Розпізнавання та синтез мовлення: перша лінія проблеми
Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.
Типові технічні проблеми та їх усунення
WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.
Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.
Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.
Як вибрати ASR-модель під ваші дані?
| Модель | WER (українська, чистий запис) | WER (PSTN, кодек G.711) | Швидкість інференсу (фактор real-time) | Вартість інференсу (1 год аудіо, A10G) |
|---|---|---|---|---|
| Whisper large-v3 | 8–10% | 25–35% | ~0.1x (55 с на 40 хв) | ~$0.50 |
| Whisper medium | 12–15% | 30–40% | ~0.3x | ~$0.15 |
| Wav2Vec2 XLSR-53 | 15–18% | 28–35% | ~0.8x | ~$0.08 |
| Whisper large-v3 + fine-tune | 4–7% | 10–15% | ~0.1x | ~$0.50 |
faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.
Практичний приклад: fine-tuning Whisper на доменній лексиці
Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.
Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.
Як донавчити Whisper на доменних даних?
Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.
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,
)
При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.
Синтез мовлення: що обрати для вашого сценарію?
| Модель | Латентність (TTFB) | Натуральність MOS | Клонування | Мови |
|---|---|---|---|---|
| XTTS v2 | 1.2–2.0 с | 4.1–4.3 | Так, 3 с референсу | 17 |
| StyleTTS2 | 0.3–0.6 с | 4.0–4.2 | Так, вимагає адаптації | en, + fine-tune |
| Kokoro-82M | 0.08–0.15 с | 3.7–3.9 | Ні | en, ja |
| Silero TTS | 0.05–0.1 с | 3.4–3.6 | Ні | ru, en, de, та ін. |
| Edge-TTS | ~0.4 с (cloud) | 4.0 | Ні | 100+ |
Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.
Наш досвід та гарантії
10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.
Що входить у роботу з нами?
Клієнт отримує:
- Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
- Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
- Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
- Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)
Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.
Процес роботи та терміни
- Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
- Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
- Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
- Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
- Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).
Терміни:
- Базова інтеграція готової моделі – 1–2 тижні.
- Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
- Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.
Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.