Технічний контекст
Я б не зводив цей вибір до банального «що точніше». Коли я проєктую AI-автоматизацію навколо дзвінків, зустрічей або голосових заявок, мені важливий не лише WER на слайді, а те, що модель робить з іменами, брендами, артикулами та технічною лексикою в живому мовленні.
Я розумію, чому Parakeet хвалять. Він швидкий, добре працює на CPU і справді зручний у потокових сценаріях. Це наслідок архітектури: трансдюсер рухається вперед по аудіо й послідовно передбачає токени на основі поточного сигналу, без важкого авторегресивного циклу, як у Whisper.
Але тут я зазвичай і зупиняюся. Whisper, попри всі свої примхи, спирається на transformer decoder з увагою до всього поточного фрагмента аудіо. Тобто, обираючи слово, він дивиться не тільки на локальний звук прямо зараз, а й на ширший контекст фрази.
На практиці це часто вирішує долю транскрибації. Коли в записі звучать прізвища, назви компаній, API, шматки англійської всередині української мови або рідкісні терміни, Whisper частіше збирає фразу осмислено. Не ідеально, але логіка речення в нього зазвичай міцніша.
Другий момент — це дані. Whisper навчали на величезному масиві веб-аудіо, і це відчувається саме в «брудних» сценаріях. У Parakeet набори даних більш сфокусовані й акуратні, через що він може бути дуже добрим у цільових бенчмарках, але в хаотичній реальності не завжди витягує той самий рівень контекстного вгадування.
Так, у Whisper є неприємний мінус: галюцинації на тиші, музиці та шумі. Але я це зазвичай вирішую інженерно: VAD, детектор музики, фільтрація порожніх сегментів, нормальна постобробка. Після цього його слабке місце стає контрольованим, а сильне — розуміння контексту — залишається.
Вплив на бізнес та автоматизацію
Якщо вам потрібен швидкий стримінг, дешева обробка на CPU і низька затримка, Parakeet виглядає дуже раціонально. Особливо там, де помилка в одному терміні не ламає весь downstream.
Якщо ж після транскрибації у вас запускаються ланцюжки AI-автоматизації: вилучення сутностей, заповнення CRM, пошук завдань, маршрутизація заявок, то одне неправильне прізвище або модель обладнання може коштувати дорожче всієї економії на інференсі. І ось тут Whisper нерідко окупає свою важкість.
Я б сказав так: Parakeet виграє у швидкості та стійкості на паузах, Whisper часто виграє у змісті. А ми в Nahornyi AI Lab якраз і вирішуємо цю розвилку в клієнтів на практиці: підбираємо стек, де artificial intelligence integration не ламається на першому ж рідкісному терміні. Якщо ваші голосові процеси вже гальмують людей, давайте подивимося на пайплайн і зберемо AI solution development під ваш реальний сценарій, а не під гарний бенчмарк.