Переход с ручного набора текста на ИИ снижает стоимость минуты транскрибации с 15–30 рублей до 0,1–0,5 рубля, но скрытые расходы на инфраструктуру Open-Source моделей часто делают их дороже проприетарных API на малых объемах.
Экономика проприетарных API: плата за удобство
Лидеры рынка, такие как OpenAI (Whisper API) или Google Speech-to-Text, работают по модели Pay-as-you-go. Средняя стоимость минуты качественной транскрибации варьируется от $0.006 до $0.024. При объеме 1000 часов аудио в месяц затраты составят от $360 до $1440 без учета налогов и стоимости токенов для последующей очистки текста.
Кейс: Стартап по обработке интервью тратит $200/мес на API. Переход на свой сервер с GPU RTX 4090 потребует разовых вложений в $2500 и ежемесячных затрат на электричество и администрирование. Точка окупаемости такого перехода наступает только при переработке более 15 000 минут аудио в месяц.
Экспертный вывод: Для объемов до 250 часов в месяц проприетарные API безальтернативны — они дешевле в совокупном владении (TCO) за счет отсутствия затрат на DevOps и поддержку.
Open-Source решения: стоимость владения железом
Использование Whisper (OpenAI) в self-hosted режиме переносит расходы из операционных (OPEX) в капитальные (CAPEX). Основной драйвер стоимости — VRAM видеокарты. Для модели medium требуется минимум 8 ГБ VRAM, для large-v3 — от 12 ГБ. Аренда GPU-сервера (например, на Lambda Labs или Selectel) обходится в $0.40–$0.80 в час.
При нагрузке 10 000 минут в месяц и скорости обработки 1:10 (1 минута аудио за 6 секунд), сервер будет работать около 17 часов. Однако простой сервера стоит денег. Если использовать облачный GPU без автоскейлинга, стоимость минуты может вырасти до $0.05, что в 5 раз дороже API.
Экспертный вывод: Open-Source выгоден только при создании конвейера с постоянной загрузкой GPU на 70%+, иначе вы переплачиваете за простой «железа».
Скрытые расходы на пре-процессинг и точность
Чистая стоимость минуты — иллюзия. Реальный бюджет включает подготовку файла. Работа с аудиозаписями низкого качества требует применения фильтров шума и нормализации, что добавляет до 15% к вычислительному времени. Без этого этап ручной правки (human-in-the-loop) занимает до 30 минут на каждый час записи, что при ставке корректора 300 руб/час добавляет к стоимости минуты еще 1,5 рубля.
Пример: Обработка записи с сильным эхом увеличивает Word Error Rate (WER) с 5% до 20%. Стоимость исправления этих ошибок вручную в 10 раз превышает стоимость самого API-запроса.
Экспертный вывод: Инвестировать нужно не в дешевизну модели, а в анализ точности ИИ-транскрибации при работе с аудиозаписями низкого качества, так как стоимость человеческой правки — главный «убийца» бюджета.
Постобработка и синхронизация: дополнительные итерации
Транскрибация выдает «сырой» поток слов. Для создания коммерческого продукта нужны две стадии: очистка от мусора и расстановка меток. Применение LLM (например, GPT-4o-mini) для удаления слов-паразитов стоит примерно $0.001 за 1000 токенов. В среднем, на 1 час аудио уходит 10-15 тысяч токенов на очистку, что добавляет около 1–2 рублей к стоимости часа.
Сложность возрастает при создании субтитров. Сравнение подходов к синхронизации текста и аудио в ИИ-транскрибации показывает, что точные таймстампы на уровне слов требуют более тяжелых моделей или дополнительных проходов, что увеличивает время рендеринга на 20-30%.
Экспертный вывод: Стоимость «готового к публикации» текста в 2-3 раза выше стоимости «сырого» транскрипта из-за этапов постобработки.
Вывод
Мой вердикт: до 200 часов аудио в месяц используйте проприетарные API (OpenAI Whisper API) — это самый дешевый и стабильный путь. При объемах от 500 часов переходите на self-hosted решение с использованием модели Whisper-large-v3 на арендованных GPU (A100 или RTX 4090) с обязательным внедрением автоскейлинга. Избегайте покупки собственного железа, если у вас нет штатного ML-инженера: стоимость его зарплаты перекроет любую экономию на минутах текста в течение двух лет.