Whisper large-v3 · GigaAM-v3 (e2e) · T-one — локально в браузере. Дорожки «менеджер / клиент», тайминги реплик, перебивания, доля тишины.
Определяю окружение…
⚠️ Страница открыта без cross-origin isolation — WASM работает в один поток, инференс будет заметно медленнее.
Запустите через python3 server.py из папки стенда и откройте http://localhost:8017/.
1. Запись звонка (mp3/wav)
Перетащите файл сюда или кликните для выбора. Стерео из телефонии: левый канал — менеджер, правый — клиент (можно поменять).
📼 длительность каналы частота
2. Модели
Самая мощная версия: 1.55 млрд параметров. Универсал (99 языков), ставит пунктуацию. Используется сжатая 4-битная квантованная версия q4 (~1.2 ГБ суммарно).
Разработчик: OpenAI (США)
Лицензия: MIT — коммерческое использование бесплатно ✓
Скачивается: ~1.2 ГБ (q4)
ОЗУ в работе: ≈1.5–2 ГБ
Самая мощная версия: e2e-CTC fp32, 220 млн параметров. Лучшее опубликованное качество на русском, обучена в т.ч. на колл-центрах; ставит пунктуацию и пишет числа цифрами.
Разработчик: SberDevices (Сбер) (Россия)
Лицензия: MIT — коммерческое использование бесплатно ✓
Скачивается: 885 МБ (fp32)
ОЗУ в работе: ≈2–2.5 ГБ
Единственная версия: 71.6 млн параметров. Специалист по русской телефонии 8 кГц, потоковая архитектура (может работать в реальном времени). Пунктуацию не ставит.
Разработчик: T-Technologies (Т-Банк) (Россия)
Лицензия: Apache 2.0 — коммерческое использование бесплатно ✓
Скачивается: 144 МБ (fp16)
ОЗУ в работе: ≈0.5 ГБ
3. Дорожки и статистика разговора
менеджерклиентперебивание (говорят оба)тишина
4. Транскрипции
Сводка по скорости
Модель
Вариант
Устройство
Загрузка+инициализация
Инференс
RTF×
Символов
RTF× — во сколько раз быстрее реального времени обработан звук (длительность речи ÷ время инференса; больше — лучше).