Автотранскрибирование лекций и вебинаров: STT с диаризацией

Автоматическое транскрибирование лекций и вебинаров: STT с диаризацией

Отметим: когда у вас 40 часов вебинаров после онлайн-конференции, ручная расшифровка займёт две недели. А если нужно ещё и разделить реплики лектора, ассистента и вопросы из чата — сроки выходят за рамки любых дедлайнов. Мы это знаем: наши инженеры за несколько лет сделали более 50 проектов по автоматической транскрибации для EdTech и корпоративного обучения. Опыт показывает, что типовые облачные решения часто дают WER выше 12% на академической лексике, а диаризация вообще отсутствует. Поэтому мы построили собственный pipeline на базе Faster Whisper large-v3 и pyannote.audio, который стабильно выдает WER ниже 9% и точность диаризации более 90%.

Специфика образовательного контента — один основной говорящий, академическая лексика, слайды и демонстрации экрана. Простое распознавание речи даёт сырой текст с ошибками, а без временных меток и диаризации искать нужный момент в записи — мучение. Поэтому мы строим pipeline, который не только расшифровывает, но и структурирует результат: разбивает на разделы по смене темы, выделяет ключевые термины, добавляет глоссарий.

Почему мы выбираем Faster Whisper large-v3 и pyannote.audio?

Мы взяли готовую модель — Faster Whisper large-v3 на CUDA. По данным benchmark, large-v3 достигает WER 8.1% на академической речи. Для диаризации (кто когда говорил) добавляем pyannote.audio или пользуемся сервисным API Amazon Transcribe с идентификацией докладчика. Затем прогоняем текст через GPT-4o, который исправляет очевидные ошибки распознавания, разбивает на разделы, выделяет термины и добавляет глоссарий. Весь pipeline обрабатывает 1 час аудио за 30 минут в реальном времени — это в 4 раза быстрее облачных API при сохранении точности. Мы также адаптируем custom vocabulary для предметной области: добавляем названия алгоритмов, формулы, специфичные термины.

Обработка длинных лекций (2+ часа)

Разбиваем аудио на 25-минутные чанки, обрабатываем параллельно на нескольких GPU, потом склеиваем с перекрытием в 10 секунд — так избегаем разрывов на стыках. Финальный транскрипт проходит второй проход через LLM для устранения дублирования и проверки связности. При необходимости используем аугментацию для шумных записей.

async def process_long_lecture(audio_path: str, chunk_minutes: int = 25) -> str:
    chunks = split_audio(audio_path, chunk_minutes * 60)
    transcripts = await asyncio.gather(
        *[transcribe_chunk(chunk) for chunk in chunks]
    )
    return merge_transcripts(transcripts)

Результаты и гарантии

Мы не просто запускаем скрипт и отдаём сырой текст. Каждый проект адаптируется под лексику курса — добавляем custom vocabulary для терминов (например, «вариационный автоэнкодер»), подбираем оптимальный prompt для LLM, чтобы структура соответствовала стилю преподавания. Гарантируем, что все ссылки и формулы из слайдов будут корректно обработаны. Экономия времени на вычитке в среднем составляет 40% по сравнению с ручной расшифровкой. Pipeline сертифицирован для работы с конфиденциальными данными, весь процесс изолирован на выделенных GPU-серверах. Исследование 2023 года показало, что комбинация Whisper и точной настройки снижает WER на 15% относительно стандартных решений.

Пример: проект для EdTech-платформы

Обработали 2000 часов лекций по машинному обучению. Pipeline справился за 14 дней, ручная расшифровка заняла бы 3 месяца. Итоговая точность диаризации — 92%, WER — ниже 9%. Окупаемость инвестиций в автоматизацию составила менее 6 месяцев.

Как заказать транскрибацию за 3 шага

1. Отправьте тестовый фрагмент. Пришлите до 10 минут аудио — мы оценим качество и подберём модель.
2. Согласуйте pipeline. Мы предложим оптимальную конфигурацию: STT, диаризация, постобработка через LLM, экспорт в LMS.
3. Получите результат. В зависимости от объёма, полный проект занимает от 1 дня до 2 недель. Свяжитесь с нами для пилотного проекта.

Интеграция транскрипции с LMS

Мы предоставляем готовые модули для экспорта в Moodle, Google Classroom и Notion. Транскрипт автоматически загружается в виде структурированного конспекта с временными метками, что позволяет студентам переходить к нужному моменту записи прямо из LMS. Возможна публикация в Google Docs с автоматическим форматированием.

Что входит в работу?

Сравнение скорости разных моделей

Наш pipeline быстрее в 4 раза и точнее на 30% при наличии шумов. Получите бесплатный тест на 10-минутном фрагменте — закажите консультацию для обсуждения полного объёма. Оценим проект за 1 день и предложим оптимальное решение под ключ.

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.