Сервер для распознавания и синтеза речи
Расшифровка звонков, встреч и видео на своём GPU-сервере: Whisper large-v3 через faster-whisper или WhisperX, синтез голоса — Qwen3-TTS, XTTS и другие модели. Оплата за месяц, а не за минуту аудио. RTX 3090 — от 24 900 ₽/мес, сервер в нашем дата-центре в Москве.
Что разворачиваем
Распознавание и синтез речи на одном сервере
| Задача | Модели | Что получаете |
|---|---|---|
| Расшифровка записей | Whisper large-v3, faster-whisper | текст звонков, встреч и видео на русском и других языках |
| Спикеры и таймкоды | WhisperX | кто что сказал, с точным временем |
| Синтез голоса | Qwen3-TTS, XTTS, Silero | озвучка текста, голосовые ответы ботов |
| Разбор звонков | Whisper + LLM (Qwen) | краткое содержание, оценка разговора, теги |
Кому подходит
Где нужна своя расшифровка
Колл-центры и отделы продаж
Все звонки в тексте: поиск, контроль качества, разбор возражений.
Видео и подкасты
Субтитры и текстовые версии выпусков без оплаты за минуту.
Встречи и совещания
Протоколы встреч, которые не уходят во внешние сервисы.
Персональные данные
Записи остаются в нашем ЦОД в Москве — 152-ФЗ и коммерческая тайна.
Вопросы и ответы
Частые вопросы
Какой сервер нужен для Whisper?
Whisper large-v3 через faster-whisper занимает несколько гигабайт видеопамяти, поэтому одна RTX 3090 24 ГБ обрабатывает записи с большим запасом и может параллельно держать модель синтеза речи. RTX 4090 нужна, если записей очень много и важна скорость.
Сколько стоит?
RTX 3090 24 ГБ (8 ядер, 64 ГБ RAM, 1 ТБ NVMe) — 24 900 ₽/мес, RTX 4090 — 44 900 ₽/мес. При договоре от 12 месяцев скидка 15%. Цена не зависит от числа минут: расшифровывайте сколько угодно.
Как быстро идёт расшифровка?
На видеокарте Whisper работает в десятки раз быстрее реального времени: час записи расшифровывается за минуты. Точная скорость зависит от модели, языка и настроек — замерим на ваших записях.
Можно разделить спикеров и получить таймкоды?
Да, WhisperX добавляет разметку по спикерам и точные таймкоды по словам. Поднимем его вместе с API, чтобы отправлять файлы из вашей CRM или телефонии.
А синтез речи?
На той же карте работают модели синтеза — Qwen3-TTS, XTTS, Silero и другие. Связку «распознавание + синтез» мы уже разворачивали на RTX 3090 для клиента.
Почему не облачный сервис распознавания?
Записи звонков и встреч часто содержат персональные данные и коммерческую тайну. На своём сервере они не уходят третьим лицам, а цена не растёт с объёмом.
Можно протестировать перед арендой?
Да, даём бесплатный тест на 3 часа на RTX 3090 или RTX 4090: запускаете свою задачу и смотрите скорость. Оставьте заявку — согласуем время.
Подобрать сервер под речь
Напишите, сколько часов записей в день и нужен ли синтез голоса — подберём конфигурацию. Бесплатно.