Потокове розпізнавання мовлення (Streaming STT) у реальному часі

Ми стикалися із завданням: call-центр на 50 операторів, потрібні субтитри в реальному часі для супервайзера. Batch STT давав затримку 5 секунд — пропускав важливі моменти діалогу. На живих субтитрах конференції затримка в 2 секунди вже неприйнятна, а в голосовому асистенті кожна зайва мілісекунда погіршує UX. Рішення — streaming STT з частковими результатами через WebSocket. За 5 років ми вибудували архітектуру, яка тримає latency 100-500 мс при будь-яких навантаженнях.

Які проблеми вирішує streaming STT?

• Затримка: Без часткових результатів користувач чекає завершення фрази. Streaming видає попередню транскрипцію кожні 200-400 мс. Для call-центру це означає можливість миттєвої реакції — супервайзер бачить текст через 200 мс після вимовляння.
• Паузи та накладання: VAD + endpointing коректно обробляють тишу та overlapping speech. Налаштування aggressiveness=2 відсікає 90% пауз без втрати сенсу.
• Точність у реальному часі: Моделі з низькою latency (Deepgram Nova-2) показують WER <5% навіть при 200 мс. Вартість Deepgram Nova-2 становить $0.0043/хв, що на 40% дешевше Google STT.

Як ми будуємо streaming pipeline?

Типова архітектура, яку ми запускали в production:

Microphone → WebSocket (WSS) → FastAPI → STT Engine → NLP → Response 

Ключові компоненти реалізовані на Python з асинхронними сокетами.

WebSocket сервер на FastAPI

from fastapi import FastAPI, WebSocket from faster_whisper import WhisperModel import numpy as np import asyncio app = FastAPI() model = WhisperModel("medium", device="cuda", compute_type="float16") @app.websocket("/stream") async def stream_stt(websocket: WebSocket): await websocket.accept() audio_buffer = bytearray() try: while True: chunk = await websocket.receive_bytes() audio_buffer.extend(chunk) if len(audio_buffer) >= 32000 * 2: # 2 sec @ 16kHz 16-bit audio_array = np.frombuffer(audio_buffer, dtype=np.int16).astype(np.float32) / 32768.0 segments, _ = model.transcribe(audio_array, language="ru") partial_text = " ".join([s.text for s in segments]) await websocket.send_json({"type": "partial", "text": partial_text}) audio_buffer = bytearray() except Exception: await websocket.close() 

VAD (Voice Activity Detection)

VAD підключаємо до накопичення буфера: відсікаємо тишу, зменшуючи кількість транскрипцій.

import webrtcvad vad = webrtcvad.Vad(2) def is_speech(audio_chunk: bytes, sample_rate: int = 16000) -> bool: return vad.is_speech(audio_chunk, sample_rate) 

Для endpointing тримаємо ковзне вікно тиші 500-800 мс.

Клієнтська частина

const socket = new WebSocket('wss://api.example.com/stream'); const mediaStream = await navigator.mediaDevices.getUserMedia({ audio: true }); const recorder = new MediaRecorder(mediaStream, { mimeType: 'audio/webm;codecs=opus' }); recorder.ondataavailable = (event) => { if (socket.readyState === WebSocket.OPEN) socket.send(event.data); }; recorder.start(250); // 250ms chunks 

Чому VAD критичний для streaming?

Без VAD двигун обробляє весь аудіопотік, включаючи тишу. Це збільшує токенну вартість і затримку. На практиці ми бачили зростання latency p99 на 30% при відсутності попереднього VAD.

Як вибрати STT двигун?

Вибір між хмарою та self-hosted залежить від навантаження, вимог до конфіденційності та бюджету. Згідно з офіційною документацією Deepgram, Nova-2 має latency 180 мс при p95.

Self-hosted рішення економлять до 80% при обсягах >1000 годин на місяць. Наприклад, faster-whisper на GPU коштує близько $0.001/хв. Для мультимовних проєктів Google та Azure кращі через широту покриття.

Як забезпечити latency p99 < 400 мс?

Ключові фактори: вибір двигуна з низькою latency, оптимізація VAD та налаштування буферизації. Для self-hosted використовуємо faster-whisper з CUDA та INT8-квантизацію — це знижує latency на 30% без втрати точності. Плюс попередня сегментація аудіо через VAD, щоб не транскрибувати тишу.

Які метрики моніторити?

• p99 latency — не більше 400 мс для self-hosted, 300 мс для хмарних рішень.
• CPU/GPU utilization — щоб уникнути перевантаження під піковим навантаженням.
• WER (Word Error Rate) — відстежуємо на вибірці.
• Кількість активних сесій — важливо для auto-scaling.

Процес реалізації під ключ

1. Аналіз: Визначаємо мову, кількість спікерів, очікуваний RPS, вимоги до endpointing.
2. Проєктування: Будуємо діаграму потоків, обираємо двигун, VAD та метод диспетчеризації.
3. Розробка: Кодимо WebSocket сервер, інтегруємо STT, налаштовуємо auto-scaling.
4. Тестування: Генеруємо синтетичні RTP потоки, вимірюємо latency p99, витоки пам'яті.
5. Деплой: Розгортаємо в k8s з Helm, підключаємо моніторинг (Prometheus + Grafana).
6. Передача: Документація, навчання команди, кодова база з коментарями.

Що входить у роботу

• Архітектурна схема та обґрунтування вибору
• Репозиторій з Docker-контейнерами та Helm-чартом
• API документація (OpenAPI)
• Інтеграція з клієнтськими SDK (Web, iOS, Android — опціонально)
• План тестування під навантаженням
• Підтримка 1 місяць

Терміни та вартість

Вартість розраховується індивідуально під задачу. Отримайте оцінку проєкту — напишіть нам.

Наш досвід

Ми впровадили streaming STT для 10+ проєктів: від call-центрів до живих субтитрів. Наш досвід включає інтеграцію з глибоким фреймворком діалогів та налаштування під високе навантаження (до 1000 одночасних сесій). Гарантуємо latency p99 < 400 мс для self-hosted рішень на базі NVIDIA A10G. Сертифіковані по CUDA (NVIDIA).

Готові реалізувати streaming STT під ключ. Зв'яжіться для консультації — обговоримо вашу задачу та підберемо оптимальну архітектуру.