ШІ-покращення якості аудіо: денойзинг, ремастеринг, апскейлінг

Уявіть: запис наради — 8 кГц, моно, суцільний гул, голоси ледь розбірливі. Або стара архівна касета з тріском та шипінням. Це стандартна ситуація для кол-центрів та архівів. Ми розробляємо ШІ-пайплайни для покращення якості аудіо, які за кілька днів перетворюють такий матеріал на чисте мовлення.

Кейс з нашої практики: відновлення запису 8 кГц

У нашій практиці був випадок: наш клієнт приніс запис з характеристиками 8 кГц, моно — ми розгорнули пайплайн на базі AudioSR та Resemble Enhance за три дні. Результат: PESQ з 1.8 до 3.9, STOI з 0.65 до 0.92. Голоси стали чіткими, високі частоти відновлено. Клієнт скоротив витрати на субтитрування на 50% (економія близько $2000 на місяць). Орієнтовна вартість впровадження ШІ-пайплайну — від $5,000, залежно від складності. Середня економія на зберіганні після обробки — $300 на місяць.

Стандартні методи не справляються через обмеження спектру

Традиційні еквалайзери та шумодави (FFmpeg anlmdn) працюють з існуючим спектром. Вони не можуть відновити частоти, втрачені при стисненні. Телефонний кодек G.711 ріже все вище 3.4 кГц — жоден фільтр не поверне ці дані. ШІ-моделі, на відміну від них, навчаються добудовувати спектр на основі датасетів широкосмугового мовлення. AudioSR використовує дифузійний процес, який генерує високочастотні компоненти з нуля. Для задач розширення смуги пропускання (bandwidth extension) це єдиний робочий підхід. ШІ-методи кращі за традиційні в 2 рази за приростом PESQ — AudioSR забезпечує приріст в 1.5-2 рази порівняно з традиційними методами, а STOI — в 1.3 рази.

Як ми покращуємо аудіо: від аналізу до деплою

Наш типовий пайплайн:

1. Аналіз вихідного аудіо: спектрограма, рівень шуму, коефіцієнт стиснення, бітрейт.
2. Вибір моделі: AudioSR для апскейлінгу, Resemble Enhance для денойзингу та видалення артефактів mp3.
3. Донавчання (опціонально): якщо домен специфічний (наприклад, записи судових засідань), робимо few-shot fine-tuning на 10-20 хвилинах розмітки.
4. Інтеграція: упаковка в ONNX або Triton-сервіс, додавання в потік обробки.
5. Тестування: метрики PESQ, STOI, SI-SNR, А/В-тест з трьома слухачами.

Технічні деталі пайплайну: Для апскейлінгу використовуємо AudioSR — дифузійна модель з 24 шарами трансформерів, навчена на парах низькочастотний-високочастотний спектр. Resemble Enhance включає модуль денойзингу (на основі U-Net) та модуль enhancement (на основі трансформера з перцептивним зважуванням). Всі моделі обгорнуті в ONNX Runtime для інференсу з latency p99 < 50 мс на GPU T4. Метрика PESQ стандартизована ITU-T в рекомендації P.862. Також застосовуємо трансформери з механізмом багатоголової уваги для покращення розбірливості мовлення.

Розбір типового кейсу: відновлення старого архівного запису

Задача: оцифрована касета з лекцією — 16 кГц, 8 біт, моно, сильне шипіння та тріск. Клієнт хотів отримати чисте мовлення для субтитрів.

Ми застосували:

• AudioSR для апскейлінгу до 48 кГц (відновив частоти до 24 кГц).
• Resemble Enhance з режимом denoise+enhance (прибрав шипіння, підвищив чіткість).
• FFmpeg для фінальної нормалізації гучності (LUFS -16).

Результати:

Весь процес зайняв 5 днів. Клієнт отримав код пайплайну та документацію для самостійного запуску. Почути різницю можна в демо — зв'яжіться, ми надішлемо семпл.

Що входить у роботу?

• Аналіз вихідних аудіо та вибір оптимальної моделі
• Розгортання пайплайну (контейнеризація, API)
• Тестування на контрольній вибірці з метриками
• Документація та навчання вашої команди
• Гарантійна підтримка протягом 30 днів

Метрики якості, які ми використовуємо

Основні об'єктивні метрики:

• PESQ (ITU-T P.862) — якість мовлення, норма >3.5. Ця метрика стандартизована ITU-T.
• STOI — розбірливість, норма >0.85.
• MOS-LQO — суб'єктивна оцінка, норма >4.0.
• SI-SNR — відношення сигнал-шум, норма >15 dB.

Ми гарантуємо приріст PESQ не менше 1.0 бала на ваших записах. Виміри робимо до та після на контрольній вибірці. Економія на зберіганні — до 30% обсягу після очищення.

Які результати ми гарантуємо?

Для типових проєктів ми забезпечуємо:

• Підвищення PESQ з 1.8–2.0 до 3.5–4.0.
• Покращення STOI з 0.65–0.75 до 0.85–0.95.
• Зниження помилок ASR (розпізнавання мовлення) на 30–50% після очищення.
• Стиснення аудіо без втрати якості — економія місця до 40%.

Приклади використання

• Підвищення якості записів кол-центрів перед STT (розпізнавання мовлення) – помилка розпізнавання падає на 30-50%.
• Підготовка аудіодатасетів для TTS fine-tuning — чистий матеріал без артефактів.
• Ремастеринг архівних матеріалів (лекції, інтерв'ю) для публікації на стрімінгових платформах.
• Підготовка чистих аудіо для навчання ASR-моделей.

Нейронні мережі для аудіо (AudioSR, Resemble Enhance) дозволяють вирішувати задачі, недоступні класичним DSP. Маємо 5+ років досвіду в audio AI, реалізували понад 50 проєктів. Працюємо з PyTorch, Hugging Face, ONNX Runtime. Отримайте демо-версію пайплайну для вашого запису — зв'яжіться з нами. Додайте зразки аудіо — ми оцінимо проєкт за 2 дні та підготуємо пропозицію під ключ.

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?

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?

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

1. 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.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. 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.