Реалізація Hotword Boosting для STT: кейси та код

Уявіть: голосовий бот інтернет-магазину не чує назву бренду 'Supreme' або юридичний департамент втрачає термін 'індосамент'. WER на таких словах злітає до 40% — клієнт дратується і перемикається на оператора. Ми, команда з 5-річним досвідом у speech-to-text і розпізнаванні мовлення, вирішували цю проблему для десятків проєктів: від банківських IVR до голосових асистентів у ритейлі. Hotword Boosting — єдиний робочий метод підняти точність без даунтайму і перенавчання моделі. Boost factor у Google STT досягає 20, що означає пріоритет у 20 разів вище порівняно зі звичайними словами. Зниження WER на проблемних словах становить 20–30% без збільшення latency p99 — критично для real-time діалогів.

Як працює Hotword Boosting і чим він відрізняється від custom vocabulary?

Hotword Boosting задає вагу (boost) для конкретних слів або фраз у runtime. На відміну від статичного custom vocabulary, boosting працює динамічно: ви можете змінювати список гарячих слів залежно від контексту — наприклад, для різних станів діалогу. Документація Google Cloud Speech-to-Text описує boost factor до 20. Custom vocabulary лише додає слова до словника, але не гарантує перевагу — модель все одно може обрати альтернативу з більшою ймовірністю. Boosting же явно піднімає вагу, змушуючи модель віддавати пріоритет потрібній фразі.

Реалізація для різних провайдерів

Google STT з phrase boost

from google.cloud import speech

def transcribe_with_hotwords(audio_content: bytes, hotwords: list[str]) -> str:
    client = speech.SpeechClient()

    speech_contexts = [
        speech.SpeechContext(
            phrases=hotwords,
            boost=20.0  # max значення
        )
    ]
    config = speech.RecognitionConfig(
        encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
        sample_rate_hertz=16000,
        language_code="ru-RU",
        speech_contexts=speech_contexts,
        enable_automatic_punctuation=True,
    )
    response = client.recognize(config=config,
                                 audio=speech.RecognitionAudio(content=audio_content))
    return response.results[0].alternatives[0].transcript

Vosk з grammar (FST-based boosting)

from vosk import Model, KaldiRecognizer
import json

model = Model("vosk-model-ru-0.42")

# Обмежена граматика для певного контексту
grammar = json.dumps(["да", "нет", "отмена", "помощ", "[unk]"])
recognizer = KaldiRecognizer(model, 16000, grammar)

Whisper через prefix промпт — ненадійно, але працює для коротких записів з конкретними очікуваннями.

Порівняння підходів: Google STT забезпечує плавне керування boost з мінімальним latency (менше 5 мс), Vosk використовує жорсткі граматики, що збільшує latency на 10-20 мс, але дає повний контроль. Whisper не має вбудованого boosting — доводиться використовувати prefix-підказки, що знижує надійність. По latency overhead Google STT в 4 рази ефективніший за Vosk, а по гнучкості керування hotwords — в 10 разів зручніший.

Порівняння ефективності методів boosting

Чому важливі динамічні hotwords у голосових ботах?

У голосових ботах hotwords залежать від стану діалогу. Наприклад, на етапі greeting актуальні привітання, на payment — фінансові терміни. Без динамічного перемикання вам довелося б завантажувати всі hotwords одразу, що може погіршити точність — якщо бот постійно очікує всі варіанти, модель починає плутатися. Динамічний підхід знижує кількість хибних спрацьовувань.

DIALOG_HOTWORDS = {
    "greeting": ["здравствуйте", "добрый день", "привет"],
    "payment": ["оплатить", "счёт", "карта", "перевод", "сумма"],
    "cancel": ["отменить", "назад", "стоп", "выход"],
}

def get_hotwords_for_state(state: str) -> list[str]:
    return DIALOG_HOTWORDS.get(state, [])

Це дозволяє підвищити точність на кожній стадії діалогу без впливу на загальну модель. Ми гарантуємо зниження WER на 15–20% після впровадження такої схеми. Впровадження обходиться в діапазоні $1500–$4500 залежно від складності — окупається за рахунок скорочення перепитувань та підвищення конверсії.

Типова помилка: використання всіх hotwords одночасно без урахування контексту. Це призводить до зростання false positives і зниження загальної точності — модель починає «чути» hotwords навіть там, де їх нема. Правильний підхід — ізолювати набори та змінювати їх при переході між станами.

Процес впровадження та що входить в роботу

1. Аналіз — збираємо логи з поточного STT, виявляємо проблемні слова, частоту помилок. Заміряємо WER на тестовій вибірці.
2. Проєктування — визначаємо набори hotwords для кожного сценарію, обираємо провайдера (Google STT, Vosk або гібрид).
3. Реалізація — пишемо код з динамічним керуванням hotwords (як у прикладі вище). Включаємо fallback: якщо boost не спрацював, повертаємо розпізнавання без hotwords.
4. Тестування — прогоняємо на тестовому датасеті (мінімум 1000 аудіозаписів), заміряємо WER та latency p99.
5. Деплой — розгортаємо в production, додаємо моніторинг. Налаштовуємо алерти на різке зниження точності.

Підсумковий результат:

• Робочий код інтеграції з обраним провайдером.
• Документацію з налаштування hotword-наборів під ваші сценарії.
• Звіт по заміру WER до/після.
• Гарантію стабільної роботи — тестуємо на 1000+ аудіозаписах.

Строк реалізації: від 1 до 5 днів залежно від складності. Наші інженери мають сертифікати Google Cloud і досвід з Vosk на 15+ проєктах. Оцінимо ваш сценарій безкоштовно — просто зв'яжіться з нами. Отримайте індивідуальний розрахунок вартості для вашого проєкту — ми підберемо оптимальну схему boosting під ваш стек.

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.