Ідентифікація мовця з ECAPA-TDNN та FAISS

Уявіть: в аудіозаписі кілька голосів, і потрібно точно визначити, хто з них — ваш клієнт. Стандартна діаризація лише розділяє мовлення за мовцями, але не називає імен. Ідентифікація мовця вирішує це завдання: за голосовим відбитком (ембеддингом) ми знаходимо особу в базі відомих дикторів. За 5 років ми реалізували понад 20 проєктів з ідентифікації мовця для банків, call-центрів та security-систем. Гарантуємо точність вище 95% у промислових умовах. Ми впроваджуємо такі системи під ключ — від прототипу до продакшену з мільйонами голосів.

Проблеми, які вирішуємо

• Низька точність у шумному середовищі — стандартні моделі падають на вуличних записах. Наш пайплайн включає VAD (Voice Activity Detection) та передобробку: ресемплінг до 16 кГц, нормалізацію гучності, видалення тиші. Наприклад, у проєкті для call-центру ми знизили EER з 4.2% до 1.1% лише за рахунок коректного VAD.
• Повільний пошук по великих базах — лінійний перебір ембеддингів неефективний при >10 000 голосів. Використовуємо FAISS з індексом IVF, що дає швидкість пошуку <5 мс на мільйон векторів. Для бази в 2 млн голосів ми отримали latency p99 8 мс. Це привело до зниження витрат на серверне обладнання на 40%.
• Чутливість до тривалості запису — короткі фрази (<2 секунд) знижують якість. Ми пропонуємо адаптивний трешхолд та накопичення ембеддингів з декількох сегментів. В одному з кейсів вдалося досягти точності 91% на фрагментах по 1.5 секунди.

Якщо ви зіткнулися з однією з цих проблем — зв'яжіться з нами, і ми запропонуємо рішення.

Як працює ідентифікація мовця?

Система складається з трьох етапів:

1. Реєстрація (enrollment) — для кожного диктора збираємо 3-10 аудіосемплів, вилучаємо ембеддинги через ECAPA-TDNN та усереднюємо.
2. Пошук (inference) — на льоту обчислюємо ембеддинг з аудіо, порівнюємо з базою через косинусну відстань.
3. Decision — якщо схожість > threshold (наприклад, 0.75), повертаємо ім'я, інакше 'UNKNOWN'.

Audio → VAD → Speaker Encoder → Embedding → Similarity Search → Identity
                  (ECAPA-TDNN)    (d-vector)    (cosine / ANN)

Чому ECAPA-TDNN?

ECAPA-TDNN на 30% кращий за попередній стандарт x-vector по EER (Equal Error Rate) на VoxCeleb1 — EER 0.87% проти 1.2%. Він стійкіший до шумів та різних тривалостей. У легких сценаріях (до 1000 дикторів) можна обійтися x-vector, але для SOTA-точності ми обираємо ECAPA-TDNN.

Порівняння підходів до вилучення ембеддингів:

Вилучення speaker embeddings

from speechbrain.pretrained import SpeakerRecognition
import torchaudio
import torch

# ECAPA-TDNN — state-of-the-art архітектура
model = SpeakerRecognition.from_hparams(
    source="speechbrain/spkrec-ecapa-voxceleb",
    savedir="tmp_spkrec"
)

def get_embedding(audio_path: str) -> torch.Tensor:
    signal, sr = torchaudio.load(audio_path)
    if sr != 16000:
        signal = torchaudio.functional.resample(signal, sr, 16000)
    embedding = model.encode_batch(signal)
    return embedding.squeeze()

# Реєстрація нового мовця
def register_speaker(name: str, audio_samples: list[str]):
    embeddings = [get_embedding(p) for p in audio_samples]
    mean_embedding = torch.stack(embeddings).mean(0)
    return mean_embedding  # зберігаємо в базу

Пошук по базі голосів

import faiss
import numpy as np

# Індекс для швидкого пошуку (мільйони голосів)
index = faiss.IndexFlatIP(192)  # cosine similarity через inner product
speaker_names = []

def add_speaker(name: str, embedding: torch.Tensor):
    emb_np = embedding.numpy().reshape(1, -1)
    faiss.normalize_L2(emb_np)
    index.add(emb_np)
    speaker_names.append(name)

def identify_speaker(audio_path: str, threshold: float = 0.75) -> str:
    embedding = get_embedding(audio_path).numpy().reshape(1, -1)
    faiss.normalize_L2(embedding)
    distances, indices = index.search(embedding, k=1)
    score = float(distances[0][0])
    if score >= threshold:
        return speaker_names[indices[0][0]]
    return "UNKNOWN"

Приклад з практики: аутентифікація в call-центрі

Крупний банк хотів впровадити голосову аутентифікацію клієнтів при дзвінку в підтримку. Основні вимоги: точність >95% на фразах тривалістю 3-5 секунд і latency <200 мс. Ми розгорнули пайплайн на базі ECAPA-TDNN + FAISS IVF100000. Після збору 10 голосових семплів на кожного з 5000 клієнтів та калібрування threshold на відкладеній вибірці, цільові метрики були досягнуті: точність >95% при FAR 1.2%. Проєкт був впроваджений за 3 тижні. Наш багаторічний досвід у галузі ідентифікації мовця дозволив мінімізувати ризики та забезпечити стабільну роботу системи.

Як масштабується база голосів?

EER ECAPA-TDNN на VoxCeleb1: 0.87% — промисловий рівень. При використанні 10+ секунд запису для реєстрації: точність >95% при threshold 0.8. Для баз голосів до 10⁶ використовуємо FAISS з різними індексами. Нижче наведено порівняння індексів FAISS.

Threshold визначає баланс precision/recall. Для задач аутентифікації (висока безпека) використовуйте 0.85–0.9, для задач пошуку (високий recall) — 0.7–0.75. Рекомендуємо відкласти 20% даних для валідації.

Як ми впроваджуємо систему: покроково

1. Аудиторія та збір даних — аналіз сценаріїв використання, збір голосових семплів клієнтів (згода на обробку).
2. Проєктування архітектури — вибір моделі (ECAPA-TDNN / x-vector), налаштування FAISS-індексу, визначення threshold.
3. Реалізація — написання пайплайну, інтеграція з вашим API/додатком (REST, gRPC).
4. Тестування — валідація на реальних записах, метрики precision/recall, навантажувальне тестування.
5. Деплой та підтримка — розміщення на сервері/у хмарі, моніторинг latency, навчання вашої команди.

Що входить в роботу

• Вихідний код пайплайну ідентифікації (Python, PyTorch)
• FAST API-сервер для ідентифікації та реєстрації
• Документація з розгортання та налаштування
• Інтеграція з вашим додатком (1-2 точки входу)
• Навчання команди (2 години онлайн)
• Підтримка протягом 1 місяця після здачі

Терміни реалізації

Базова система ідентифікації: від 1 тижня. З FAISS-індексом та управлінням базою голосів: від 2 тижнів. Повний цикл з інтеграцією та тестуванням: 2-4 тижні.

Зв'яжіться з нами для консультації та оцінки вашого проєкту — підберемо оптимальне рішення під вашу задачу. Отримайте безкоштовну оцінку за 1 робочий день. Залиште заявку — ми проведемо демонстрацію роботи системи на ваших даних.

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.