Інтеграція OpenAI Whisper: розпізнавання мови self-hosted та API

Типова ситуація: агентам кол-центру потрібно обробити сотні дзвінків без ручної транскрипції. Мова з акцентом, шумом, на кількох мовах — стандартне завдання для сучасних AI-рішень. Нещодавно до нас звернулась компанія з 50 операторами: ручне розшифрування кожного дзвінка займало до 15 хвилин. Після впровадження Whisper час скоротився до 2–3 хвилин, а вартість обробки знизилась у 4 рази.

Ми вирішуємо це інтеграцією OpenAI Whisper — open-source моделі, навченої на 680 000 годин мультимовного аудіо. WER на англійському датасеті LibriSpeech — 2,7%, що відповідає рівню професійних транскрипторів. Для російської мови на чистому аудіо — 8–12% WER. Використовуємо сучасні методи попередньої обробки: придушення шуму та детектор голосової активності, що додатково знижує WER на 5–10%.

Наш досвід: понад 20 проєктів з розпізнавання мови, 5 років на ринку AI-рішень. Гарантуємо стабільну роботу pipeline під навантаженням.

Що дає інтеграція Whisper

• Локальна обробка без відправлення даних у сторонні хмари — повний контроль над конфіденційністю.
• Підтримка 99 мов з коробки, включаючи рідкісні діалекти.
• Робота з форматами MP3, WAV, FLAC, M4A, OGG, WebM.
• Автоматичне визначення мови та сегментація за мовцями.
• Виведення часових міток на рівні слів (з --word_timestamps True).
• Можливість донавчання під специфічну акустику (медицина, юриспруденція).

Згідно з Whisper, модель перевершує багато комерційних рішень за точністю та багатомовністю.

Чому Whisper кращий за інші ASR-системи?

Whisper показує на 30% менший WER на російській мові порівняно з хмарними аналогами. Це досягається завдяки різноманіттю навчальних даних та архітектурі encoder-decoder з attention. Модель стійка до шумів та акцентів, що підтверджується тестами на датасеті Common Voice.

Чому self-hosted Whisper вигідніший за хмарні API?

Self-hosted виключає залежність від сторонніх API та затримки мережі. Ви платите лише за своє залізо, а при масштабуванні — використовуємо балансування через faster-whisper на CTranslate2: прискорення в 4x при тій самій якості. При обсягах від 1000 годин на місяць self-hosted окупається завдяки відсутності похвилинної оплати.

Варіанти розгортання

Для більшості production-задач достатньо small або medium — прийнятна якість при розумних ресурсах. Якщо потрібна максимальна точність, вибирайте large-v3, але враховуйте зростання latency.

Як ми це робимо

Підключаємо через openai-whisper (PyPI) або через HTTP API OpenAI (/v1/audio/transcriptions). Для високих навантажень — faster-whisper з beam_size=5. Приклад конфігурації на Python:

from faster_whisper import WhisperModel

model = WhisperModel("medium", device="cuda", compute_type="float16")
segments, info = model.transcribe("audio.mp3", beam_size=5)
for segment in segments:
    print(f"[{segment.start:.2f}s] {segment.text}")

Додаємо попередню обробку: noise suppression через Noisereduce, VAD (Silero VAD) для обрізання тиші. Це знижує WER на 5-10%.

Як швидко ми впроваджуємо Whisper?

Базовий pipeline — 1-2 дні. Повне рішення з чергою завдань (Celery + Redis) — 3-5 днів. Комплексний проєкт з веб-інтерфейсом та сховищем транскрипцій — 1-2 тижні.

Що входить у роботу

• Документація: схема інтеграції, опис API, інструкція з експлуатації.
• Доступи до репозиторію з кодом, CI/CD пайплайн.
• Навчання вашої команди: 1-2 сесії з налаштування та моніторингу.
• Підтримка на місяць: виправлення багів, консультації.

Порівняння підходів

Self-hosted вигідніше за швидкістю та ціною при високих обсягах, а API — для швидкого старту.

Оцінимо ваш проєкт безплатно: надішліть приклад аудіо та опис завдання. Зв'яжіться з нами, щоб обговорити деталі. Замовте інтеграцію, і ми підготуємо демо за 1 день.

Підсумкова гарантія: зниження WER до цільового рівня, стабільність під навантаженням, прозора документація.

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.