Мы часто сталкиваемся с ситуацией: компания уже использует SaluteSpeech, но интеграция сделана «на коленке» — токен истекает посреди диалога, аудио не проходит по длительности, диаризация не настроена. Клиент теряет до 25% стенограмм из-за ошибок в конвейере. Задача — выстроить надёжный пайплайн распознавания с гарантированным качеством. Мы специализируемся на встраивании SaluteSpeech в высоконагруженные системы: колл-центры, голосовые ассистенты, автоматическая расшифровка совещаний. Наш опыт — более 30 проектов по интеграции речевых технологий. Предлагаем готовые модули для Python, Go, Java с поддержкой асинхронного и потокового режимов.
Что SaluteSpeech даёт русскоязычному STT
SaluteSpeech от Сбера — не просто «ещё один» распознаватель. Это полноценная платформа с сертификацией ФСТЭК, пригодная для критической инфраструктуры. Основные сильные стороны:
- WER на разговорной речи: 10–14%. Для сравнения: у открытых моделей (Vosk, Coqui) WER 20–25%, у Yandex SpeechKit — 12–16%. SaluteSpeech точнее Vosk в два раза на русской разговорной речи.
- Задержка потокового распознавания: 200–400 мс (p99 <500 мс) — подходит для real-time диалогов.
- Диаризация: до 10 говорящих с точностью 85–90%.
- On-premise развёртывание: без передачи данных вовне, полный контроль.
- Поддержка 8 и 16 кГц, одноканального аудио, а также контейнеров WAV, MP3, Ogg.
| Параметр | SaluteSpeech | Yandex SpeechKit | Vosk (open-source) |
|---|---|---|---|
| WER (рус. разг.) | 10–14% | 12–16% | 20–25% |
| Латенси (stream) | 200–400 мс | 300–600 мс | 800–1500 мс |
| On-premise | Да | Нет | Да |
| Диаризация | До 10 | До 5 | До 2 (эксперим.) |
Сравните: задержка SaluteSpeech в 3–7 раз меньше, чем у Vosk, а точность выше в два раза. SaluteSpeech становится популярной альтернативой Yandex SpeechKit для задач, требующих on-premise и высокой точности.
Как мы интегрируем SaluteSpeech: реальный кейс
Клиент — крупный банк. Требовалось распознавать записи разговоров операторов колл-центра и в реальном времени подсказывать ответы. Мы выбрали SaluteSpeech по двум причинам: on-premise (конфиденциальность) и WER <12% на банковской лексике.
Архитектура решения:
- Входной поток: аудио с ATS (Avaya) через SIP-транк, конвертация в PCM 16 кГц.
- Backend: Python aiohttp + gRPC streaming. Токен обновляется за 5 секунд до истечения (таймер 25 мин) — реализовано автоматическое обновление токена авторизации.
- Векторная база: pgvector для хранения embeddings ключевых фраз (RAG для подсказок).
- Мониторинг: Prometheus + Grafana — метрики latency, WER, количество диаризированных спикеров.
Результат: точность распознавания 93% на деловой лексике, задержка <300 мс, система работает без сбоев. Сократили время на поиск информации операторами на 40%.
«Система работает без сбоев уже полгода, точность устраивает» — отзыв руководителя проекта.
Почему стоит выбрать on-premise развертывание?
Во-первых, данные остаются в контуре компании — нет риска утечки через облако. Во-вторых, не нужно платить за каждый запрос (лицензия бессрочная). При переходе на on-premise вы экономите до 40% на транскрибации в долгосрочной перспективе. On-premise развёртывание окупается за 6–12 месяцев за счёт фиксированной стоимости лицензии. И наконец, полный контроль над версиями моделей — можно обновлять по собственному графику. Для госсектора и финансов это часто обязательное требование.
Как мы обеспечиваем точность распознавания?
Мы используем адаптацию модели под предметную область: fine-tuning на ваших данных (при наличии) или калибровку словаря. Для ключевых терминов и имён собственных добавляем custom vocabulary. Постобработка включает нормализацию чисел, дат и аббревиатур. Всё это позволяет снизить WER дополнительно на 2–3 процентных пункта. Мы также помогаем оптимизировать стоимость транскрибации за счёт правильного выбора режима (offline/online).
Пример конфигурации для gRPC streaming
import grpc import audio_stream_pb2_grpc stub = audio_stream_pb2_grpc.SpeechToTextStub(channel) responses = stub.StreamingRecognize(iter(audio_chunks)) for response in responses: if response.result.is_final: print(response.result.alternatives[0].transcript) Процесс работы: от запроса до деплоя
- Аналитика: аудит текущей инфраструктуры (телефония, аудиоформаты, нагрузка). Определяем сценарии: offline транскрибация, real-time ассистент, поиск по архиву.
- Проектирование: выбираем API (REST или gRPC), способ авторизации, схему auto-refresh токенов. Проектируем отказоустойчивый пайплайн (retry, circuit breaker).
- Реализация: пишем модуль интеграции на Python/Go — буферизация, отправка чанков, обработка ответов. Настраиваем диаризацию и постобработку.
- Тестирование: замеряем WER на тестовом датасете (1000+ фраз), проверяем latency p99 под нагрузкой. Сравниваем с альтернативами.
- Деплой: разворачиваем в вашем контуре (on-premise или VPC), настраиваем мониторинг, CI/CD, документацию.
Что входит в работу
- Аналитический отчёт с выбором режима (offline/online) и рекомендациями по архитектуре.
- Готовый код интеграции (Python, Go, Java) с поддержкой auto-refresh токенов, retry-логики и диаризации.
- Docker-образы для развёртывания в Kubernetes или bare-metal.
- Postman-коллекция для REST API и тестовый скрипт для gRPC.
- Документация по эксплуатации (runbook).
- Поддержка в течение 3 месяцев: помощь при инцидентах, обновление библиотек.
| Режим | Задержка | Применение |
|---|---|---|
| Offline (REST) | 1–10 сек | Расшифровка записей, аналитика |
| Online (gRPC) | 200–400 мс | Голосовые ассистенты, live-подсказки |
Сроки и стоимость
Сроки: от 3 до 10 рабочих дней в зависимости от сложности (базовый REST — 3 дня, gRPC streaming с диаризацией — 7–10 дней). Стоимость рассчитывается индивидуально после анализа вашей инфраструктуры.
Оценим ваш проект за 1 день — достаточно прислать описание задачи. Мы предоставляем гарантию качества: если WER не достигнет оговорённого порога, доработаем бесплатно.
Закажите бесплатную оценку вашего проекта — мы подготовим прототип за 1 день. Свяжитесь с нами, чтобы получить пример кода интеграции.
Рекомендация: ознакомьтесь с википедийной статьёй о распознавании речи для понимания терминологии.