Multilingual STT: гібридне розпізнавання мовлення з автовизначенням мови

У міжнародному кол-центрі операторам доводиться обробляти запити російською, англійською та німецькою. Стандартний Whisper large-v3 показує WER 8-10%, але code-switching — перемикання мов усередині фрази — суттєво знижує точність до 15-20% на фрагментах зі змішуванням мов. Проблема посилюється latency p99, яка при маршрутизації між моделями може перевищувати 500 мс, що критично для real-time застосунків. Ми вирішили цю проблему за допомогою гібридної архітектури, яка комбінує швидкий детектор мови (Whisper tiny або langid) і спеціалізовані моделі, донавчені на цільових мовах за допомогою LoRA. На практиці це дає середній WER 4-9% при latency p99 не більше 200 мс, що дозволяє обробляти до 1000 паралельних сесій на одному інстансі з 4 GPU.

Чому багатомовний STT — це складно?

Основні технічні виклики:

• Code-switching — перемикання мов усередині однієї фрази (наприклад, російська з англійськими технічними термінами). Моделі часто втрачають контекст, що призводить до зростання WER на 30-50% на таких ділянках.
• Latency p99 — час відповіді при маршрутизації між моделями може перевищувати 500 мс, що критично для real-time застосунків. Стандартний каскад детектор+модель додає 100-200 мс на кожному кроці.
• Якість на low-resource мовах — WER для російської близько 7-10%, для арабської до 12%. Стандартні рішення дають високий відсоток помилок на нюансах вимови та діалектах, особливо при малому обсязі навчальних даних.

Як ми вирішуємо ці проблеми

Гібридна архітектура — основа наших проєктів. Швидкий детектор мови (Whisper tiny або langid) відправляє аудіофрагмент до спеціалізованої моделі. Якщо якість падає нижче порогу (confidence < 0.8), запускається fallback — універсальна multilingual модель.

Приклад із практики: для ритейл-мережі з аудиторією з 12 країн ми впровадили систему з 5 моделями, донавченими на локальних корпусах (fine-tuning з LoRA). Результат — зниження WER в середньому на 15% порівняно з out-of-the-box Whisper, а latency p99 не перевищує 200 мс. Модель Whisper large-v3 підтримує 99 мов, але точність на рідкісних мовах падає — ми компенсуємо це донавчанням та гібридною маршрутизацією.

Стек:

• Base model: Whisper large-v3, fine-tuned на російській, англійській, німецькій, французькій, іспанській.
• Детектор мови: langid + кастомний евристичний фільтр (на основі частотності N-грам).
• Оптимізація: INT8 quantization для прискорення інференсу, Triton Inference Server для керування навантаженням.
• Балансування: залежно від мови та часу доби автоматично виділяється до 16 GPU.

Як працює гібридна архітектура на практиці?

Гібридна архітектура обробляє запити в 2 рази швидше, ніж послідовний запуск спеціалізованих моделей для кожної мови. При цьому точність залишається на рівні 90-95% від спеціалізованих рішень. Ми використовуємо каскад: детектор мови → primary model → fallback. Додатково застосовуємо INT8 quantization, що знижує вимоги до GPU на 40%.

Порівняння WER до та після fine-tuning для різних мов

Таблиця показує, що fine-tuning дає стійке покращення, особливо на складних мовах.

Процес реалізації багатомовного STT під ключ

1. Аналітика — визначаємо цільові мови, обсяг аудіоданих, вимоги щодо latency та accuracy.
2. Проєктування — обираємо архітектуру (гібрид/один двигун), проєктуємо pipeline з оцінкою cost per hour.
3. Реалізація — тренінг/донавчання моделей, інтеграція з вашим бекендом (REST/WebSocket/gRPC).
4. Тестування — прогоняємо на ваших даних: вимірюємо WER, confusion matrix, тестуємо code-switching сценарії.
5. Deploy — контейнеризація (Docker), розгортання у вашому хмарі або on-premise, моніторинг (prometheus + grafana).

Що входить в результат

• Готова модель або pipeline з підтримкою ваших мов.
• Документація з API та архітектури.
• Навчання вашої команди.
• Пост-релізна підтримка 6 місяців.

Порівняння підходів до багатомовного STT

Гібрид дає найкращий баланс: точність близька до спеціалізованих моделей, а latency та вартість — як у одного двигуна.

Скільки часу займає впровадження?

• Базова інтеграція з автовизначенням мови — від 2 днів.
• Повноцінна багатомовна система з маршрутизацією та донавчанням — від 1 тижня до 3 тижнів, залежно від кількості мов та необхідної якості.
• Fine-tuning на ваших даних — від 5 робочих днів на мову.

Вартість розраховується індивідуально після аналізу ваших вимог та обсягів. За 5+ років ми реалізували понад 50 STT-проєктів, і кожен гарантовано проходить load-testing з вашими реальними сценаріями.

Отримайте тестовий доступ до нашої системи — ми допоможемо підібрати оптимальне рішення для вашого завдання. Зв'яжіться з нами для консультації.

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.