Реализация фильтрации нецензурной лексики в STT под ключ

Представьте: ваша платформа обрабатывает аудиочат для детей. Один пользователь произнёс нецензурное слово в форме родительного падежа. Встроенный фильтр Google STT его пропустил — нет точного совпадения. Результат — жалобы, блокировка, репутационный ущерб. Чтобы этого избежать, нужна комбинированная фильтрация: провайдер + морфологический постпроцессинг. Мы реализуем такое решение под ключ за 2–5 дней. Имеем опыт в 10+ коммерческих проектах, обрабатываем до 1000 часов аудио в сутки. Точность фильтрации — не ниже 95%. При этом средняя экономия бюджета на модерацию составляет 60%.

Почему провайдеры сами не справляются?

Встроенные фильтры Google, AWS и Azure просты, но имеют ограничения. Сравним их:

Из таблицы видно, что ни один не учитывает морфологию. Для русского это критично: слово может быть в любой грамматической форме. Например, нецензурное слово в родительном падеже пройдёт через фильтр провайдера, если нет точного совпадения. Поэтому мы добавляем постпроцессинг на базе pymorphy3.

Сравнение методов фильтрации

Наш подход в 3 раза точнее по сравнению с прямым поиском подстроки (проверено на нашем бенчмарке). Согласно документации pymorphy3, лемматизация обеспечивает точность более 95%.

Как фильтрация решает проблему с юридическими требованиями?

Для платформ с детским контентом или корпоративных систем фильтрация — не только этика, но и закон. GDPR и 152-ФЗ требуют защиты несовершеннолетних от вредоносного контента. Автоматическая фильтрация заменяет ручную модерацию, снижая затраты на 60% и исключая человеческий фактор. Мы настраиваем логирование так, что хранятся только метки срабатывания — ни аудио, ни расшифровка не сохраняются.

Как работает морфологический постпроцессинг?

Используем Azure Speech Profanity filter как базу, а поверх накладываем свой Python-модуль. Пример кода:

import pymorphy3

morph = pymorphy3.MorphAnalyzer()
PROFANITY_SET = {"мат1", "мат2", "мат3"}  # нормальные формы

def filter_text(text: str, replacement: str = "***") -> str:
    result = []
    for token in text.split():
        norm = morph.parse(token)[0].normal_form
        if norm in PROFANITY_SET:
            result.append(replacement)
        else:
            result.append(token)
    return " ".join(result)

Что входит в работу?

• Аудит текущей системы STT и требований к фильтрации.
• Конфигурация провайдера (Google, AWS, Azure) с включением встроенного фильтра.
• Разработка и интеграция постпроцессинг-модуля на Python с pymorphy3.
• Расширение словаря нецензурной лексики под ваш контент.
• Тестирование на репрезентативной выборке (минимум 1000 фраз).
• Документация по настройке и эксплуатации.
• Обучение вашей команды.
• Двухнедельная поддержка после внедрения.

Пошаговый процесс внедрения

1. Анализ текущего стека и требований к фильтрации (языки, объём аудио, нужная точность).
2. Конфигурация STT-провайдера с включением встроенного фильтра.
3. Разработка и интеграция постпроцессинг-модуля с pymorphy3.
4. Расширение словаря нецензурной лексики на основе ваших данных.
5. Тестирование на 10+ аудиофайлах с разными грамматическими формами.
6. Документация и двухнедельная поддержка.

Сроки: от 2 до 5 рабочих дней. Стоимость рассчитывается индивидуально — типовой проект окупается за 2 месяца за счёт сокращения ручной модерации.

Типичные ошибки и как их избежать

• Использовать только regex — пропускает модификации (смайлы, замены букв). Точность падает до 60%.
• Полагаться только на провайдера — не покрывает редкие маты. Пример: слово в творительном падеже пропускается.
• Не обновлять словарь — новые слова появляются каждые 3–6 месяцев. Нужен автоматический мониторинг.
• Логировать контент — нарушает закон: храните только факт срабатывания и метку времени.

Как тестируется фильтр?

Прогоняем 1000 аудиофайлов с известной разметкой. Измеряем Precision и Recall на уровне токенов. Целевые метрики: Precision > 98%, Recall > 95%. Если не достигнуто — дорабатываем словарь или правила замены. В результате p99 latency < 200 мс.

Свяжитесь с нами для аудита вашей текущей системы — предложим оптимальное решение. Получите консультацию по внедрению фильтрации уже сегодня! Закажите внедрение фильтрации мата в STT.

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.