Транскрибация аудио в текст бесплатно — на той же модели, что у корпораций

Слово «бесплатно» у нас в IT вызывает нервный тик. Обычно за ним прячется облегчённая модель, лимит в 10 минут или запрет на копирование текста.

У Таймлиста нет «полной» и «урезанной» модели. Мы внедряем ИИ в закрытый контур крупных российских компаний, и бесплатная расшифровка аудио работает на той же архитектуре: те же веса, те же алгоритмы, та же точность — 96–97% на чистой записи по нашим внутренним замерам. Модель дообучена на русской деловой речи, а не просто скачана с западных датасетов.

Вот чем это отличается от типичного бесплатного тарифа. Бренды называть не буду — если вы хоть раз гуглили «транскрибация», вы их и так знаете.

Почему мы не экономим на модели для бесплатных пользователей? Ошибка в расшифровке стоит денег. В медицине неверно распознанная дозировка опасна для пациента, в юриспруденции потерянная фраза может решить исход дела.

Диаризация: кто что сказал

Распознавание речи отвечает на вопрос «что сказано», диаризация — «кто сказал». Система сравнивает тембр и тон голосов и группирует фрагменты по говорящим. Без неё расшифровка совещания выглядит как один длинный монолог, с ней — как протокол, где каждое решение привязано к человеку.

«Почему 45 минут? У других по три часа!» — первый вопрос, который мне задают. Модель справится и с более длинным файлом: это не техническое ограничение, а осознанный расчёт.

Посмотрите, как меняется внимание участников встречи. В первые 15 минут активно слушают 91% людей, во вторые — 84%, в третьи — 73%. После 45 минут — 64%: больше трети участников уже отключились. Они кивают в камеру, а сами отвечают на письма и планируют обед.

Лимит работает как мягкая рамка для организатора. Когда знаешь, что запись закончится на 45-й минуте, готовишься иначе: пишешь повестку, не льёшь воду, формулируешь вопросы заранее. Плотный разговор и нейросеть распознаёт точнее — перебивания и отступления двухчасовых «посиделок» бьют по качеству расшифровки.

Отдавая запись в облако, важно понимать, кому вы её отдаёте. Многие западные сервисы обрабатывают аудио на серверах в США или Европе. Для компании, которая обсуждает финансы, персональные данные или коммерческую тайну, это риск нарушить 152-ФЗ «О персональных данных» и внутренние политики безопасности.

В Таймлисте аудио, видео и расшифровки хранятся на серверах в России — в инфраструктуре Yandex Cloud и Selectel с сертификатами ФСТЭК. Передача данных шифруется по HTTPS, доступ — через OAuth 2.0. Корпоративным клиентам разворачиваем решение в закрытом контуре, чтобы данные не выходили за периметр сети, и подписываем NDA.

Почему нейросеть иногда «додумывает» текст

Модели распознавания речи иногда пишут слова, которых в записи не было, — чаще всего на паузах, кашле или фоновом шуме. В обучающих данных за тишиной обычно следовала фраза, и модель пытается её «угадать». Исследователи находили в расшифровках Whisper целые выдуманные предложения — вплоть до несуществующих названий лекарств.

Путь от шкафа, который различал десять цифр, до систем, которые разделяют голоса и расставляют запятые, занял 70 лет.

• 1952Bell Labs собирает «Одри» (Audrey): релейный шкаф почти двухметровой высоты распознаёт цифры от 0 до 9, но только голосом своего создателя.
• 1962IBM Shoebox понимает 16 слов — цифры и команды вроде «плюс» и «итого» — и передаёт задачу калькулятору.
• 1970-еПоявляются статистические методы, включая скрытые марковские модели, и системы начинают понимать слитную речь. Harpy из Университета Карнеги — Меллона (1976) знает около тысячи слов.
• 1980-еIBM Tangora работает со словарём в 20 000 слов, но всё ещё требует обучения под голос пользователя.
• 1997Dragon NaturallySpeaking — первая массовая программа диктовки, в которой не нужно делать паузы между словами.
• 2014Baidu Deep Speech: одна большая нейросеть вместо конвейера из десятка моделей и ручных правил.
• 2016–2017Microsoft догоняет профессиональных стенографистов по точности на записях телефонных разговоров.
• 2022OpenAI выпускает Whisper, обученный на сотнях тысяч часов записей из интернета: он распознаёт десятки языков и умеет переводить.

Что дальше

Главный вектор — понимание контекста. Сейчас модель может потерять нить длинного разговора: на пятой минуте прозвучало «Иван Иванович», на сороковой — «он», и связь теряется. Следующий шаг — давать системе справку заранее: перед медицинским консилиумом — анамнез, перед совещанием — повестку и глоссарий. Это заметно снижает ошибки в специальных терминах.

Вторая задача — речь внахлёст. Когда двое говорят одновременно, диаризация пока ломается. Решив её, можно будет получать точные протоколы даже с самых шумных мозговых штурмов.

Мы постоянно дообучаем модели на новых корпоративных данных и видим, как распознавание речи превращается из «перевода звука в буквы» в аналитический инструмент, который вытаскивает из разговора решения и задачи.