Быстрое, Сбалансированное, Лучшее: какой уровень качества выбрать

Что представляют собой три уровня

Каждая загрузка идёт через один из трёх уровней, и каждый — это отдельная модель:

• Быстрое — Whisper large-v3-turbo. Дистиллированная версия большой модели: меньше слоёв декодера, почти вся точность, доля времени.
• Сбалансированное — Whisper large-v3. Полная модель, и она же по умолчанию.
• Лучшее — GPT-4o Transcribe. Более новая архитектура, которая справляется с акцентами, наложением реплик и шумом лучше, чем Whisper.

Все три возвращают тайминг на уровне слов: проигрыватель следует за текстом везде, а выгрузка субтитров работает одинаково на любом уровне.

Что меняется на самом деле

На чистом звуке — немногое. Один человек с приличным микрофоном в тихой комнате даёт почти одинаковый результат на всех трёх уровнях; именно поэтому платить ожиданием за «Лучшее» на таком файле бессмысленно.

Разрыв открывается там, где звук становится трудным: наложение реплик, сильный акцент, фоновый шум, специальная лексика, имена собственные. «Быстрое» начинает терять короткие вставки и угадывать имена. «Лучшее» их сохраняет.

Как выбрать, не раздумывая долго

Оставьте Сбалансированное. Оно стоит по умолчанию, потому что чаще всего оказывается правым.

Берите Быстрое, когда нужно скорее уловить суть длинной записи или когда звук чистый и цена ошибки невелика: голосовая заметка, запись в одиночку, то, что вы всё равно просмотрите по диагонали.

Берите Лучшее, когда ошибка дорога: интервью, которые вы будете цитировать, юридические или медицинские записи, тяжёлые акценты, несколько человек, перебивающих друг друга, или всё, что вы публикуете субтитрами.

Файл всегда можно переобработать на более высоком уровне. Исходный звук остаётся доступным столько, сколько его хранит ваш тариф.