← Каталог

· AI Engineer Europe 2026

За пределами транскрибации: голосовой ИИ, который понимает разговоры

Beyond Transcription: Building Voice AI That Actually Understands Conversations

Транскрипция без разметки по говорящим теряет смысл реплик, а склеить speaker diarization с STT по таймкодам оказывается отдельной сложной задачей.

  • Сверка таймкодов — границы слов у STT и границы реплик у диаризации расходятся, а в перекрытиях простое назначение слова спикеру ломается. По словам автора, его оркестрация решает это поверх любого STT, в том числе дообученного внутри компании.
  • Шум и телефон — по словам автора, лучшая система даёт около 8% ошибки диаризации на телефонном разговоре двух человек и около 41% в ресторане с фоновым шумом.
  • Одноголосые модели — STT обучают в основном на одном голосе. По данным автора, Parakeet даёт около 11% ошибок распознавания на гарнитурном микрофоне и около 26% на AMI с микрофоном посреди стола.
  • Открытый код — pyannote.audio с моделью Community-1 доступен на Hugging Face. Её режим exclusive diarization на перекрытии выбирает наиболее вероятного спикера, что упрощает сверку.

Кому полезно: тем, кто строит саммари встреч, подкаст-аналитику или дубляж и передаёт в LLM транскрипт без информации о говорящих.

Статья по теме

Главы

Похожие доклады