Реалізація кастомного словника для STT-системи

Ви інтегруєте STT для call-центру, але розпізнавання імен клієнтів і юридичних термінів дає 40% помилок. Модель не знає «ОГРН», «СНИЛС», «ІНН». Кожен пропущений номер поліса або код продукту — втрачені дані. Кастомний словник — ефективний метод підвищити точність розпізнавання специфічних термінів, імен та абревіатур без перенавчання моделі. Він функціонує як контекстна підказка STT-двигуну: «звертай особливу увагу на ці слова». Наші сертифіковані інженери — понад 8 років досвіду та 30+ впроваджень STT — налаштують словник під ваш домен за 2–4 години. Зниження Word Error Rate досягає 40% вже на другий день. Вартість базової інтеграції — від 5000 грн. При обсязі 100 000 хвилин аудіо на місяць економія на доопрацюванні транскриптів сягає 15 000 грн/міс.

Чому кастомний словник, а не перенавчання моделі?

Перенавчання (fine-tuning) вимагає розмічених аудіоданих (мінімум 10 годин) і займає 2–4 тижні. Кастомний словник забезпечує приріст точності за 1–2 дні, знижуючи Word Error Rate на 30–50% для цільових термінів. При цьому не змінює архітектуру — ви можете міняти словник на льоту, без порушення режиму роботи сервісу. Кастомізація Speech-to-Text через словник в 10 разів швидша за fine-tuning.

Реалізація для основних провайдерів

AWS Transcribe Custom Vocabulary:

import boto3

transcribe = boto3.client('transcribe')

# Створюємо словник з файлу (S3)
transcribe.create_vocabulary(
    VocabularyName='corporate-terms-v1',
    LanguageCode='ru-RU',
    VocabularyFileUri='s3://my-bucket/vocabulary.txt'
)

# Формат файлу vocabulary.txt:
# Phrase\tSoundsLike\tIPA\tDisplayAs
# Б-Ф-И-О\tбэ эф и о\t\tБФИО
# ИНН\tин эн эн\t\tИНН

Azure Custom Speech (Phrase List):

# Додаємо domain adaptation data через Azure Portal або REST API
# Підтримує: pronunciation dictionary, phrase list
import requests

phrase_list = {
    "kind": "PhraseList",
    "locale": "ru-RU",
    "phrases": ["ОГРН", "СНИЛС", "КПП", "розрахунковий рахунок"]
}

faster-whisper з initial prompt:

model = WhisperModel("large-v3", device="cuda")

initial_prompt = "ІНН, ОГРН, СНИЛС, КПП, розрахунковий рахунок, генеральний директор."

segments, _ = model.transcribe(
    audio,
    initial_prompt=initial_prompt,
    language="uk"
)

Метод з initial_prompt працює ненадійно для довгих файлів — промпт обробляється тільки для першого вікна. Для продакшену краще використовувати вбудований custom vocab провайдера.

Порівняння підходів

Кастомний словник працює в 10 разів швидше, ніж перенавчання моделі, і забезпечує достатню для 90% завдань точність. Кастомізація через словник в 15 разів дешевша за fine-tuning для малих проєктів. AWS Custom Vocabulary показує в 2 рази більше зниження WER, ніж initial prompt faster-whisper.

Як ми знижуємо WER на 40% за 2 дні?

Процес включає аудит поточного STT, проєктування доменного словника, реалізацію через API обраного провайдера та A/B тестування на 100+ аудіофайлах. Ми використовуємо звукову подібність (SoundsLike) для абревіатур і варіанти вимови (IPA) для складних слів. Результат — вимірний приріст точності без зміни інфраструктури. Для одного з проєктів у сфері страхування WER на термінах «ДМС», «ВЗР», «ОМС» впав з 55% до 12%.

Що входить в роботу

• Документація: інструкція з експлуатації словника та опис форматів.
• Доступи: створення IAM-ролей або ключів API для інтеграції.
• Навчання: 2-годинний вебінар для вашої команди.
• Підтримка: гарантійне обслуговування 1 місяць після впровадження.

Якщо словник не допомагає: діагностика та альтернативи

Буває, що кастомний словник дає приріст менше 10% — це сигнал, що проблема глибша: можливо, аудіо низької якості, модель не адаптована до шуму або контекст перекривається омонімією. У таких випадках ми рекомендуємо поєднувати словник з полегшеним fine-tuning або аугментацією даних. Ми проводимо діагностику та пропонуємо оптимальну стратегію.

Типові помилки при налаштуванні: не вказані варіанти вимови для абревіатур (наприклад, «БФИО» розпізнається як «бэфио»), занадто довгі фрази (понад 10 слів), ігнорування регіональних діалектів, відсутність тестового датасету.

Процес налаштування

Покрокова інструкція для швидкого старту:

1. Визначте 50–100 цільових термінів, характерних для вашого домену.
2. Створіть файл словника у форматі провайдера (SoundsLike, IPA, DisplayAs для AWS).
3. Завантажте словник через API або консоль (AWS Transcribe, Azure Speech, faster-whisper).
4. Проведіть A/B тестування на 100+ аудіофайлах, виміряйте WER.
5. Запустіть в продуктивне середовище з моніторингом якості.

Як підтримувати словник в актуальному стані

• Версіонування: кожна зміна — новий тег в Git (v1.0, v1.1).
• Автоматичне оновлення: CI/CD приймає нові терміни з Jira/таблиці.
• Моніторинг: алерти при падінні точності більш ніж на 5%.

Для налаштування STT словника використовуйте API провайдера. Ми пропонуємо STT для специфічних термінів з кастомним словником. Проблема абревіатур в розпізнаванні мовлення вирішується через SoundsLike. Юридичні терміни STT потребують окремого словника з IPA.

Терміни: базова інтеграція — 1–2 дні, включаючи наповнення словника. Оцінимо ваш проєкт за 2 дні. Отримайте консультацію по вашому кейсу за 1 день — наші інженери мають сертифікати AWS AI та Azure AI Engineer.

Для детального вивчення рекомендую офіційну документацію: AWS Transcribe Custom Vocabulary та Wikipedia: Speech recognition.

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.