Интеграция OpenAI Whisper: распознавание речи с self-hosted и API

Типичная ситуация: агентам колл-центра нужно обработать сотни звонков без ручной транскрипции. Речь с акцентом, шумом, на нескольких языках — стандартная задача для современных AI-решений. Недавно к нам обратилась компания с 50 операторами: ручная расшифровка каждого звонка занимала до 15 минут. После внедрения Whisper время сократилось до 2–3 минут, а стоимость обработки снизилась в 4 раза.

Мы решаем это интеграцией OpenAI Whisper — open-source модели, обученной на 680 000 часов мультиязычного аудио. WER на английском датасете LibriSpeech — 2,7%, что соответствует уровню профессиональных транскрипторов. Для русского языка на чистом аудио — 8–12% WER. Используем современные методы предобработки: подавление шума и детектор голосовой активности, что дополнительно снижает WER на 5–10%.

Наш опыт: более 20 проектов по распознаванию речи, 5 лет на рынке AI-решений. Гарантируем стабильную работу pipeline под нагрузкой.

Что даёт интеграция Whisper

• Локальная обработка без отправки данных в сторонние облака — полный контроль над конфиденциальностью.
• Поддержка 99 языков из коробки, включая редкие диалекты.
• Работа с форматами MP3, WAV, FLAC, M4A, OGG, WebM.
• Автоматическое определение языка и сегментация по говорящим.
• Вывод временных меток на уровне слов (с --word_timestamps True).
• Возможность дообучения под специфическую акустику (медицина, юриспруденция).

Согласно Whisper, модель превосходит многие коммерческие решения по точности и многоязычности.

Почему Whisper лучше других ASR-систем?

Whisper показывает на 30% меньший WER на русском языке по сравнению с облачными аналогами. Это достигается за счёт разнообразия обучающих данных и архитектуры encoder-decoder с attention. Модель устойчива к шумам и акцентам, что подтверждается тестами на датасете Common Voice.

Почему self-hosted Whisper выгоднее облачных API?

Self-hosted исключает зависимость от сторонних API и задержки сети. Вы платите только за своё железо, а при масштабировании — используем балансировку через faster-whisper на CTranslate2: ускорение в 4x при том же качестве. При объёмах от 1000 часов в месяц self-hosted окупается за счёт отсутствия поминутной оплаты.

Варианты развёртывания

Для большинства production-задач достаточно small или medium — приемлемое качество при разумных ресурсах. Если нужна максимальная точность, выбирайте large-v3, но учитывайте рост latency.

Как мы это делаем

Подключаем через openai-whisper (PyPI) или через HTTP API OpenAI (/v1/audio/transcriptions). Для высоких нагрузок — faster-whisper с beam_size=5. Пример конфигурации на Python:

from faster_whisper import WhisperModel

model = WhisperModel("medium", device="cuda", compute_type="float16")
segments, info = model.transcribe("audio.mp3", beam_size=5)
for segment in segments:
    print(f"[{segment.start:.2f}s] {segment.text}")

Добавляем предобработку: noise suppression через Noisereduce, VAD (Silero VAD) для обрезки тишины. Это снижает WER на 5-10%.

Как быстро мы внедряем Whisper?

Базовый pipeline — 1-2 дня. Полное решение с очередью задач (Celery + Redis) — 3-5 дней. Комплексный проект с веб-интерфейсом и хранилищем транскрипций — 1-2 недели.

Что входит в работу

• Документация: схема интеграции, описание API, инструкция по эксплуатации.
• Доступы к репозиторию с кодом, CI/CD пайплайн.
• Обучение вашей команды: 1-2 сессии по настройке и мониторингу.
• Поддержка на месяц: исправление багов, консультации.

Сравнение подходов

Self-hosted выгоднее по скорости и цене при высоких объёмах, а API — для быстрого старта.

Оценим ваш проект бесплатно: пришлите пример аудио и описание задачи. Свяжитесь с нами, чтобы обсудить детали. Закажите интеграцию, и мы подготовим демо за 1 день.

Итоговая гарантия: снижение WER до целевого уровня, стабильность под нагрузкой, прозрачная документация.

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.