Покупая транскрибацию для компании, легко сравнивать только «цену за минуту». Но долгосрочную пригодность определяют точность оценки объёма аудио, проходимость записей через проверку приватности, управляемость прав ключей и замкнутость счетов и документов. Whisper часто используют как общее название интерфейса транскрибации OpenAI; к 2026 году это семейство включает и whisper-1, и более новые модели, поэтому при выборе не стоит ориентироваться на одно имя.

Ниже чек-лист по этапам закупки: объём, приватность, права, биллинг, приёмка, выбор схемы и контроль затрат. Цены и доступные модели — на странице цен на модели и в официальной документации.

Примечание: OpenAI, Whisper и GPT — товарные знаки соответствующих правообладателей; статья носит технический характер и не подразумевает аффилированность или агентские отношения с этими компаниями. Условия, модели и цены могут меняться; ориентируйтесь на официальную документацию и подписанный договор.

1. Сначала объём аудио, потом квоты

Первая строка — не ставка, а месячная длительность транскрибации: среднесуточные часы аудио × рабочие дни, плюс разовые интервью и записи поддержки, затем умножение на 1,2–1,3 для запаса на повторы и пики.

Источник аудио Как оценить Что легко упустить
Записи совещаний Число встреч × средняя длительность × рабочие дни Повторные загрузки, дозапись после встречи
Звонки поддержки Среднесуточное число звонков × средняя длительность Тишина, музыка ожидания
Контентные материалы Часы в неделю × 4 Повторы при экспорте, ручная вычитка

Квоту нужно разложить на четыре части: лимит на файл, лимит параллелизма или частоты, квота на уровне проекта и поведение при превышении. В официальной документации сейчас указан максимальный размер файла 25 МБ и форматы mp3, mp4, mpeg, mpga, m4a, wav, webm; длинные совещания требуют нарезки. Тарифные уровни частоты смотрите в официальной документации и консоли.

2. Приватность данных и хранение

В аудио есть коммерческие предложения, данные документов, фоновые разговоры и даже голосовые отпечатки — это чувствительнее текста. При закупке уточните пять пунктов:

  • Используется ли вход для обучения? OpenAI указывает, что с 1 марта 2023 года данные API по умолчанию не используются для обучения, если клиент сам не выбрал общий доступ.
  • Сколько хранятся журналы мониторинга злоупотреблений? По умолчанию официально заявлено до 30 дней; при требованиях закона или борьбы со злоупотреблениями срок может быть больше.
  • Возможно ли нулевое хранение данных? На момент написания официальная таблица управления данными помечает хранение для мониторинга злоупотреблений у /v1/audio/transcriptions и /v1/audio/translations как None и указывает доступность ZDR; но ZDR нужно запрашивать отдельно и настраивать на уровне организации или проекта.
  • Как устроены субподрядчики, регионы данных и трансграничная передача? Через сколько выполняется удаление и есть ли подтверждение?
  • При работе через шлюз: сохраняются ли аудио и текст на диск, сколько живут журналы, кто имеет доступ?

Условия по данным, одобрение ZDR и процедуру удаления стоит архивировать. Передача записей за границу может запускать процедуры трансграничных данных; сначала пусть юридическая служба и безопасность подтвердят допустимость, потом обсуждайте техническое подключение.

3. Аккаунты, права и контроль доступа

Разница между корпоративным и личным аккаунтом не в квоте, а в границах ответственности. Рекомендуемый порядок:

  1. Регистрация на корпоративный домен, привязка юридического лица, два администратора.
  2. Включить двухфакторную аутентификацию; если платформа поддерживает SSO или SCIM, включить их в первую очередь.
  3. Разделить проекты по средам: production, тест и личный эксперимент не должны делить ключ.
  4. Выдавать отдельный ключ каждому сервису и давать только необходимые модели и права.
  5. Хранить ключи только в серверных переменных окружения или менеджере секретов, не во фронтенде и не в Git.
  6. Вести реестр ключей с ответственным, назначением и датой отзыва, пересматривать ежеквартально.

При работе через ZSQH AI Gateway дополнительно проверьте права участников, квоты субаккаунтов, журналы вызовов и немедленность отзыва ключей. Каждый дополнительный слой управления добавляет границу данных, поэтому схему прав стоит отрепетировать заранее.

4. Биллинг, договор и счета

Транскрибация тарифицируется по длительности аудио, это не та же логика, что токены текста. До подписания уточните: единицу тарификации, округление, платность тишины и неудачных запросов, двойное списание при повторах, наличие минимального расхода. Конкретные ставки — на странице тарифов и в договоре; не выводите стоимость аудио из цен текстовых моделей.

Прямой счёт прозрачен, но международные платежи, курс и документы придётся вести самостоятельно; китайские шлюзы обычно предлагают оплату в юанях и счета, а виды и периодичность выставления зависят от платформы. Корпоративные платежи лучше проводить по безналичному расчёту, сохраняя договор, заказ, платёжное поручение и счёт. Возможность возврата предоплаты и порядок уведомления о повышении цен должны быть зафиксированы в закупочном документе.

5. Точность и приёмка: решает эталонный набор

Единой цифры точности нет. Тихая переговорная и автомобильный спикерфон, общая лексика и медицинская карта с моделями и именами могут дать очень разные результаты. Для приёмки нужен собственный эталонный набор, а не только демонстрация.

Рекомендуется 50–100 фрагментов, стратифицированных по акценту, шуму, отраслевой лексике, языку, длительности и устройству; для каждого — выверенный вручную текст, при слепом тесте ответы не передаются поставщику. Минимум пять метрик: доля ошибок (для китайского — CER), пунктуация и сегментация, тайм-коды, разделение говорящих, появление «галлюцинаций» на тишине или музыке.

Если нужны тайм-коды, в официальной документации whisper-1 сейчас указан как модель с поддержкой тайм-кодов на уровне слов или сегментов; более новые модели транскрибации сильнее в промптах и потоковом выводе, но границы другие. Для разделения говорящих есть отдельные модели, длинное аудио требует стратегии блоков, а пригодность для совещаний нужно тестировать отдельно. Список моделей меняется быстро; ориентируйтесь на официальную документацию.

6. Прямое подключение, шлюз или self-hosted

Схема Когда подходит Плюсы Цена решения
Прямое подключение к OpenAI Есть зарубежные платежи и комплаенс-канал, используется только OpenAI Короткая цепочка, понятная ответственность Трансграничная сеть, курс и документы на вас
Китайский AI-шлюз Нужны оплата в юанях, единый ключ и общий счёт по моделям Быстрое подключение, консолидированный биллинг Дополнительная граница, аудиоинтерфейс проверяйте по пунктам
Open source self-hosted Данные не могут покидать внутреннюю сеть или нужна фиксированная версия модели Данные остаются в вашей среде GPU, обновления и безопасность на вас

Self-hosted — не бесплатное решение. Веса открытого Whisper можно развернуть на своём сервере, но ресурсы инференса, масштабирование, восстановление после сбоев и оценку моделей придётся нести самостоятельно. Он подходит командам с жёсткими границами данных, стабильным объёмом и эксплуатационной экспертизой; для нескольких совещаний в месяц хостинговый интерфейс проще.

При выборе шлюза проверьте три вещи: полностью ли пересылается аудиоинтерфейс транскрибации, какие модели и response_format поддерживаются, читаемы ли коды ошибок. Не предполагайте, что при работающем текстовом интерфейсе аудио тоже доступно. Командам, которым нужны оплата в юанях, единый счёт и документы, можно начать с регистрации в ZSQH AI Gateway и увеличивать объём после пилота.

7. Отказоустойчивость, контроль затрат и чек-лист пилота

Транскрибация — пакетная задача; сбой не страшен, страшно, когда о нём никто не знает. В production нужны минимум четыре уровня: дедупликация перед загрузкой, задержка и повтор после сбоя, очередь недоставленных задач при превышении порога, переключение на резервный канал при недоступности основного. Длинное аудио режьте по тишине или фиксированной длительности с перекрытием 1–2 секунды.

Контролируйте затраты не только по счёту в конце месяца. По каждому проекту фиксируйте обработанные минуты в день, долю сбоев, стоимость одной встречи и часы ручной проверки, настройте оповещения на 50%, 80% и превышение. Скрипт ниже считает суммарную длительность пакета файлов для сверки с бюджетом:

import json
import pathlib
import subprocess

total = 0.0
for path in pathlib.Path("audio").glob("*.mp3"):
    info = subprocess.check_output([
        "ffprobe", "-v", "quiet", "-print_format", "json",
        "-show_format", str(path),
    ])
    total += float(json.loads(info)["format"]["duration"])

print(f"Общая длительность {total / 60:.1f} мин")

Пилот не должен ограничиваться одним успешным запросом; подписывайте чек-лист по пунктам:

  1. Месячный объём рассчитан, пики и коэффициент повторов внесены в бюджет.
  2. Опросник приватности, условия по данным и вывод по ZDR заархивированы, юристы подтвердили трансграничную передачу.
  3. Права ключей и процедура отзыва отрепетированы.
  4. Слепой тест на эталонном наборе достиг бизнес-порога, шум и акценты оценены отдельно.
  5. Нарезка, сборка и выравнивание тайм-кодов для аудио свыше 25 МБ проверены.
  6. Отказ сети, лимиты и тайм-ауты отработаны по сценариям деградации.
  7. Счёт сверен с фактическим расходом, тип документов и период выставления подтверждены.
  8. Оповещения о затратах, ручная проверка и ответственные закреплены за конкретными людьми.

Если по какому-то пункту нет материалов, лучше не выводить систему в production. Транскрибация связана с совещаниями, поддержкой и публикацией контента, поэтому сбой влияет заметнее, чем ошибка текстового запроса.

Частые вопросы

Whisper API тарифицируется по минутам или токенам?

Обычно по длительности аудио; точную единицу, округление и минимальную единицу тарификации смотрите на официальной странице, а при работе через шлюз — на странице тарифов. Не выводите стоимость аудио из цен текстовых моделей.

Аудио API используется для обучения?

OpenAI указывает, что с 1 марта 2023 года данные API по умолчанию не используются для обучения, если клиент сам не выбрал общий доступ. Журналы мониторинга злоупотреблений хранятся по умолчанию до 30 дней; для интерфейсов транскрибации и перевода сейчас указано отсутствие такого хранения и доступность ZDR, но ZDR запрашивается отдельно.

Что делать с совещанием больше 25 МБ?

Официальный лимит на файл — 25 МБ. Можно резать по тишине или фиксированной длительности с перекрытием 1–2 секунды и собирать по тайм-кодам; также можно снизить битрейт. Нарезка сокращает контекст, поэтому имена собственные и согласованность говорящих нужно проверять дополнительно.

Китайской команде подключаться напрямую или через шлюз?

При наличии зарубежных платежей, проходимого комплаенса и использования только OpenAI прямое подключение короче. Если нужны оплата в юанях и единый счёт, шлюз удобнее, но проверьте охват аудиоинтерфейса, хранение данных и переключение при сбоях.

Что делать, если точность ниже требований?

Сначала разделите причины: качество аудио, акцент, отраслевые слова или возможности модели. Можно улучшить запись, шумоподавление, промпт или словарь; если этого мало — менять модель или оценивать self-hosted. Приёмку проводите по эталонному набору целиком, а не по одному примеру.

Что читать дальше: