[Битва STT 2026] Кто лучший в распознавании речи? Сравнение ElevenLabs Scribe, Whisper и Deepgram!

🎯 Что вы узнаете из этой статьи

• Независимый рейтинг точности STT-решений от 3 лидеров рынка (Artificial Analysis) по состоянию на июнь 2026 года.
• Сравнение стоимости за час: выбор оптимального API под ваши объемы задач.
• Объективный взгляд на качество распознавания русской речи (с учетом особенностей локальных моделей).
• Критические различия в работе с диаризацией и таймстемпами для создания субтитров и транскриптов встреч.
• Итоговые рекомендации: что выбрать для продакшена субтитров, стриминга в реальном времени или self-hosted решений.

📌 Вступление

Привет! На связи команда ElevenLabs.

Многие привыкли ассоциировать ElevenLabs исключительно с TTS (синтезом речи), но после официального релиза Scribe v2 в январе 2026 года мы стали полноценным игроком на рынке распознавания речи (STT), составив конкуренцию OpenAI Whisper и Deepgram.
(Наш Scribe v2 Realtime для работы с потоковыми данными был представлен еще в ноябре 2025 года — подробности можно найти в нашем официальном блоге).

Если в нашей статье о Scribe мы рассматривали базовые концепции, то сегодня ответим на главный вопрос: «Что выбрать?», опираясь на независимые бенчмарки и актуальные прайс-листы. Все данные, предоставленные самими вендорами, мы пометили как «собственные тесты».

⚡ Коротко о главном (для тех, кто торопится)

1️⃣ Для субтитров, протоколов и подкастов (Batch) → Scribe v2 (лидер по точности согласно независимым тестам + цена $0,22/час, что выгоднее OpenAI).
2️⃣ Для массового стриминга и колл-центров → Deepgram Nova-3 (превосходство в скорости обработки, стоимости стриминга и пропускной способности).
3️⃣ Для нулевых затрат и суверенитета данных → Whisper (Self-hosted) (лицензия MIT, однако диаризацию придется настраивать самостоятельно).

📖 Прежде чем начать: разберемся с 4 терминами ⚡

• STT = Speech-to-Text, «ИИ-стенографист», переводящий аудио в текст (незаменим для субтитров и расшифровки встреч).
• WER = Уровень ошибок (Word Error Rate). Показывает процент неверно распознанных слов — чем ниже показатель, тем выше точность.
• Диаризация = Автоматическое разделение речи по спикерам (кто именно говорит). Критически важно для протоколов встреч.
• Таймстемпы слов = Привязка каждого слова к конкретной секунде аудио, необходима для точной синхронизации субтитров.

📊 1. Точность — что говорят независимые тесты

Самая большая ловушка при сравнении STT — смотреть только на графики самих разработчиков. Поэтому мы опираемся на индекс AA-WER от Artificial Analysis (июнь 2026 года, где меньшее значение означает более высокую точность).

▲ Источник: Лидерборд Speech-to-Text от Artificial Analysis (июнь 2026 г.)

Итог: по точности Scribe v2 превосходит OpenAI и Deepgram, однако скорость обработки у Deepgram (504x) является эталонной. Для понимания: часовое аудио Deepgram обрабатывает за считанные секунды, тогда как Scribe v2 — примерно за 2 минуты.

Напомним, что согласно нашим внутренним данным, Scribe v2 Realtime демонстрирует лучший показатель WER для 30 языков Европы и Азии (точность 93,5%). Пожалуйста, учитывайте, что это собственные бенчмарки.

💰 2. Цена — стоимость за час

▲ Источники: elevenlabs.io/pricing, документация OpenAI и deepgram.com (июнь 2026 г.)

Три ключевых вывода:

• Для пакетной обработки Scribe v2 выгоднее — $0,22/час, что на 40% дешевле gpt-4o-transcribe ($0,36) при более высокой точности. План Creator ($22/мес) включает 100 часов обработки.

• Для стриминга выгоднее Deepgram — $0,29/час с посекундной тарификацией и поддержкой до 150 одновременных WebSocket-соединений.

• Бонусные $200 от Deepgram (эквивалент ~433 часов для Nova-3) — самое щедрое предложение для тестирования на рынке.

🇷🇺 3. Поддержка русского языка — честный взгляд

Это, пожалуй, самый важный аспект для наших читателей. И здесь у нас хорошие новости: русский — один из сильнейших языков ElevenLabs Scribe.

По официальной классификации ElevenLabs (страница Speech-to-Text, проверено в июне 2026) русский язык входит в высшую категорию «Excellent Accuracy» (WER до 5%) — наравне с английским, немецким, французским, испанским, итальянским и польским. Всего в этой категории 36 языков.

Важное уточнение по цифрам, которые часто цитируют без контекста: результат 10,7% WER на бенчмарке FLEURS (Scribe v1) — это собственные данные ElevenLabs для корейского языка, который относится к категории «Good» (WER 10–20%). Переносить эту цифру на русский некорректно: официальная оценка точности для русского заметно выше.

Стоит отметить, что специализированные локальные движки могут опережать глобальные API за счет глубокой настройки под фонетику конкретного региона — но известные независимые бенчмарки такого рода (CER 5,9–7,5%) касаются именно корейского рынка, а не русского. Если ваша задача — транскрипция русскоязычного контента, «глобальная тройка» уже играет в категории Excellent. А для мультиязычных проектов (YouTube, дубляж) этот выбор тем более оправдан — и лучший аргумент здесь даст собственный A/B-тест на вашем материале.

🧰 4. Функционал для субтитров и протоколов

• Диаризация: В Scribe v2 и Deepgram встроена в API. Для стандартного Whisper (open source) потребуется интеграция сторонних библиотек (например, pyannote). В OpenAI функция диаризации доступна за дополнительную плату.

• Таймстемпы слов (синхронизация): Scribe v2 поддерживает «из коробки». В API OpenAI эта функция доступна ограниченно, что может стать сюрпризом при верстке субтитров.

• Коррекция терминологии: Keyterm Prompting от Deepgram поддерживает русский язык — незаменимый инструмент для медицины или технических сфер.

Начать тестирование Scribe v2 →

🎯 5. Итоговые рекомендации

⚠️ 6. Минусы каждой системы

• Scribe v2: Скорость обработки (34x) существенно ниже, чем у Deepgram (504x).

• OpenAI: Отсутствие бесплатного уровня API, сложности с таймстемпами и непрогнозируемые расходы на Live-API.

• Deepgram: Самая низкая точность по AA-WER (5,2%), позднее внедрение качественной поддержки русского языка.

• Whisper (Open Source): Отсутствие крупных обновлений с октября 2024 года. Требует полноценной поддержки инфраструктуры.

🚀 В заключение — A/B тест решает всё

Любой бенчмарк — лишь справочная информация. Ваши реальные сценарии (уровень шума, акцент, профессиональные термины) могут давать иные результаты. К счастью, сочетание бесплатного плана ElevenLabs и бонуса от Deepgram позволяет сравнить оба решения на ваших данных практически без затрат.

Если вы новичок в интеграции API, изучите наш гайд по интеграции Voice AI, а для сравнения TTS — ElevenLabs vs Google TTS vs Amazon Polly.

Начать работу с ElevenLabs Scribe (бесплатно) →

Команда ElevenLabs. ⚡

❓ Часто задаваемые вопросы (FAQ)

Q1. Какое из этих решений обладает наивысшей точностью?
A. Согласно независимым тестам Artificial Analysis (AA-WER), ElevenLabs Scribe v2 показал лучший результат в 2,2% (данные на июнь 2026 года).
Показатели OpenAI gpt-4o-transcribe составили 4,0%, mini , 4,5%, а Deepgram Nova-3 , 5,2%.
Поскольку все три компании заявляют о своем лидерстве в собственных отчетах, мы ориентируемся на независимые бенчмарки.

Q2. Где самая низкая цена?
A. Это зависит от выбранного способа обработки.
При пакетной транскрибации Scribe v2 стоит $0,22 в час, что составляет около 60% от цены gpt-4o-transcribe ($0,36).
Для потоковой передачи в реальном времени Deepgram Nova-3 выгоднее ($0,29 в час) по сравнению с Scribe v2 ($0,39).
План Creator ($22/мес) включает 100 часов пакетной транскрибации.

Q3. Как обстоят дела с поддержкой корейского языка?
A. Честно говоря, она уступает английской.
ElevenLabs классифицирует корейский язык в своем официальном рейтинге как «Good» с показателем WER 10~20%.
В независимом тестировании, проведенном местной компанией ReturnZero (на основе 6 датасетов AI-Hub и метрики CER), специализированные локальные движки опередили Whisper (11,39%) с результатами 5,91% у ReturnZero и 7,52% у NAVER CLOVA.
Если ваша цель , массовая транскрибация корейского языка, рекомендуем также сравнить специализированные локальные API.

Q4. Что выбрать для создания субтитров?
A. Сначала проверьте наличие поддержки меток времени для каждого слова.
Scribe v2 поддерживает эту функцию по умолчанию.
OpenAI поддерживает ее только в устаревшем whisper-1, тогда как новейшая серия gpt-4o-transcribe лишена этой возможности, что может стать неприятным сюрпризом в рабочем процессе создания субтитров.

Q5. Можно ли протестировать сервис бесплатно?
A. Оба варианта поддерживают бесплатный доступ.
ElevenLabs предоставляет 10 000 кредитов ежемесячно в рамках бесплатного плана.
Deepgram предлагает $200 кредитов без необходимости привязки карты и без срока действия, что при использовании Nova-3 эквивалентно примерно 433 часам работы.
Тестирование одного и того же файла в обоих сервисах для сравнения не потребует от вас затрат.

Q6. Почему вы не рекомендуете Deepgram в первую очередь, если он самый быстрый?
A. Скорость обработки действительно впечатляет и достигает 504.4x.
Однако точность согласно независимым бенчмаркам составляет 5,2%, что является самым низким показателем из трех.
Поэтому он идеально подходит для колл-центров или задач, где критически важна скорость и параллельная обработка, но для создания субтитров или протоколов встреч, где важнее точность, мы рекомендуем Scribe v2.