Інтеграція AWS Transcribe: пакетне та потокове розпізнавання мовлення

Як AWS Transcribe вирішує проблеми розпізнавання мовлення

Стандартні ASR-моделі (Google Speech, Yandex SpeechKit) часто помиляються на специфічній лексиці, погано справляються з розділенням дикторів і не дають контролю над конфіденційністю. Ми стикалися з проектами, де accuracy падала до 40% на технічних термінах. Інтеграція AWS Transcribe вирішує це через кастомні словники та адаптацію під домен. Сервіс показує точність до 95% на стандартних сценаріях і до 99% з Custom Vocabulary — це в 2 рази краще типових хмарних ASR на тій же доменній лексиці. Ціна AWS Transcribe — $0.024 за хвилину аудіо (перші 250 000 хвилин), що при обсязі 1000 годин на місяць дає економію до $20 000 порівняно з ручною транскрипцією.

Чому AWS Transcribe?

Amazon Transcribe — керований сервіс автоматичного розпізнавання мовлення (ASR) з нативною інтеграцією в AWS: S3, Lambda, EventBridge, Comprehend. Він оптимальний для компаній, які вже використовують AWS-інфраструктуру. Наші інженери мають AWS Certified Solutions Architect — це гарантує коректне налаштування pipeline. Сервіс підтримує понад 30 мов. Згідно з документацією AWS Transcribe, точність з Custom Vocabulary досягає 95%.

Можливості з коробки

Custom Vocabulary та Custom Language Model для доменної адаптації (медичні терміни або IT-жаргон). Call Analytics — модель для кол-центрів з визначенням тональності. Medical Transcribe — HIPAA-сумісна версія для медицини (досвід: реалізували для мережі клінік, інтегрувавши вивід в EHR-систему). Автоматична ідентифікація PII та її маскування.

Інтеграція через boto3

import boto3
import time

transcribe = boto3.client('transcribe', region_name='us-east-1')

transcribe.start_transcription_job(
    TranscriptionJobName='meeting-demo-001',
    Media={'MediaFileUri': 's3://my-bucket/audio/meeting.mp3'},
    MediaFormat='mp3',
    LanguageCode='ru-RU',
    Settings={
        'ShowSpeakerLabels': True,
        'MaxSpeakerLabels': 4,
        'EnableAutomaticPunctuation': True,
        'VocabularyName': 'corporate-vocabulary'
    }
)

while True:
    status = transcribe.get_transcription_job(
        TranscriptionJobName='meeting-demo-001'
    )
    if status['TranscriptionJob']['TranscriptionJobStatus'] in ['COMPLETED', 'FAILED']:
        break
    time.sleep(30)

Даний скрипт запускає job і очікує завершення з паузою 30 секунд, що запобігає перевищенню лімітів API. В одному з проектів для мережі клінік ми налаштували Medical Transcribe з точністю 99% на медичних термінах, інтегрувавши вивід в EHR-систему.

Як підвищити точність за допомогою Custom Vocabulary?

Створіть файл у форматі PlainText або IPA, завантажте в S3 і вкажіть в VocabularyName. Приклад: для IT-компанії додаємо терміни "SPA, CSP, Angular, Kubernetes". Після навчання accuracy на цих словах зростає з 30% до 95%. Vocabulary застосовується глобально до всіх job'ів.

Порівняння типів транскрипції

Процес роботи та терміни

Орієнтовні терміни: batch-пайплайн — від 3 до 5 днів, streaming — від 5 до 10 днів.

Що входить в роботу?

• Документація: архітектурна схема, інструкція з експлуатації.
• Доступи: IAM-ролі, S3-бакети, Lambda-функції.
• Навчання: 2-годинна сесія для вашої команди.
• Підтримка: 2 тижні post-deploy моніторингу.

Які гарантії ми даємо?

Більше 5 років досвіду в AWS, 20+ завершених проектів транскрипції, сертифіковані інженери. Ми гарантуємо коректне налаштування Custom Vocabulary та інтеграцію з вашою CRM. Отримайте консультацію — оцінимо ваш проект безкоштовно. Зв'яжіться з нами — перетворимо аудіо в структуровані дані.

Зв'яжіться з нами для оцінки вашого проекту. Замовте аудит — ми покажемо, як інтеграція AWS Transcribe знизить витрати та підвищить точність.

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.