Автоматическое транскрибирование судебных заседаний: точность >98%

Реализация автоматического транскрибирования судебных заседаний

Секретарь тратит до 40% времени на расшифровку: каждая минута аудио — 5-10 минут ручной работы. Ошибка в протоколе — риск отмены решения. Мы решаем это через on-premise ASR с диаризацией и юридическим словарём, который снижает WER ниже 2% на чистых записях. Модель дообучена на корпусе из 100+ часов судебных заседаний, включая региональные особенности. Это не просто распознавание — это полноценный ML-пайплайн для судов, обеспечивающий конфиденциальность и точность, недоступную облачным сервисам.

Почему on-premise безопаснее облака?

Облачные сервисы передают аудио третьей стороне — нарушение тайны совещательной комнаты (ст. 241 УПК). On-premise архитектура гарантирует, что данные не покидают контур суда. К тому же, коммерческие STT дают WER 10-15% на юридической лексике, а наше решение — <2% (в 5-10 раз точнее).

Как мы добиваемся точности >98%

Берём Whisper large-v3 и дообучаем на корпусе судебных заседаний (100+ часов, 20+ судов). Используем LoRA-адаптеры для быстрой адаптации под конкретный голос диктора. Словарь включает 5000+ юридических терминов и шаблонов: «статья сто пятьдесят вторая» → «ст. 152», «часть первая статьи» → «ч. 1 ст.». Нормализатор также обрабатывает даты, имена, аббревиатуры (УПК, ГПК, АПК).

class LegalTextNormalizer:
    def normalize(self, text: str) -> str:
        text = re.sub(r'статья (\d+)', r'ст. \1', text)
        text = re.sub(r'часть (\w+)', lambda m: f'ч. {ROMAN_TO_INT[m.group(1)]}', text)
        return text

Дополнительно используем Voice Activity Detection (VAD) для фильтрации шумов и пауз — это снижает WER ещё на 1-2%. Без VAD модель «слышит» фоновые разговоры и порождает фантомные фразы.

Сколько можно сэкономить на транскрибации?

Экономия на ФОТ при типовой нагрузке — сотни тысяч рублей в год. Точное значение зависит от объёма заседаний и региона.

Как работает диаризация при перебивании?

Используем pyannote/speaker-diarization-3.1 с порогом 0.6. При перебивании метка SPEAKER_00+SPEAKER_01 — реплика уходит на ручную проверку. Точность атрибуции 92% на 2-4 участника, 85% на 5+.

Что входит в работу

• Дообучение Whisper на ваших записях (5-10 часов, 2-3 недели).
• Развертывание on-premise на сервер с GPU (NVIDIA A10G, L40S и др.).
• Интеграция с ГАС «Правосудие» через REST API или XML-обмен.
• Обучение секретарей постредактированию (1 день).
• Передача исходных кодов модели, конфигов, документации.

On-premise vs облачные STT: ключевые различия

Типичные ошибки и как их избежать

• Пропуск VAD-фильтрации: модель «слышит» шумы и порождает фантомные фразы — WER растёт до 20%. Наш VAD отсекает тишину и шумы, оставляя только речь.
• Использование модели без дообучения: стандартный Whisper не адаптирован к юридической лексике, даёт WER 10-15%. Дообучение обязательно для получения заявленной точности.
• Игнорирование постредактирования: даже при 98% точности нужен ручной контроль сложных участков. Включаем интерфейс постредактирования с подсветкой неуверенных фрагментов — это ускоряет проверку в 2-3 раза.

Процесс внедрения

1. Аудит инфраструктуры и сбор 5+ часов аудио.
2. Разметка данных и дообучение (3-4 недели).
3. Разработка интеграционных модулей (2-3 недели).
4. Тестирование на контрольной выборке (1 неделя).
5. Деплой и обучение персонала (1 неделя).
6. Опытная эксплуатация с нашей поддержкой (2 недели).

Сроки и как начать

Базовая система — от 4 недель. Полный цикл с дообучением и ГАС — до 12 недель. Свяжитесь с нами для индивидуального предложения — оценим ваш проект, подготовим КП под ключ. Закажите демо-доступ и убедитесь в точности на своих записях — получите консультацию инженера бесплатно.

Архитектура описана в Whisper и pyannote/speaker-diarization-3.1. Наша компания — 5+ лет опыта в NLP, 20+ проектов транскрибации для судов и юрфирм.

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.