Автоматичне транскрибування судових засідань: точність >98%

Реалізація автоматичного транскрибування судових засідань

Секретар витрачає до 40% часу на розшифровку: кожна хвилина аудіо — 5-10 хвилин ручної роботи. Помилка в протоколі — ризик скасування рішення. Ми вирішуємо це через on-premise ASR з діаризацією та юридичним словником, який знижує WER нижче 2% на чистих записах. Модель доучена на корпусі з 100+ годин судових засідань, включаючи регіональні особливості. Це не просто розпізнавання — це повноцінний ML-пайплайн для судів, що забезпечує конфіденційність і точність, недоступну хмарним сервісам.

Чому on-premise безпечніше за хмару?

Хмарні сервіси передають аудіо третій стороні — порушення таємниці нарадчої кімнати (ст. 241 КПК). On-premise архітектура гарантує, що дані не покидають контур суду. До того ж, комерційні STT дають WER 10-15% на юридичній лексиці, а наше рішення — <2% (в 5-10 разів точніше).

Як ми досягаємо точності >98%

Беремо Whisper large-v3 і доучуємо на корпусі судових засідань (100+ годин, 20+ судів). Використовуємо LoRA-адаптери для швидкої адаптації під конкретний голос диктора. Словник включає 5000+ юридичних термінів та шаблонів: «стаття сто п'ятдесят друга» → «ст. 152», «частина перша статті» → «ч. 1 ст.». Нормалізатор також обробляє дати, імена, абревіатури (КПК, ГПК, АПК).

class LegalTextNormalizer:
    def normalize(self, text: str) -> str:
        text = re.sub(r'стаття (\d+)', r'ст. \1', text)
        text = re.sub(r'частина (\w+)', lambda m: f'ч. {ROMAN_TO_INT[m.group(1)]}', text)
        return text

Додатково використовуємо Voice Activity Detection (VAD) для фільтрації шумів та пауз — це знижує WER ще на 1-2%. Без VAD модель «чує» фонові розмови і породжує фантомні фрази.

Скільки можна заощадити на транскрибації?

Економія на ФОП при типовому навантаженні — сотні тисяч гривень на рік. Точне значення залежить від обсягу засідань та регіону.

Як працює діаризація при перебиванні?

Використовуємо pyannote/speaker-diarization-3.1 з порогом 0.6. При перебиванні мітка SPEAKER_00+SPEAKER_01 — репліка йде на ручну перевірку. Точність атрибуції 92% на 2-4 учасники, 85% на 5+.

Що входить в роботу

• Доучування Whisper на ваших записах (5-10 годин, 2-3 тижні).
• Розгортання on-premise на сервері з GPU (NVIDIA A10G, L40S та ін.).
• Інтеграція з ГАС «Правосуддя» через REST API або XML-обмін.
• Навчання секретарів постредагуванню (1 день).
• Передача вихідних кодів моделі, конфігів, документації.

On-premise vs хмарні STT: ключові відмінності

Типові помилки та як їх уникнути

• Пропуск VAD-фільтрації: модель «чує» шуми і породжує фантомні фрази — WER зростає до 20%. Наш VAD відсікає тишу та шуми, залишаючи тільки мовлення.
• Використання моделі без доучування: стандартний Whisper не адаптований до юридичної лексики, дає WER 10-15%. Доучування обов'язкове для отримання заявленої точності.
• Ігнорування постредагування: навіть при 98% точності потрібен ручний контроль складних ділянок. Включаємо інтерфейс постредагування з підсвічуванням невпевнених фрагментів — це прискорює перевірку в 2-3 рази.

Процес впровадження

1. Аудит інфраструктури та збір 5+ годин аудіо.
2. Розмітка даних та доучування (3-4 тижні).
3. Розробка інтеграційних модулів (2-3 тижні).
4. Тестування на контрольній вибірці (1 тиждень).
5. Деплой та навчання персоналу (1 тиждень).
6. Дослідна експлуатація з нашою підтримкою (2 тижні).

Терміни та як почати

Базова система — від 4 тижнів. Повний цикл з доучуванням та ГАС — до 12 тижнів. Зв'яжіться з нами для індивідуальної пропозиції — оцінимо ваш проєкт, підготуємо КП під ключ. Замовте демо-доступ і переконайтеся в точності на своїх записах — отримайте консультацію інженера безкоштовно.

Архітектура описана в Whisper та pyannote/speaker-diarization-3.1. Наша компанія — 5+ років досвіду в NLP, 20+ проєктів транскрибації для судів та юрфірм.

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.