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 — около $900–1.3k 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.