Автоматические субтитры видео в n8n через OpenAI Whisper за 20 минут

Что такое n8n и зачем он субтитрам

3 из 5 моих автоматизаций для контента в 2025-2026 крутятся на n8n, и история с автоматическими субтитрами видео — одна из самых благодарных по отдаче. n8n в этой связке работает как оркестратор: он не распознаёт речь сам, но он умеет соединить файловое хранилище, обработку аудио и Whisper API в один понятный сценарий.

Если совсем по-простому, n8n — это визуальный конструктор процессов, где вы собираете цепочку действий из блоков, а дальше она живёт сама. Никаких магических «скрипты для автоматизации, которые поймёт только разработчик», тут реально видно, как из webhook вылетает ссылка на видео, нода скачивает файл, следующая нода вытаскивает звук, а дальше уже подключается нейронная сеть. Это и есть ответ на запрос «n8n как работает» в реальной жизни, без маркетинговых слайдов.

Как я объясняю n8n тем, кто не любит слово «оркестратор»

Я обычно говорю так: представь, что у тебя есть ассистент, который умеет ходить в почту, на Яндекс.Диск, в облако OpenAI и в Telegram. Ты даёшь ему инструкцию на одну страницу: «если пришла ссылка на видео, скачай файл, вытащи звук, отправь на расшифровку, верни файл субтитров». n8n — это визуальная версия такой инструкции, где каждый шаг — это нода.

По опыту PROMAREN, установка self-hosted n8n на VDS занимает от часа до трёх, в зависимости от админа и его отношения к Docker. Зато потом любые автоматические субтитры, уведомления, интеграции с CRM делаются без программистов, просто перетягиванием блоков. В РФ это ещё и способ жить в white-data-зоне: мы ставим n8n у клиента на свой сервер, соблюдаем 152-ФЗ и не выливаем данные наружу без необходимости.

Где тут место субтитрам и Whisper

Автоматические субтитры видео появляются в тот момент, когда к базовому сценарию n8n добавляется несколько спецблоков для обработки аудио. Триггером обычно служит webhook или папка, в которую складывают новые ролики. Дальше запускается FFmpeg — утилита, которая вытаскивает аудио-дорожку, а потом уже в игру вступает OpenAI Whisper API или локальная версия Whisper.

На выходе мы получаем не просто транскрипцию видео, а аккуратный .srt-файл с таймкодами, который любой видеоредактор съест без вопросов. И вот тут начинается магия не нейросетей, а процессов: один раз собрали workflow — и все следующие видео уже проходят по этому конвейеру. Про сами шаги я подробнее расскажу в следующем блоке, потому что там есть несколько мест, где удобно споткнуться.

Как создать автоматические субтитры в n8n за один вечер

Если отбросить страшные слова, схема создания автосубтитров такая: n8n ловит файл, FFmpeg вынимает звук, Whisper переводит аудио в текст, а n8n упаковывает результат в формат субтитров и отправляет туда, где вы работаете. На первый запуск у меня ушло 20 минут и ещё столько же — на мелкие правки, когда я в третий раз перепутала путь к папке.

Те же шаги подходят и под «субтитры для видео инструкция», и под «как сделать субтитры без видеоредактора». Самое приятное — всё это можно повторить, не будучи разработчиком, если не бояться одной команды с FFmpeg. По данным OpenAI в документации по Whisper API (официальный гайд), достаточно одного запроса к API, чтобы получить готовый текст с таймкодами.

Какие ноды я использую в базовом workflow

Чтобы не утонуть в деталях, я разбиваю сценарий на логические блоки. Первый блок — приём видео. Это Webhook или нода, которая слушает папку в облаке. Второй блок — скачивание и обработка аудио: тут подключается HTTP Request и команда с FFmpeg, что-то вроде ffmpeg -i video.mp4 audio.wav. Третий блок — интеграция API: нода OpenAI или HTTP Request, которая отправляет аудио в Whisper API и получает обратно текст.

Четвёртый блок — форматирование результата в .srt и отправка файла туда, где вы их открываете: почта, Google Drive, Bitrix24, Notion. В статье с кейсами по n8n на сайте PROMAREN я показывала похожий паттерн для обработки подкастов — там логика почти такая же, меняется только место, куда мы отправляем результат (кейсы автоматизации).

• Установить self-hosted n8n и FFmpeg на сервер или VDS.
• Создать workflow с Webhook, который принимает ссылку или файл видео.
• Добавить скачивание файла и команду FFmpeg для извлечения аудио.
• Подключить OpenAI Whisper API или локальный Whisper для транскрипции.
• Собрать ответ в формате .srt и сохранить в хранилище или отправить по почте.
• Протестировать на коротком ролике и уже потом пускать длинные видео.

На 10-минутном ролике у меня в среднем получается 4-5 минут обработки, если сервер не забит параллельными задачами. Важно помнить скрытую вещь: чем стабильнее звук и чем меньше фонового шума, тем аккуратнее будут автоматические субтитры видео, и тем меньше времени вы потратите на ручную правку. Про качество распознавания и почему я выбираю именно Whisper, поговорим дальше.

Почему я ставлю Whisper в первую очередь

Из всех движков для транскрипции видео, которые я пробовала за последние два года, Whisper остаётся самым стабильным для русского и смешанных текстов. Он терпимо относится к акцентам, не сходит с ума от английских терминов внутри русской речи и предсказуемо ведёт себя на длинных файлах — это важно, когда у вас часовой вебинар, а не сторис на 15 секунд.

По данным OpenAI и независимых обзоров вроде отчёта AssemblyAI vs Whisper (сравнительный анализ), модели Whisper обучены на миллиардах часов аудио и уверенно держат качество на 90+ языках. В промышленных проектах PROMAREN мы часто комбинируем локальную установку Whisper на VDS с GPU и облачный OpenAI Whisper API, чтобы ловить баланс между скоростью и соблюдением требований 152-ФЗ.

Чем Whisper отличается от «обычных» автосубтитров

Обычные автосубтитры, которые вы видите в видеоредакторе или соцсетях, обычно завязаны на более лёгкие модели, оптимизированные под скорость. Они справляются с простыми роликами, но сыпятся на экспертном контенте, когда в одном предложении соседствуют нейронные сети, интеграция API, n8n и какой-нибудь специфический термин по ИТ-рискам. Whisper именно этим и хорош: он не так боится редких слов и лучше держит структуру фраз.

Для меня решающим стало то, что Whisper адекватно работает с длинными файлами и не требует разносить каждый фрагмент по отдельному запросу. Да, иногда я всё равно режу аудио на чанки через FFmpeg, но делаю это ради устойчивости n8n-сценария, а не из-за ограничений модели. Плюс API Whisper сейчас стоит от 0,006$ за минуту — на фоне стоимости человеческой расшифровки это практически символические деньги.

Какие нюансы всплывают в реальных проектах

На бумаге всё звучит гладко, а в жизни вылезают мелочи. Шумный офис, эхом в переговорке, звук с зума, где один спикер тихий, другой слишком громкий — всё это снижает точность и добавляет работы редактору. Здесь помогает либо предварительная обработка звука, либо консервативные настройки Whisper вроде temperature 0 и явного указания языка —language ru.

По опыту 8 проектов в PROMAREN, самый частый фейл — не сама нейросеть, а окружение: забыли настроить хранение API-ключа, положили на одну машину и n8n, и тяжёлую модель large, забили диск временными файлами. Транскрипция видео хорошо работает только в честной архитектуре, где понятно, что и куда пишет. В следующем блоке покажу, как я настраиваю n8n так, чтобы эти грабли минимизировать.

Как настроить n8n под свои видео и не утонуть

К 2026 году я уже перестала верить в универсальные «один workflow на все случаи», особенно когда речь про автоматические субтитры. У кого-то видео лежат на Яндекс.Диске, у кого-то в S3-совместимом облаке, кто-то шлёт файлы прямо в Telegram-бота. Схема n8n + Whisper остаётся той же, но обвязка отличается.

Хорошая новость: базовая инструкция по использованию OpenAI Whisper API меняется мало, вы просто добавляете к ней нужные интеграции. На сайте PROMAREN у меня есть отдельный разбор, как мы цепляли субтитры к внутреннему видеоархиву через n8n и Telegram-бота (тестовый доступ), там всё крутится вокруг тех же нод, только триггер другой.

Какие настройки критичны именно для субтитров

Первое, на что я смотрю — где будет храниться исходное видео и куда класть результат. Если вы работаете с клиентскими записями, то вопрос white-data стоит остро, и тогда n8n лучше посадить на отдельный контур, а Whisper разворачивать локально. Если у вас обучающие ролики для YouTube, можно смело использовать облачный Whisper API и отправлять .srt прямо в папку, откуда берёт файлы видеоредактор.

Второй момент — лимиты по размеру и времени обработки. В n8n есть таймауты на выполнение нод, и если вы транскрибируете полуторачасовой вебинар, стоит либо резать аудио на части, либо настраивать очередь задач. Здесь работает простое правило: сначала автоматизируйте короткие ролики, потом длинные, иначе легко решить, что «нейронные сети виноваты», хотя у вас просто нода упала по таймауту.

1. Определить хранилище для видео и для готовых субтитров.
2. Решить, будет ли Whisper локальным или через OpenAI API.
3. Настроить безопасное хранение ключей и доступов в n8n Credentials.
4. Проверить лимиты по времени выполнения и размеру файлов.
5. Сделать тестовый прогон на коротком видео до запуска в продакшн.

Третий, менее очевидный момент — кто и как потом редактирует текст. В одном из проектов мы вывели черновик субтитров в общий Notion, чтобы редактор видел транскрипцию видео и мог править опечатки до импорта в видеоредактор. Это заняло чуть больше нод в сценарии, зато команда перестала гонять файлы туда-сюда. В следующем блоке расскажу, как всё это встроить в ежедневную рутину, чтобы вы не вспоминали про workflow только когда что-то упало.

Как жить с автоматическими субтитрами и что мерить дальше

В какой-то момент workflow с автосубтитрами в n8n становится таким же фоновым, как почта или таск-трекер: он просто крутится где-то на сервере и иногда присылает письма. И тут легко забыть задать простой вопрос: а он вообще продолжает экономить нам время или уже просит больше ухода, чем даёт пользы. Я как бывший аудитор в такие моменты достаю метрики.

По ощущениям «стало быстрее» жить нельзя, поэтому мы в PROMAREN обычно смотрим на три числа: время от загрузки видео до готовых субтитров, долю вручную исправленных строк и стоимость минуты видео с учётом инфраструктуры. Это не сложная BI-система, а маленькая табличка в Sheets, но именно она показывает, работает ли автоматизация через n8n так, как мы рассчитывали.

Какие метрики помогают не врать себе про эффективность

Первая метрика — время обработки. Я замеряю не только сухое «Whisper работал 5 минут», но и полный цикл: от того момента, как маркетолог кинул ссылку на ролик, до того, как .srt оказался в папке монтажёра. Вторая — процент строк, где редактор внёс правки. Если после пары итераций этот процент не падает, значит, или звук плохой, или модель подобрана неудачно.

Третья метрика — стоимость. Сюда попадает аренда сервера под n8n, если он отдельный, расходы на GPU (когда он есть), оплата OpenAI Whisper API и чуть-чуть времени человека на поддержку сценария. Я раньше думала, что это слишком занудно считать, но после одного проекта, где «бесплатная локальная модель» незаметно съела бюджет на железо, поменяла мнение. Автоматизация без честной экономики превращается в дорогую игрушку, а не в инструмент.

Ну и напоследок — организационный момент. Когда автоматические субтитры видео становятся нормой, сильно меняется отношение к самому контенту: проще выпускать вебинары, внутренние тренинги, подкасты, потому что их не нужно «героически расшифровывать». Это тот случай, когда автоматизация действительно возвращает время, а не добавляет «ещё один модный инструмент». В канале PROMAREN я иногда показываю такие сценарии n8n на живых примерах — там же можно подсмотреть и другие связки с нейронными сетями (разборы в Telegram).

Когда субтитры начинают работать на вас

Если собрать всё воедино, картина получается довольно спокойная и без магии. n8n берёт на себя рутину по доставке файлов и управлению шагами, Whisper превращает звук в текст с качеством, достаточным для 95% задач, а вы остаётесь там, где нужна человеческая голова — в смысле, в финальной правке и выборе, что вообще стоит субтитрить. Честная архитектура под 152-ФЗ и понятные метрики эффективности делают эту связку устойчивой, а не разовой игрушкой для продакшена.

Секрет в том, что начинать стоит не с идеального сценария на все типы контента, а с одного-двух реальных роликов, которые уже висят на вас мёртвым грузом. Поставили n8n, подключили OpenAI Whisper API, прогнали пару файлов, посмотрели на цифры, поправили. И только потом строите что-то сложнее. Если есть желание покопаться в подобных автоматизациях глубже — на сайте PROMAREN есть раздел с разборами по n8n, Make и Cursor (подход PROMAREN), там много живых схем.

А ещё у меня есть внутреннее правило: если задача повторяется третий раз подряд, её нужно или автоматизировать, или выкинуть. С субтитрами я выбрала первое, хотя по дороге пару раз хотела всё переписать идеально по-другому 😅

Обо мне. Марина Погодина, основательница PROMAREN и AI Governance & Automation Lead. С 2024 года помогаю в РФ строить автоматизацию на n8n, Make.com, Cursor, внедряю AI-агентов. Пишу в блоге и канале.

Если хочется разобрать свой кейс с автоматическими субтитрами видео или другими задачами контент-автоматизации, загляни на сайт PROMAREN или в канал в Telegram. Я периодически разбираю там реальные сценарии n8n и связки с нейронными сетями в формате «было/стало», без лишнего хайпа.