13 октября 2026 г. · Анатолий Крылов, редактор Тераферма
Нейросеть для субтитров к видео и апскейла: кейс видеоблогера с 300 роликами
Нейросеть для субтитров к видео, открытая модель Whisper large-v3, расшифровывает час русской речи за 3–4 минуты на RTX 4090 и сразу выдаёт файл .srt с тайм-кодами. Видеоблогер сделал так субтитры к 300 роликам общей длиной 40 часов примерно за 2,5 часа работы арендованной карты (около 120 ₽), а заодно перевёл часть роликов на английский и улучшил старые записи апскейлом. Ниже разбираем инструменты, время, стоимость, ошибки и как повторить.
Это собирательный пример: герой придуман, но инструменты, время работы и цены — реальные, по тарифам Терафермы.
Максим ведёт образовательный канал о ремонте техники: YouTube, VK Видео и Rutube. За пять лет набралось около 300 роликов, в сумме 40 часов. Субтитров нет почти нигде, а старые видео сняты в 720p на камеру, которая уже тогда шумела в темноте.
Две вещи давно не давали ему покоя. Первая касается субтитров: без них ролики хуже находит поиск и их не смотрят без звука в метро. Вторая в том, что старые видео выглядят старыми, хотя по содержанию они до сих пор лучшие на канале.
Часть 1. Субтитры для 300 роликов
Инструмент
Для расшифровки Максим взял Whisper large-v3, открытую модель распознавания речи. Она хорошо понимает русский, в том числе технические термины, и сразу выдаёт файл субтитров .srt с тайм-кодами. Для скорости взял вариант faster-whisper, который на видеокарте работает в несколько раз быстрее оригинала.
Видеокарта
Распознаванию речи много памяти не нужно. Подходит любая карта от 10–12 ГБ, но скорость зависит от мощности. Максим взял RTX 4090 за 48 ₽ в час: на ней час видео расшифровывается примерно за 3–4 минуты.
Процесс
- Скачал со своих каналов исходники роликов и вытащил из них только звук. Аудио весит в десятки раз меньше видео и загружается на сервер быстро.
- Загрузил аудио архивом в Jupyter и запустил скрипт: он проходит по папке и для каждого файла создаёт
.srt. - Пока шла расшифровка (примерно 2,5 часа на все 40 часов), занимался своими делами.
- Скачал готовые субтитры и выборочно проверил десяток роликов.
Whisper ошибается в названиях брендов и редких терминах: вместо «паяльная станция Quick» мог написать «паяльная станция квик». Максим составил список из 30 таких слов и прогнал по субтитрам автозамену.
Перевод
Бонусом он сделал английские субтитры для 50 самых популярных роликов. Переводил открытой языковой моделью Qwen прямо на той же машине, по фрагментам с сохранением тайм-кодов. Ещё около часа работы видеокарты. Качество не художественное, но для технического контента понятное: зарубежные зрители начали оставлять комментарии.
Часть 2. Улучшение старых видео
Это самая тяжёлая для видеокарты задача, и здесь важно правильно посчитать время.
Что делали
- Апскейл 720p → 1080p моделью Real-ESRGAN для видео: детали становятся чётче, текст на платах читается.
- Удаление шума в тёмных сценах.
- Частоту кадров не трогали: для обучающих роликов это не нужно, а время обработки удвоилось бы.
Сколько времени
Апскейл обрабатывает каждый кадр. Час видео 720p при 30 кадрах в секунду даёт 108 тысяч кадров. На RTX 4090 модель обрабатывает около 15–25 кадров в секунду в зависимости от настроек, то есть час видео — 1,5–2 часа работы.
Обрабатывать все 40 часов Максим не стал: выбрал 10 самых популярных роликов, всего около 4 часов видео. На это ушло примерно 7 часов работы видеокарты, две ночи по одной сессии. Перед уходом он запускал обработку в фоне, утром скачивал результат и останавливал сервер.
Для такой длинной задачи выгодно смотреть на цену: апскейл почти линейно ускоряется на более мощной карте, поэтому RTX 4090 и RTX 5090 (83 ₽) выходят по итоговой стоимости близко, а RTX 3090 (26 ₽) выходит дешевле, но дольше.
Сколько видеопамяти и времени нужно
| Задача | Модель | Видеопамять | Время на RTX 4090 |
|---|---|---|---|
| Расшифровка речи | Whisper large-v3 через faster-whisper | 4–6 ГБ | 3–4 минуты на час видео |
| Перевод субтитров | Qwen 7–14B в 4 битах | 6–10 ГБ | около минуты на ролик |
| Апскейл 720p → 1080p | Real-ESRGAN для видео | 3–6 ГБ | 1,5–2 часа на час видео |
Для субтитров память почти не важна: Whisper поместится и на карту с 10–12 ГБ. Для апскейла важна скорость, а не объём, поэтому быстрая карта окупается напрямую: меньше часов аренды. Как устроен запуск Whisper на арендованной карте, описано на странице запуска Whisper.
Какую карту брать для апскейла
Апскейл занимает больше всего времени, и здесь выбор карты заметно влияет на счёт. Время ниже дано ориентировочно, для 4 часов видео 720p.
| Карта | Время на 4 часа видео | Стоимость |
|---|---|---|
| RTX 3090 | около 11 часов | ≈ 286 ₽ |
| RTX 4090 | около 7 часов | ≈ 336 ₽ |
| RTX 5090 | около 5,5 часа | ≈ 457 ₽ |
Если обработка идёт ночью и результат нужен утром, разница во времени не важна, и решает только итоговая сумма. Если ролики нужны к публикации сегодня, быстрая карта сэкономит день.
Как повторить: пошагово
1. Извлеките звук у себя. Команда ffmpeg -i video.mp4 -vn -ac 1 -ar 16000 -b:a 64k audio.mp3 превращает ролик в лёгкий аудиофайл. 40 часов аудио весят около 1–2 ГБ вместо десятков гигабайт видео.
2. Арендуйте RTX 4090 с шаблоном PyTorch и загрузите архив с аудио в Jupyter.
3. Установите faster-whisper: pip install faster-whisper. Скрипт на 15–20 строк проходит по папке, вызывает модель large-v3 с параметрами language="ru" и vad_filter=True и сохраняет .srt рядом с каждым файлом.
4. Прогоните автозамену терминов. Список из 30–50 слов, которые Whisper пишет с ошибками (бренды, модели, фамилии), применяется ко всем файлам одной командой.
5. Для перевода поднимите модель Qwen на той же машине и переводите субтитры блоками по 20–30 строк, сохраняя номера и тайм-коды.
6. Скачайте субтитры и остановите сервер. После остановки данные с машины удаляются. Апскейл запускайте отдельной сессией на ночь.
Сколько это стоило
| Задача | Карта | Часы | Стоимость |
|---|---|---|---|
| Субтитры для 40 часов видео | RTX 4090 | 2,5 | ≈ 120 ₽ |
| Перевод 50 роликов на английский | RTX 4090 | 1 | ≈ 48 ₽ |
| Апскейл и шумоподавление 4 часов видео | RTX 4090 | 7 | ≈ 336 ₽ |
| Итого | 10,5 | ≈ 504 ₽ |
Для сравнения: ручная расшифровка стоит от нескольких десятков рублей за минуту видео, то есть 40 часов обойдутся в десятки тысяч рублей. Здесь ушло меньше тысячи за всё, включая улучшение видео.
Цена в пересчёте на ролик
Чтобы понять, стоит ли делать то же для нового контента, Максим пересчитал затраты на единицу.
| Что | Расчёт | Стоимость |
|---|---|---|
| Субтитры к часу видео | 2,5 часа карты ÷ 40 часов видео ≈ 4 минуты | ≈ 3 ₽ |
| Субтитры к ролику средней длины, 8 минут | около 30 секунд работы карты | меньше рубля |
| Апскейл часа видео 720p → 1080p | около 1,75 часа карты | ≈ 84 ₽ |
Субтитры к новым роликам теперь делаются пачкой раз в месяц: 10–15 роликов, запуск сервера на 15 минут вместе с установкой. Апскейл новым роликам не нужен (Максим давно снимает в 1080p), поэтому эта статья расходов была разовой.
Как быстро проверить субтитры
Читать 40 часов субтитров целиком нереально. Максим проверял выборочно и по признакам ошибок:
- искал в файлах латиницу и цифры: там чаще всего ошибки в марках и номиналах деталей;
- просматривал строки длиннее двух строк экрана, признак склеенных фраз;
- смотрел первые и последние две минуты каждого ролика на скорости 1,5×: там заставки, где модель иногда выдумывает текст.
На ролик уходило 3–5 минут, и большая часть заметных ошибок находилась именно так.
Что пошло не так
Скачивание исходников оказалось дольше обработки. Видео в 4K весит много, и загрузка на сервер съедала время. Решение: для субтитров загружать только звук, а видео для апскейла — пачками по 2–3 ролика.
Субтитры «залипали» на музыке. В заставках с музыкой без слов Whisper иногда выдумывал фразы. Помогло включение фильтра голосовой активности (VAD), который пропускает куски без речи.
Кадры заняли весь диск. Первая попытка апскейла сохраняла промежуточные кадры в PNG: час видео дал больше ста тысяч файлов и сотни гигабайт. Диск заполнился через полчаса. Решение: обрабатывать по одному ролику, хранить кадры в JPEG и удалять их сразу после сборки видео.
Апскейл «пластмассил» лица. На крупных планах модель сглаживала кожу, и лицо выглядело как после фильтра. Для роликов с крупными планами Максим снизил силу обработки, а на техничных кадрах с платами и инструментами оставил полную.
Проверка всё равно нужна. Автоматика даёт 95% точности, но оставшиеся 5% приходятся на фамилии, марки и цифры, а именно они важны в обучающих видео. Максим проверял субтитры на ускоренном просмотре.
Кому подойдёт
- Блогерам и авторам курсов — субтитры для поиска, доступности и перевода на другие языки.
- Продакшенам и монтажёрам — расшифровка интервью и подкастов для монтажа по тексту.
- Архивам, музеям, медиа — оцифровка и улучшение старых записей.
- Подкастерам — тексты выпусков для сайта и SEO.
Не подойдёт для видео, где важна точность каждого слова без проверки человеком: юридические записи, медицинские консультации, расшифровки для суда. Там автоматические субтитры годятся только как черновик для редактора. И не стоит ждать от апскейла чуда на сильно сжатом видео 360p: модель дорисует детали, которых в кадре не было, и это бросается в глаза.
Все 300 роликов получили субтитры, 50 — ещё и английские, а 10 самых популярных стали выглядеть заметно свежее. Видеокарта на всё ушла меньше тысячи рублей и три вечера, причём большую часть времени машина работала сама.
Чтобы повторить, выберите RTX 4090 или RTX 3090 в каталоге с шаблоном PyTorch. Если хотите обрабатывать видео в визуальном редакторе, подойдёт шаблон ComfyUI — про него есть отдельная статья. Подробнее о скорости и настройках распознавания речи — в статье Whisper: транскрибация на видеокарте.