Azure Speech Services: интеграция STT и Custom Speech

Колл-центр с 50 операторами обрабатывает 10 000 звонков в день. Нужно автоматически распознавать речь, искать ключевые слова и проверять скрипты. Ручная расшифровка стоит значительно дороже автоматической, а open-source Vosk даёт 70% точности на специфической лексике и требует GPU. Azure Speech Services решает задачу без GPU, с SLA 99.9% и готовым API. Мы внедряем его за 3–10 дней, включая Custom Speech под ваш домен. Оценим сценарий за 1 день — свяжитесь для бесплатного анализа.

Проблемы, решаемые Azure Speech Services

Точность на доменной лексике (медицина, юриспруденция, финансы): стандартный API даёт 30–70% Word Error Rate, Custom Speech повышает до 95% после дообучения на 10+ часах аудио. Экономия на GPU-инфраструктуре может достигать тысяч долларов в месяц при средней нагрузке. Стоимость транскрипции с Azure Speech существенно ниже ручной расшифровки. Лицензирование пакетной транскрипции оплачивается по фиксированному тарифу.

Диаризация до 20 говорящих — на совещаниях с 10 участниками точность разделения 85–95%. Потоковый режим с задержкой 150–300 мс подходит для IVR и голосовых ассистентов. Пакетная транскрипция обрабатывает файлы до 1 ГБ асинхронно.

Отказоустойчивость: дата-центры Azure в Европе соответствуют GDPR, SLA 99.9%. Мониторинг latency p99 и автоматическое масштабирование включены в пилотную поддержку.

Преимущества Azure Speech Services перед open-source

Open-source решения (Kaldi, Vosk) требуют:

• значительные затраты на GPU;
• настройка моделей — недели;
• ограниченная языковая поддержка.

Azure:

• не требует GPU;
• API готов за 1 день;
• 100+ языков, HIPAA, SOC2;
• встроенная диаризация и Custom Speech.

Экономия на GPU может достигать тысяч долларов в месяц, а время разработки сокращается на 2–3 недели.

Как мы настраиваем Custom Speech под ваш домен?

1. Сбор аудиокорпуса: 10+ часов mono, 16 кГц, 16 бит PCM с точными расшифровками (допустима латентность Δt < 500 мс).
2. Загрузка в Azure: текстовые данные для Language Model и аудио+расшифровки для Acoustic Model.
3. Обучение: 1–2 часа на платформе — без ML-экспертизы.
4. Тестирование: сравниваем Word Error Rate на отложенной выборке, улучшение 20–35%.
5. Развёртывание: новый эндпоинт доступен через тот же SDK, код менять не нужно.

Если данных меньше 10 часов — загружайте только текстовый словарь, это снижает WER на 10%.

Согласно документации Microsoft Azure Custom Speech, дообучение снижает WER на 20–35%.

Что входит в работу по интеграции?

• Архитектурная документация: схема потоков, спецификация эндпоинтов (REST/WebSocket), рекомендации по масштабированию.
• SDK-интеграция: настроенный пакет с примерами на Python, C#, JavaScript, включая потоковый режим.
• Встраивание в инфраструктуру: Azure Function для событий, Logic Apps для оркестрации, Key Vault для ключей.
• Обучение команды: воркшоп по API, диагностике ошибок (429, 401) и оптимизации запросов.
• Пилотная поддержка: 2 недели с мониторингом latency p99, ошибок и автоматическим масштабированием.

Сравнение режимов распознавания

Сравнение Azure Speech и open-source

Как работает диаризация?

Azure Speech Services использует модель диаризации на основе нейросетей, разделяющую аудиопоток на говорящих. Для каждого сегмента определяется идентификатор спикера. Максимум 20 уникальных спикеров, точность 85–95% в зависимости от качества записи. Для улучшения можно передать дополнительные признаки: пол, скорость речи.

Процесс работы

1. Аналитика (1 день): сбор требований, аудит текущей инфраструктуры.
2. Проектирование (1–2 дня): архитектура, выбор региона, модель безопасности.
3. Интеграция SDK (1–2 дня): настройка потокового/пакетного режимов.
4. Custom Speech (3–5 дней, опционально): сбор данных, обучение, тестирование.
5. Тестирование и деплой (1–2 дня): нагрузочное тестирование, мониторинг.

Итого: от 3 до 10 дней.

Сроки и стоимость

Сроки: от 3 до 10 дней. Стоимость рассчитывается индивидуально после анализа сценария. Получите консультацию — мы оценим ваш проект за 1 день и предложим архитектуру.

import azure.cognitiveservices.speech as speechsdk

speech_config = speechsdk.SpeechConfig(
    subscription=os.environ["AZURE_SPEECH_KEY"],
    region="westeurope"
)
speech_config.speech_recognition_language = "ru-RU"
speech_config.enable_dictation()

audio_config = speechsdk.AudioConfig(filename="audio.wav")
recognizer = speechsdk.SpeechRecognizer(
    speech_config=speech_config,
    audio_config=audio_config
)

result = recognizer.recognize_once_async().get()

Обращайтесь за полным примером под вашу задачу, включая асинхронный поток и обработку ошибок.

Мы реализовали 30+ проектов по speech-интеграции. Гарантируем SLA 99.9% при правильной настройке. Свяжитесь для старта — получите пример архитектуры и предварительную оценку бесплатно.

Распознавание и синтез речи: ASR, TTS, клонирование голоса

Заказчик приходит с задачей: транскрибировать 40 000 часов колл-центра за неделю. Штатный облачный ASR (Google Speech-to-Text) выдаёт WER 28% на отраслевой лексике и стоит ощутимо дорого при таких объёмах. Задача — снизить WER ниже 10% и перейти на self-hosted инференс.

Типовые проблемы, с которыми приходят

WER не сходится к нужной метрике. Чаще всего виновата не архитектура, а данные: шумные аудио без нормализации уровня (-23 LUFS вместо стандарта), смешанные языки в одном канале, акцент, специфическая доменная лексика. Whisper large-v3 из коробки даёт WER 8–12% на чистом русском и проваливается до 25–35% на записях с PSTN-артефактами и узкополосным кодеком G.711.

Диаризация ломается при больше двух спикеров. pyannote/speaker-diarization-3.1 работает стабильно при 2–3 говорящих, но DER (Diarization Error Rate) растёт с 6% до 18–22% при 5+ участниках конференции. Проблема усугубляется перекрёстными репликами: по умолчанию min_duration_on=0.1 срезает короткие вставки.

Клонирование голоса — латентность или качество. XTTS v2 (Coqui) даёт натуральный голос, но при потоковой генерации stream_chunk_size=20 первый аудиочанк прилетает через 1.4–2.0 с — неприемлемо для интерактивных сценариев. StyleTTS2 и Kokoro быстрее, но требуют точной подготовки референсного аудио.

Как это решается на практике

Базовый стек для production-пайплайна:

• ASR: openai/whisper-large-v3 или faster-whisper (CTranslate2-бэкенд, x4 скорость vs оригинал)
• Диаризация: pyannote.audio 3.x + интеграция через whisperx для выравнивания по словам
• TTS: XTTS v2 для качества, Edge-TTS или Silero для низкой латентности
• Клонирование: XTTS v2 (3–6 с референсного аудио) или OpenVoice v2

Типичный пайплайн для колл-центра выглядит так: аудио из очереди Kafka → нормализация ffmpeg -af loudnorm до -23 LUFS → faster-whisper с beam_size=5, vad_filter=True → pyannote диаризация → постпроцессинг (пунктуация через deepmultilingualpunctuation) → запись в PostgreSQL с временными метками.

Кейс из практики. Финтех-компания с 12 000 звонков/день. Исходный WER на русском с банковской лексикой — 22% (Google STT). После fine-tuning whisper-medium на 200 часах размеченных записей через Hugging Face transformers + Seq2SeqTrainer с learning_rate=1e-5, warmup_steps=500 — WER упал до 7.3%. Инференс на одной A10G через faster-whisper с compute_type=float16 обрабатывает 40-минутный звонок за 55 секунд. Итоговая стоимость инференса — $0.0008/мин против $0.016/мин у облачного провайдера.

Дообучение Whisper на доменных данных

Когда общая модель не справляется, fine-tuning — первый инструмент. Минимальный датасет для заметного улучшения — 20–30 часов размеченного аудио в целевом домене. Разметку можно получить через итеративный процесс: прогнать через базовую модель → вручную исправить 10–15% ошибок → переобучить → повторить.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

Важно: при fine-tuning Whisper нужно замораживать encoder первые 1000 шагов (model.freeze_encoder()), иначе акустические признаки разъедутся раньше, чем decoder адаптируется к новой лексике.

Синтез речи: выбор под задачу

Для интерактивных ботов с требованием TTFB < 300 мс — Silero или Kokoro. Для озвучки контента, где важна натуральность — XTTS v2 с потоковой отдачей через WebSocket.

Процесс работы

Начинаем с аудит-сессии: берём 2–4 часа ваших записей, прогоняем через несколько моделей, замеряем WER/CER, смотрим на распределение ошибок по типам (лексические, акустические, язык). Это занимает 1–2 дня и сразу показывает, нужен ли fine-tuning или достаточно пост-обработки.

Далее — выбор архитектуры под ваш throughput: один GPU для 1000 мин/день или кластер с балансировщиком для 100 000+ мин/день. Деплой через Docker-контейнер с FastAPI или Triton Inference Server для батчированного инференса.

Сроки зависят от сложности: базовая интеграция готовой модели — 1–2 недели. Fine-tuning с подготовкой данных и валидацией — 4–8 недель. Полная разработка голосового пайплайна (ASR + диаризация + TTS + мониторинг) — 2–4 месяца.