Azure Speech Services: інтеграція STT та Custom Speech

Кол-центр із 50 операторами обробляє 10 000 дзвінків на день. Потрібно автоматично розпізнавати мовлення, шукати ключові слова та перевіряти скрипти. Ручна розшифровка коштує значно дорожче за автоматичну, а open-source Vosk дає 70% точності на специфічній лексиці та потребує GPU. Azure Speech Services вирішує задачу без GPU, з SLA 99.9% та готовим API. Ми впроваджуємо його за 3–10 днів, включаючи Custom Speech під ваш домен. Оцінимо сценарій за 1 день — зв'яжіться для безкоштовного аналізу.

Проблеми, які вирішує Azure Speech Services

Точність на доменній лексиці (медицина, юриспруденція, фінанси): стандартний API дає 30–70% Word Error Rate, Custom Speech підвищує до 95% після донавчання на 10+ годинах аудіо. Економія на GPU-інфраструктурі може сягати тисяч доларів на місяць при середньому навантаженні. Вартість транскрипції з Azure Speech суттєво нижча за ручну розшифровку. Ліцензування пакетної транскрипції оплачується за фіксованим тарифом.

Діаризація до 20 мовців — на нарадах з 10 учасниками точність розділення 85–95%. Потоковий режим із затримкою 150–300 мс підходить для IVR та голосових асистентів. Пакетна транскрипція обробляє файли до 1 ГБ асинхронно.

Відмовостійкість: дата-центри Azure в Європі відповідають GDPR, SLA 99.9%. Моніторинг latency p99 та автоматичне масштабування включені в пілотну підтримку.

Переваги Azure Speech Services перед open-source

Open-source рішення (Kaldi, Vosk) потребують:

• значних витрат на GPU;
• налаштування моделей — тижні;
• обмеженої мовної підтримки.

Azure:

• не потребує GPU;
• API готове за 1 день;
• 100+ мов, HIPAA, SOC2;
• вбудована діаризація та Custom Speech.

Економія на GPU може сягати тисяч доларів на місяць, а час розробки скорочується на 2–3 тижні.

Як ми налаштовуємо Custom Speech під ваш домен?

1. Збір аудіокорпусу: 10+ годин mono, 16 кГц, 16 біт PCM з точними розшифровками (допустима латентність Δt < 500 мс).
2. Завантаження в Azure: текстові дані для Language Model та аудіо+розшифровки для Acoustic Model.
3. Навчання: 1–2 години на платформі — без ML-експертизи.
4. Тестування: порівнюємо Word Error Rate на відкладеній вибірці, покращення 20–35%.
5. Розгортання: нова кінцева точка доступна через той самий SDK, код змінювати не потрібно.

Якщо даних менше 10 годин — завантажуйте лише текстовий словник, це знижує WER на 10%.

Згідно з документацією Microsoft Azure Custom Speech, донавчання знижує WER на 20–35%.

Що входить у роботу з інтеграції?

• Архітектурна документація: схема потоків, специфікація кінцевих точок (REST/WebSocket), рекомендації щодо масштабування.
• SDK-інтеграція: налаштований пакет із прикладами на Python, C#, JavaScript, включаючи потоковий режим.
• Вбудовування в інфраструктуру: Azure Function для подій, Logic Apps для оркестрації, Key Vault для ключів.
• Навчання команди: воркшоп по API, діагностиці помилок (429, 401) та оптимізації запитів.
• Пілотна підтримка: 2 тижні з моніторингом latency p99, помилок і автоматичним масштабуванням.

Порівняння режимів розпізнавання

Порівняння Azure Speech та open-source

Як працює діаризація?

Azure Speech Services використовує модель діаризації на основі нейромереж, яка розділяє аудіопотік на мовців. Для кожного сегменту визначається ідентифікатор спікера. Максимум 20 унікальних спікерів, точність 85–95% залежно від якості запису. Для покращення можна передати додаткові ознаки: стать, темп мовлення.

Процес роботи

1. Аналітика (1 день): збір вимог, аудит поточної інфраструктури.
2. Проектування (1–2 дні): архітектура, вибір регіону, модель безпеки.
3. Інтеграція SDK (1–2 дні): налаштування потокового/пакетного режимів.
4. Custom Speech (3–5 днів, опціонально): збір даних, навчання, тестування.
5. Тестування та деплой (1–2 дні): навантажувальне тестування, моніторинг.

Разом: від 3 до 10 днів.

Строки та вартість

Строки: від 3 до 10 днів. Вартість розраховується індивідуально після аналізу сценарію. Отримайте консультацію — ми оцінимо ваш проект за 1 день і запропонуємо архітектуру.

import azure.cognitiveservices.speech as speechsdk

speech_config = speechsdk.SpeechConfig(
    subscription=os.environ["AZURE_SPEECH_KEY"],
    region="westeurope"
)
speech_config.speech_recognition_language = "ru-RU"
speech_config.enable_dictation()

audio_config = speechsdk.AudioConfig(filename="audio.wav")
recognizer = speechsdk.SpeechRecognizer(
    speech_config=speech_config,
    audio_config=audio_config
)

result = recognizer.recognize_once_async().get()

Звертайтеся за повним прикладом під вашу задачу, включаючи асинхронний потік та обробку помилок.

Ми реалізували 30+ проектів зі speech-інтеграції. Гарантуємо SLA 99.9% при правильному налаштуванні. Зв'яжіться для старту — отримайте приклад архітектури та попередню оцінку безкоштовно.

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.