інтересу, позначають, крім випадків, коли його перевірила людина чи редакція і хтось несе редакційну відповідальність за публікацію; діпфейки позначають теж. Закон № 2811-IX (ст. 33) дає об'єктам, згенерованим програмою без безпосередньої участі людини, особливе майнове право sui generis на 25 років. Воно належить автору чи власнику програми або її правомірному користувачу, а умови може визначати ліцензія сервісу ШІ. Це загальна інформація, рішення ухвалює ваш юрист.

Пошук у медіаархіві за розшифровками

Стенограми ділять на фрагменти з мітками часу й перетворюють на вектори; запитання знаходить найближчі фрагменти й відкриває програму на потрібній хвилині, а дата, канал, права й мовці фільтрують видачу.

Крок Карта Опублікована цифра Архів, наша оцінка
Векторизація стенограм L4 49,2 текстів/с по 512 токенів 600 000 фрагментів приблизно за 3,4 год
Векторизація стенограм L40S 144,3 текстів/с 600 000 фрагментів приблизно за 69 хв
Переранжування L40S 181,6 уривків/с, модель 1B близько 4,5 запитів/с при 40 уривках
Зберігання векторів будь-яка 4,10 ГБ на мільйон, 1 024 виміри близько 2,5 ГБ без індексу

Джерело: сторінки продуктивності NVIDIA NeMo Retriever embedding NIM (версія 1.14.0, 30.09.2026) і reranking NIM (17.08.2026), FP8. Приклад архіву: 10 000 годин у хвилинних фрагментах.

Приклад виходить з одного фрагмента на хвилину мовлення до 512 токенів; це припущення варто перевірити на своїх стенограмах. Векторизація займає мало часу порівняно з розшифровкою, а після першого проходу обробляють лише новий матеріал. Для українських запитів є практичний доказ: на UNLP 2026 команда КПІ найвищий результат отримала з Qwen3-Embedding-8B і Qwen3-Reranker-8B (обидві Apache 2.0), а переранжування підняло Recall@1 з 0,6957 до 0,7935. Підсумки й ключові слова пише gpt-oss-120b, яка вміщується на одну карту на 96 ГБ.

Скільки GPU потрібно: дві, чотири чи вісім RTX PRO 6000

Варіанти спираються на настанову NVIDIA для сертифікованих систем: два процесори, щонайменше шість ядер на GPU і системна пам'ять удвічі більша за відеопам'ять.

Конфігурація Що де працює Для кого Живлення, наша оцінка
2 × Server Edition, 384 ГБ ОЗП карта 1 у чотирьох MIG: розпізнавання, діаризація, потокова модель, пошук; карта 2: підсумки й переклад щоденний випуск, кілька прямих каналів близько 1,8 кВт
4 × Server Edition, 768 ГБ ОЗП карта 1: мовлення; карта 2: пошук і переклад; карти 3 і 4: асистент редакції випуск плюс архівний проєкт близько 3,4 кВт, 2,7 кВт при 450 Вт
8 × Server Edition, 1 536 ГБ ОЗП розпізнавання архіву на кількох картах поруч із випуском великі архіви, кілька брендів близько 6,3 кВт

Джерело: наша оцінка; розкладка MIG за профілями NVIDIA; живлення: карти по 600 Вт, два AMD EPYC 9135, 9355 або 9555 для двох, чотирьох чи восьми карт, плюс 15 % на решту сервера.

Дві карти. Першу карту ділять на чотири ізольовані екземпляри MIG по 24 ГБ: Whisper large-v3 (близько 10 ГБ) або профіль Parakeet NIM (14,02 ГБ), діаризатор, потокова модель і модель векторизації з ререйкером. Друга карта запускає gpt-oss-120b для підсумків, ключових слів і перекладу; за нашим правилом вона тримає 19 запитів по 32K токенів одночасно. На граматичному бенчмарку UNLP 2026 GPT-OSS-120B набирає українською близько 55 %, тож тексти перевіряє редактор.

Чотири карти. Карта мовлення вночі й на вихідних опрацьовує архів, друга тримає пошук і переклад, а дві парою запускають gpt-oss-120b для асистента редакції, за нашим правилом на 187 розмов по 16K одночасно.

Вісім карт або два сервери. Медіагрупа з кількома брендами розшифровує архів на кількох картах, поки решта обслуговує випуск; запис MLPerf вище стосується саме такої системи. Два сервери по чотири карти тримають прямі субтитри, поки один оновлюють. Вісім RTX PRO 6000 Server Edition і диски на 30,72 ТБ ETE збирає в ETE AI XL43. Max-Q на 300 Вт є картою для робочих станцій, і в стійку її ставлять лише в дозволений виробником корпус.

Сервер на дві карти з двома EPYC 9135, за нашою оцінкою, бере близько 1,8 кВт і вміщується в лінію 230 В на 16 А, яка при навантаженні 80 % дає 2,94 кВт. Чотирикартний із двома EPYC 9355 бере близько 3,4 кВт (2,7 кВт з обмеженням карт до 450 Вт) і потребує 32 А чи трьох фаз 400 В. Вісім карт із двома EPYC 9555 споживають близько 6,3 кВт; даташит Dell дає орієнтовно 8 кВт на вузол із вісьмома картами, тож лінію планують за даними виробника. В Україні бувають відключення, тому лінію, ДБЖ і генератор планують разом; розрахунок для кількох карт є в статті про живлення станції з кількома GPU.

Рушії, MIG, відео й захист даних

  1. Рушії. faster-whisper має ліцензію MIT і не потребує NVIDIA AI Enterprise. ASR NIM вимагає обчислювальної здатності 8.0, щонайменше 16 ГБ відеопам'яті й ліцензії NVIDIA AI Enterprise для промислової експлуатації; його матриця називає «Blackwell RTX 60xx», тож звіряйте матрицю свого випуску.
  2. MIG. До чотирьох екземплярів по 24 ГБ на RTX PRO 6000 Server Edition; потрібні Linux, драйвер 575.51.03 або новіший, актуальний vBIOS і DisplayModeSelector у режимі compute.
  3. Відео. Server Edition має чотири блоки кодування й чотири декодування відео, тож та сама карта декодує файли програм, витягає ключові кадри чи робить проксі.
  4. Персональні дані. Записи, на яких можна впізнати людей, є персональними даними за Законом № 2297-VI: потрібні підстава за статтею 11 й інформування за статтею 12. Жоден компонент не має надсилати аудіо в зовнішній сервіс.
  5. Мережа й оновлення. --api-key у vLLM захищає лише шляхи /v1, /v2, /inference і /cohere, а /invocations і /metrics відповідають без ключа (посібник із безпеки vLLM 0.32.0), тому рушії ховають за внутрішнім шлюзом. NVIDIA Container Toolkit тримайте на версії 1.17.8 або новішій, драйвер на випуску, позначеному виправленим у бюлетені NVIDIA від 30.09.2026.

Часті питання

Який сервер потрібен телеканалу для розшифровки й субтитрів?

Для щоденного випуску й кількох прямих каналів вистачає двох RTX PRO 6000 Server Edition: одна в чотирьох екземплярах MIG для розпізнавання, діаризації, прямих субтитрів і пошуку, друга для підсумків і перекладу.

Скільки часу займе розшифровка архіву на 10 000 годин?

На A100 зі статті про Open ASR Leaderboard, за нашим розрахунком, близько 69 годин GPU із Whisper large-v3 (RTFx 145,5) і близько 3 годин із Parakeet TDT 0.6B v3 (RTFx 3 333). Діаризація цей час збільшує.

Чи може Whisper робити субтитри SRT без хмари?

Так. Його інструмент командного рядка пише txt, vtt, srt, tsv і json, а ширину й кількість рядків задають параметри, що потребують експериментальних міток часу слів. Код і ваги мають ліцензію MIT.

Яка модель точніше розпізнає українську й російську?

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 %; на російському 4,17, 5,51 і 6,90 %. Різниця між першими двома невелика, тож вирішує тест на кількох годинах ваших програм.

Скільки електроенергії споживає сервер для медіа?

За нашою оцінкою, близько 1,8 кВт із двома RTX PRO 6000 Server Edition, що вміщується в лінію 230 В на 16 А, і близько 3,4 кВт із чотирма картами по 600 Вт, для яких потрібні 32 А або три фази. Вісім карт беруть близько 6,3 кВт.

Що з цього є в ETE

  • ETE AI Server RTX PRO: чотири RTX PRO 6000 Server Edition по 96 ГБ і 768 ГБ DDR5 ECC, тобто конфігурація на чотири карти з таблиці вище: випуск, архівний проєкт і асистент редакції.
  • ETE AI XL43: вісім RTX PRO 6000 Server Edition і диски на 30,72 ТБ (є версія на 61,44 ТБ) для великого архіву кількох брендів.
  • NVIDIA RTX PRO 6000 Server Edition 96 ГБ: серверна карта для безперервної роботи в стійці; чотири екземпляри MIG по 24 ГБ вміщують розпізнавання, діаризацію, потокову модель і пошук.
  • NVIDIA L40S 48 ГБ: якщо потрібна лише розшифровка й пошук; для неї NVIDIA публікує 190 англійських потоків Parakeet і 144,3 текстів/с векторизації.

Плануєте розшифровку архіву чи прямі субтитри?

Напишіть, скільки годин нового матеріалу ви маєте щодня, який обсяг архіву, скільки прямих каналів, якими мовами і які записи не можна виносити за межі редакції. ETE порахує карти й конфігурацію, а за потреби інженери Vixen.UNO встановлять розпізнавання, діаризацію, переклад і пошук в архіві.

Обговорити задачу

Автор: Інженер ETE