docs(research): уточнена граница прототипа оценки говорящих

- Зачем:
  - исследовательское решение должно однозначно задавать повторное использование эмбеддингов и проверку счетчиков.
- Что:
  - выбран внутренний интерфейс подготовки и финализации sherpa-onnx.
  - закреплены входы, вариант NME и критерии качества.
  - измерения CPU и памяти отделены от будущих гейтов карты.
- Проверка:
  - `uv run pytest -q` (334 passed, 2 skipped).
  - `git diff --check`.
  - 31 внешняя ссылка отвечает HTTP 200.

docs/research/2026-08-30-diarization-speaker-count.md

@@ -16,10 +16,11 @@
 Нужна двухшаговая схема: один раз получить ровно те эмбеддинги, которые
 подготовил конвейер sherpa-onnx, отдельно оценить по ним число голосовых
 кластеров `N`, затем передать `N` штатному `FastClustering`. Для первого
-прототипа рекомендован **только счетчик NME**, без полной spectral clustering:
+прототипа рекомендован **счетчик NME**, без полной спектральной кластеризации:
-ядро алгоритма из статьи реализовать на уже доступном NumPy, а итоговые метки
+ядро алгоритма из статьи реализовать на NumPy, а итоговые метки по-прежнему
-по-прежнему получить через `FastClustering(num_clusters=N)`. Простой eigengap с
+получить через `FastClustering(num_clusters=N)`.
-фиксированным прореживанием нужен как дешевый контрольный вариант.
+Счетчик eigengap с фиксированным прореживанием нужен как дешевый контрольный
+вариант. Пока это гипотеза для прототипа, а не выбор production-алгоритма.
 
 Публичного промежуточного интерфейса для этого в sherpa-onnx 1.13.5 нет.
 `SpeakerEmbeddingExtractor` и `FastClustering` публичны, но
@@ -34,109 +35,111 @@
 
 ### `FastClustering` уже умеет второй шаг
 
-В версии 1.13.5 алгоритм нормирует строки, строит все попарные cosine
+В версии 1.13.5 алгоритм нормирует строки, строит все попарные косинусные
-dissimilarity, выполняет complete-linkage AHC и затем выбирает один из двух
+расстояния, выполняет AHC методом полной связи и затем выбирает один из двух
 способов разрезать одно и то же дерево:
 
-- при `num_clusters > 0` - ровно на заданное число кластеров;
+- при `num_clusters > 0`: ровно на заданное число кластеров;
-- иначе - по высоте `threshold`.
+- иначе: по высоте `threshold`.
 
-Это видно непосредственно в
+Так работает
 [`fast-clustering.cc`](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/fast-clustering.cc)
 и закреплено в комментарии к
 [`FastClusteringConfig`](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/fast-clustering-config.h):
-при известном числе кластеров порог игнорируется. Python binding публично
+при известном числе кластеров порог игнорируется. Python-модуль публично
 принимает C-contiguous матрицу `float32` размера `M x D` и возвращает метку для
 каждой строки
-([исходник binding](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/fast-clustering.cc)).
+([исходник Python-модуля](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/fast-clustering.cc)).
 Значит, передавать оцененное `N` в существующий кластеризатор не требует новой
 реализации распределения эмбеддингов по кластерам.
 
-Порог `FastClustering` не принадлежит модели эмбеддингов. Это высота
+Порог `FastClustering` не принадлежит модели эмбеддингов: он задает высоту
-complete-linkage дерева в шкале cosine dissimilarity. Официальный пример
+дерева полной связи в шкале косинусного расстояния. Официальный пример CAMPPlus
-CAMPPlus для speaker verification лишь вычисляет cosine score и не задает
+для проверки говорящего лишь вычисляет косинусное сходство и не задает
 универсальной границы решения
 ([`infer_sv.py`](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/speakerlab/bin/infer_sv.py)).
-Официальный diarization-рецепт 3D-Speaker отдельно задает `pval=0.012` для
+Официальный рецепт диаризации 3D-Speaker отдельно задает `pval=0.012` для
-spectral clustering и `mer_cos=0.8` для последующего слияния центров
+спектральной кластеризации и `mer_cos=0.8` для последующего слияния центров
 ([`infer_diarization.py`](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/speakerlab/bin/infer_diarization.py)).
 Эти величины имеют другой смысл и не могут быть перенесены в sherpa как
 `порог модели`.
 
 ### Публичных деталей недостаточно для повтора всего конвейера
 
-Публичный `SpeakerEmbeddingExtractor` позволяет создать stream, подать в него
+Публичный `SpeakerEmbeddingExtractor` позволяет создать поток, подать в него
-аудио и получить один embedding
+аудио и получить один эмбеддинг
-([Python binding](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/speaker-embedding-extractor.cc),
+([Python-модуль](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/speaker-embedding-extractor.cc),
 [C/C++ API](https://k2-fsa.github.io/sherpa/onnx/c-api/html/speaker_embedding.html)).
-Это пригодно для самостоятельно выбранного фрагмента, но не выдает материал,
+Интерфейс пригоден для самостоятельно выбранного фрагмента, но не выдает
-который выбрал diarization-конвейер.
+материал, который выбрал конвейер диаризации.
 
 Внутри `OfflineSpeakerDiarization` после сегментации:
 
 1. из перекрывающихся окон строятся пары `окно x локальный говорящий`;
 2. речь с одновременными голосами исключается;
-3. для каждой пары собирается свой stream и вычисляется embedding;
+3. для каждой пары собирается свой поток и вычисляется эмбеддинг;
 4. вся матрица передается в `FastClustering`;
 5. метки строк переводятся обратно в разметку говорящих.
 
 Последовательность и временная матрица видны в
 [`OfflineSpeakerDiarizationPyannoteImpl::Process`](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h#L87-L204),
-а сборка строк - в
+а сборка строк описана в
 [`GetChunkSpeakerSampleIndexes` и `ComputeEmbeddings`](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h#L376-L528).
-Это private-методы реализации.
+Оба метода закрыты внутри реализации.
 
 Python-класс `OfflineSpeakerDiarization` экспортирует только `sample_rate`,
 `set_config` и `process`; `process` возвращает готовый результат, а не признаки
-([binding 1.13.5](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/offline-speaker-diarization.cc#L73-L128)).
+([Python-модуль 1.13.5](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/python/csrc/offline-speaker-diarization.cc#L73-L128)).
 Внутренний `SetConfig` заменяет только объект кластеризации, тогда как каждый
-`Process` заново вызывает segmentation и `ComputeEmbeddings`
+`Process` заново вызывает сегментацию и `ComputeEmbeddings`
 ([реализация](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/sherpa-onnx/csrc/offline-speaker-diarization-pyannote-impl.h#L79-L175)).
-Актуальная публичная C API также документирует только создание, настройку и
+Публичная C API также документирует только создание, настройку и получение
-получение итоговых сегментов
+итоговых сегментов
 ([официальная страница](https://k2-fsa.github.io/sherpa/onnx/c-api/html/speaker_diarization.html)).
 
 Итог: публичный API позволяет **кластеризовать имеющуюся матрицу повторно**.
-Извлечь или переиграть промежуточную матрицу штатного diarization-конвейера
+Извлечь или повторно обработать промежуточную матрицу штатного конвейера
-через него нельзя.
+диаризации через него нельзя.
 
 ## Варианты оценки `N`
 
-### 1. Отдельный порог для каждой embedding-модели
+### 1. Отдельный порог для каждой модели эмбеддингов
 
-Это текущий `FastClustering` в автоматическом режиме. Он дешев, не добавляет
+Автоматический режим `FastClustering` дешев, не добавляет зависимостей и за один
-зависимостей и на одном проходе сразу оценивает число кластеров и назначает
+проход оценивает число кластеров и назначает метки. На порог влияют архитектура
-метки. На порог влияют архитектура модели эмбеддингов, длительность и состав
+модели эмбеддингов, длительность и состав выбранных окон, акустика и
-выбранных фрагментов, акустика и распределение голосов. Локальная калибровка
+распределение голосов. Локальная калибровка уже не нашла общего рабочего порога
-уже не нашла общего рабочего порога для CAMPPlus,
+для CAMPPlus, а TitaNet не прошел автоматическую сетку
-а TitaNet не прошел автоматическую сетку
 ([исходное исследование](2026-08-14-diarization-cpu-cost.md),
 [повторный CPU-тест](../benchmarks/2026-08-30-lightweight-diarization-cpu.md)).
 
-Вводить еще один `официальный порог модели` оснований нет: upstream-рецепты
+Вводить еще один `официальный порог модели` оснований нет: исходные рецепты
-публикуют параметры конкретного clustering pipeline, а не переносимую границу
+публикуют параметры конкретного конвейера кластеризации, а не переносимую
-для complete-linkage sherpa. Вариант остается контрольным, но не решает тикет.
+границу для метода полной связи в sherpa. Вариант остается контрольным, но не
+решает тикет.
 
-### 2. Spectral clustering с простым eigengap
+### 2. Счетчик eigengap
 
-Официальный CAMPPlus-конвейер 3D-Speaker строит cosine affinity, оставляет в
+Официальный CAMPPlus-конвейер 3D-Speaker строит матрицу косинусного сходства.
-каждой строке фиксированную долю ближайших соседей, симметризует матрицу,
+В каждой строке он оставляет фиксированную долю ближайших соседей,
-вычисляет ненормированный Laplacian и несколько наименьших собственных пар.
+симметризует матрицу, затем вычисляет ненормированный лапласиан и несколько
-Число говорящих - позиция максимального eigengap в заданных пределах, после
+наименьших собственных пар.
-чего собственные векторы кластеризуются k-means
+Число говорящих задает позиция максимального разрыва собственных значений
+(`eigengap`) в заданных пределах, после чего собственные векторы
+кластеризуются k-means
 ([`SpectralCluster`](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/speakerlab/process/cluster.py#L21-L106)).
 
 Для нашей двухшаговой схемы нужны только собственные значения и оценка `N`;
-k-means можно не выполнять. Это одна spectral decomposition и потому хороший
+k-means можно не выполнять. Одного спектрального разложения достаточно для
-минимальный контрольный вариант. Однако фиксированный `pval` остается новым
+минимального контрольного варианта, но фиксированный `pval` остается новым
-порогом.
+порогом. Официальная реализация задает его для своего способа нарезки; пары
-Официальная реализация задает его для своего способа нарезки; пары
 `окно x локальный говорящий` sherpa устроены иначе. Вариант отделяет `N` от
 порога AHC, но сохраняет калибруемый параметр.
 
 Если брать реализацию 3D-Speaker как зависимость, она импортирует NumPy, SciPy,
-scikit-learn, fastcluster, UMAP и HDBSCAN, причем последние два обязательны уже
+scikit-learn, fastcluster, UMAP и HDBSCAN, причем отсутствие UMAP или HDBSCAN
-при импорте модуля
+роняет уже импорт модуля. Корневой `requirements.txt` при этом не перечисляет
+fastcluster, UMAP и HDBSCAN
 ([исходник](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/speakerlab/process/cluster.py#L3-L18),
 [requirements](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/requirements.txt)).
 Для production это несоразмерно счетчику.
@@ -144,49 +147,61 @@ scikit-learn, fastcluster, UMAP и HDBSCAN, причем последние дв
 ### 3. NME-SC
 
 NME-SC создан именно для совместной оценки числа кластеров и параметра
-прореживания без dev-set. Для каждого числа соседей `p` алгоритм бинаризует
+прореживания без отдельной выборки для настройки. Для каждого числа соседей
-cosine affinity, симметризует ее, строит ненормированный Laplacian и считает
+`p` алгоритм бинаризует матрицу косинусного сходства, симметризует ее, строит
-eigengap. Нормированный gap равен максимальному gap, деленному на наибольшее
+ненормированный лапласиан и считает разрывы собственных значений. Нормированный
-собственное значение; выбирается `p`, минимизирующий отношение `p / gap`, а `N`
+разрыв равен максимальному разрыву, деленному на наибольшее собственное
-задает позиция максимального gap
+значение; выбирается `p`, минимизирующий отношение доли соседей `p/M` к
+нормированному разрыву, а `N` задает позиция максимального разрыва
 ([статья авторов, раздел III](https://arxiv.org/abs/2003.02405)).
-Авторы ограничивали поиск `p` диапазоном до четверти числа фрагментов и число
+Авторы ограничивали поиск `p` диапазоном до четверти числа строк, а число
-говорящих - восемью; результаты статьи получены на x-vector и англоязычных
+говорящих числом восемь. Результаты статьи получены на x-vector и англоязычных
 корпусах, поэтому перенос на наши эмбеддинги еще предстоит проверить.
 
-Поддерживаемая реализация NeMo принимает готовые эмбеддинги, строит cosine
+Поддерживаемая реализация NeMo разделяет оценку и назначение меток. `NMESC`
-affinity и отдельно получает `est_num_of_spk`; известное число говорящих затем
+принимает готовую матрицу сходства и возвращает `est_num_of_spk` вместе с
-подменяет эту оценку перед spectral clustering
+выбранным `p`; следующий слой отдельно выбирает оцененное или известное число
-([`offline_clustering.py`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L1087-L1161)).
+говорящих перед спектральной кластеризацией
-Для ускорения NME она по умолчанию ограничивает матрицу анализа 512 строками,
+([`NMESC` и выбор числа кластеров](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L909-L1041),
-перебирает разреженную сетку из 30 значений `p` и предупреждает, что меньше 20
+[`SpeakerClustering.forward_unit_infer`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L1181-L1259)).
-может ухудшить оценку
+Более высокий интерфейс NeMo получает многомасштабные эмбеддинги вместе с
-([класс `NMESC`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L801-L958)).
+временной разметкой и сам строит матрицу сходства
-Для коротких записей NeMo добавляет случайные anchor embeddings и повторяет
+([`forward_infer`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L1301-L1403)).
-оценку. Это отдельное расширение за пределами минимального ядра статьи
+
+Для ускорения NME NeMo задает целевой размер матрицы 512 строк, перебирает
+разреженную сетку из 30 значений `p` и предупреждает, что меньше 20 может
+ухудшить оценку
+([класс `NMESC`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L872-L977)).
+Предел не жесткий: регулярный шаг вычисляется целочисленно, поэтому для
+некоторых размеров после прореживания остается больше 512 строк. Исходник также
+предупреждает о риске пропустить говорящего с малой долей речи
+([`subsampleAffinityMat`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L1043-L1066)).
+Для коротких записей NeMo добавляет случайные якорные эмбеддинги и повторяет
+оценку. Такое расширение выходит за пределы минимального ядра статьи
 ([исходник](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/nemo/collections/asr/parts/utils/offline_clustering.py#L536-L595)).
 
-Полная NME-SC после оценки `N` еще раз раскладывает Laplacian, строит spectral
+Полная NME-SC после оценки `N` еще раз раскладывает лапласиан, строит
-embeddings и запускает k-means. Для этого тикета такая замена итогового
+спектральные эмбеддинги и запускает k-means. Для этого тикета такая замена
-кластеризатора не нужна: локальные тесты уже показывают полезный путь
+итогового кластеризатора не нужна: локальные тесты уже показывают полезный путь
 `FastClustering` с известным числом говорящих. Нужна только функция
 `embeddings -> N`.
 
-### 4. Оценить `N`, затем передать известное число кластеров
+## Рекомендуемая граница ответственности
 
-Это не отдельный счетчик. Это рекомендуемая граница ответственности:
+Здесь речь не об отдельном счетчике, а о способе соединить оценку `N` со
+штатным кластеризатором:
 
 ```text
-segmentation -> embeddings +-> count-only NME -> N
+segmentation -> embeddings +-> счетчик NME -> N
                            +-> FastClustering(features, num_clusters=N)
                                      -> штатная финализация sherpa
 ```
 
 Плюсы:
 
-- порог complete-linkage больше не определяет число голосовых кластеров;
+- порог метода полной связи больше не определяет число голосовых кластеров;
 - CAMPPlus и TitaNet используют один модельный проход;
-- итоговое назначение меток остается в уже принятом FastClustering;
+- итоговое назначение меток остается в уже принятом `FastClustering`;
 - на одной матрице можно независимо сравнить несколько счетчиков.
 
 Минус один, но архитектурный: без нового промежуточного интерфейса текущий
@@ -198,84 +213,190 @@ segmentation -> embeddings +-> count-only NME -> N
 Штатная установка NeMo требует среди прочего NumPy, scikit-learn и PyTorch
 ([`pyproject.toml`](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/pyproject.toml)).
 
-| Вариант | Новые runtime-зависимости | Дополнительная работа после эмбеддингов | Ограничение |
+| Вариант | Зависимости прототипа | Работа после эмбеддингов | Ограничение |
 |---|---|---|---|
-| Порог `FastClustering` | нет | уже существующие попарные расстояния и AHC | порог калибруется для модели и материала |
+| Порог `FastClustering` | новых нет | существующие попарные расстояния и AHC | порог зависит от модели и материала |
-| Простой eigengap | SciPy в официальной реализации; либо только уже доступный NumPy | affinity `M x M`, одно собственное разложение | фиксированный параметр прореживания |
+| Счетчик eigengap | NumPy; официальный модуль 3D-Speaker целиком не импортируется | матрица `M x M`, одно собственное разложение | фиксированное прореживание остается параметром |
-| Полная NME-SC NeMo | `nemo-toolkit`, PyTorch, scikit-learn и другие зависимости NeMo | до нескольких десятков eigenvalue-разложений, затем еще spectral embedding и k-means | самый тяжелый и меняет итоговый кластеризатор |
+| Полная NME-SC NeMo | `nemo-toolkit`, PyTorch, scikit-learn и другие зависимости NeMo | несколько разложений, затем спектральные эмбеддинги и k-means | меняет итоговый кластеризатор и слишком тяжела для счетчика |
-| Счетчик NME + FastClustering | только NumPy при чистой реализации ядра статьи | NME на ограниченной матрице, затем штатный AHC по известному `N` | нужен промежуточный интерфейс и локальная проверка переноса |
+| Счетчик NME + `FastClustering` | NumPy | несколько разложений, затем штатный AHC по известному `N` | нужен внутренний интерфейс sherpa и проверка переноса |
 
-`FastClustering` уже хранит `M(M-1)/2` расстояний и строит AHC. Простой
+`FastClustering` уже хранит `M(M-1)/2` расстояний и строит AHC. Счетчик eigengap
-eigengap добавляет еще одну плотную affinity-матрицу. NME повторяет eigenvalue-
+добавляет плотную матрицу сходства и одно собственное разложение. NME
-анализ для набора `p`; ограничение размера и разреженный поиск контролируют
+повторяет анализ для набора `p`. Полная спектральная кластеризация также хранит
-цену, но их влияние на качество нужно измерить. Полная spectral clustering
+собственные векторы и запускает k-means, поэтому для одной оценки `N` избыточна.
-также хранит собственные векторы и запускает k-means, поэтому для одной оценки
+В проектных замерах основной расход пока приходится на извлечение эмбеддингов,
-`N` избыточна. В проектных замерах основной расход по-прежнему приходится на
+а не на кластеризацию
-извлечение эмбеддингов, а не на clustering
 ([профиль стоимости](2026-08-14-diarization-cpu-cost.md),
 [CPU-тест](../benchmarks/2026-08-30-lightweight-diarization-cpu.md)); это не
-заменяет отдельного замера NME на целевой матрице.
+заменяет отдельного замера NME на фактическом числе строк.
+
+NumPy сейчас есть только в [lock-файле проекта](../../uv.lock), а не в прямых
+зависимостях `local-transcriber`. Для стенда версию 2.4.3 нужно закрепить явно.
+Если счетчик дойдет до поставляемого кода, NumPy потребуется объявить прямой
+зависимостью времени выполнения.
 
 sherpa-onnx, 3D-Speaker и NeMo Speech распространяют код под Apache-2.0
 ([sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx/blob/v1.13.5/LICENSE),
 [3D-Speaker](https://github.com/modelscope/3D-Speaker/blob/065629c313eaf1a01c65c640c46d77e61e9607b4/LICENSE),
 [NeMo Speech](https://github.com/NVIDIA-NeMo/Speech/blob/d47d7a3c306790637aff39c2d3f9eceb83ca8879/LICENSE)).
-Авторская реализация NME-SC опубликована под MIT и сама направляет пользователей
+Авторская реализация NME-SC опубликована под MIT и направляет пользователей к
-к поддерживаемой версии NeMo
+поддерживаемой версии NeMo
 ([репозиторий авторов](https://github.com/tango4j/Auto-Tuning-Spectral-Clustering/tree/ae97f9be9c33b554205c7192c5137ce8f456c1b7)).
-Файл NeMo с clustering дополнительно сохраняет BSD-уведомление scikit-learn.
+Файл кластеризации NeMo дополнительно сохраняет BSD-уведомление scikit-learn,
-NumPy имеет BSD-3-Clause
+NumPy 2.4.3 использует BSD-3-Clause
-([лицензия 2.4.3](https://github.com/numpy/numpy/blob/v2.4.3/LICENSE.txt)) и уже
+([лицензия](https://github.com/numpy/numpy/blob/v2.4.3/LICENSE.txt)).
-присутствует в [lock-файле проекта](../../uv.lock). Лицензионного запрета на
+Лицензионного запрета на прототип нет. Прямое заимствование кода потребует
-прототип нет;
+сохранить его уведомления; реализация по формулам статьи должна явно назвать
-прямое заимствование кода потребует сохранить его уведомления. Новые модели
+происхождение алгоритма.
-для счетчика не нужны.
 
 ## Ограничения вывода
 
-- NME-SC проверялась авторами на другой нарезке и x-vector. Строки sherpa - это
+- NME-SC проверялась авторами на другой нарезке и эмбеддингах x-vector. Строки
-  локальные говорящие перекрывающихся Pyannote-окон после исключения overlap;
+  sherpa представляют локальных говорящих в перекрывающихся окнах Pyannote после
+  исключения пересечений речи;
   переносимость нельзя считать доказанной.
 - Правильное `N` не гарантирует качественную разметку говорящих. Для TitaNet в
   режиме известного числа кластеров уже наблюдался малый кластер, поэтому нужны
-  прежние proxy-метрики и слуховая проверка.
+  прежние прокси-метрики и слуховая проверка.
 - У sherpa есть отдельный путь для единственного окна, который обходится без
-  общей матрицы эмбеддингов. Прототип не должен ломать этот special case.
+  общей матрицы эмбеддингов. Стенд должен сохранить этот частный случай, а также
-- Python binding `FastClustering` нормирует переданную матрицу на месте;
+  текущую обработку пустого результата и нечисловых эмбеддингов.
-  сравниваемым вариантам нужно выдавать отдельные C-contiguous копии.
+- Python-модуль `FastClustering` нормирует переданную матрицу на месте;
-- Цена NME на числе строк, которое реально создает sherpa, здесь не измерялась.
+  сравниваемым вариантам нужны отдельные C-contiguous копии.
+- Оцененное `N` нужно проверять до вызова `FastClustering`:
+  `1 <= N <= min(8, M)`, где `M` обозначает число валидных строк. Некорректное
+  значение считается ошибкой ячейки, а не молча ограничивается.
+- Прореживание строк может потерять голосовой кластер с малой долей речи.
+  Поэтому полный набор строк задает основной результат, а сокращенная матрица
+  годится только для отдельной проверки чувствительности.
+- `numpy.linalg.eigvalsh` использует BLAS/LAPACK. Без закрепленного числа
+  потоков его процессорное и фактическое время нельзя сравнивать между
+  машинами.
 
 ## Точная граница будущего прототипа
 
 Production-код, CLI, модели по умолчанию и ADR не менять. Сделать отдельный
-исследовательский стенд на закрепленном sherpa-onnx 1.13.5:
+исследовательский стенд на sherpa-onnx 1.13.5 и сохранить точный хеш коммита
+экспериментальной сборки рядом с результатом.
 
-1. Узко разделить внутренний `Process` на подготовку и финализацию либо добавить
+### Внутренний интерфейс sherpa
-   исследовательский callback после `ComputeEmbeddings`. За один проход
-   сохранить в памяти матрицу `float32`, список валидных пар
-   `окно x локальный говорящий` и локальные frame labels; аудио и текст не
-   сериализовать.
-2. На **одной и той же** матрице сравнить три счетчика:
-   текущий порог как контроль, простой eigengap с фиксированным прореживанием и
-   count-only NME. Ограничить `N` диапазоном `1..8`.
-3. Минимальный NME реализовать по статье на NumPy: cosine affinity,
-   top-`p` binarization, симметризация, ненормированный Laplacian,
-   `numpy.linalg.eigvalsh`, выбор `p` и `N` по NME. Для первого прогона взять
-   детерминированное ограничение 512 строк и sparse search из 20 значений;
-   anchor embeddings, Torch, spectral embeddings и k-means не включать.
-4. Для каждого оцененного `N` вызвать публичный `FastClustering` на копии той же
-   матрицы с `num_clusters=N`, затем выполнить существующую финализацию без
-   повторной сегментации или извлечения эмбеддингов.
-5. На тех же трех контрольных фрагментах измерить: оцененное `N`, общее и
-   содержательное число кластеров, mapped speaker purity, слова без говорящего,
-   время счетчика/кластеризации и peak RSS. Прогон с CAMPPlus и TitaNet должен
-   завершиться слуховой проверкой.
-6. Если простой eigengap и NME одинаково проходят проверку, выбрать более
-   дешевый eigengap. Если проходит только NME, отдельно решить, переносить ли
-   чистую NumPy-реализацию в production. Если оба ошибаются, быстрые embedding-
-   модели оставить только для явно заданного числа говорящих.
 
-Этот прототип отвечает ровно на два неизвестных: можно ли стабильно оценить
+В экспериментальной ветке sherpa разделить внутренний `Process` в одном месте:
-`N` по внутренним эмбеддингам CAMPPlus/TitaNet и укладывается ли count-only NME
+после удаления нечисловых строк и синхронной фильтрации пар
-в приемлемую CPU-цену. Он не выбирает новую модель по умолчанию, не заменяет
+`окно x локальный говорящий`, до `clustering_->Cluster`.
-FastClustering и не расширяет продуктовый контракт.
+
+- `Prepare(audio)` либо возвращает готовый результат существующего частного
+  пути, либо владеющий объект `PreparedDiarization`. Объект хранит матрицу
+  `float32`, выровненные пары, локальные покадровые метки, число говорящих по
+  кадрам и длину аудио, необходимые текущей финализации.
+- Экспериментальный Python-модуль отдает C-contiguous копию матрицы и
+  непрозрачный дескриптор подготовленного состояния. Дескриптор живет только в
+  памяти процесса.
+- `Finalize(handle, row_labels)` проверяет число меток и выполняет существующие
+  `ConvertChunkSpeakerToCluster`, `ReLabel`, `FinalizeLabels` и `ComputeResult`.
+  Так все счетчики используют одну подготовку и одну штатную финализацию.
+- Пустая речь, одно окно, отсутствие валидных эмбеддингов и одна валидная строка
+  сохраняют нынешнее поведение. Аудио, текст, матрица и дескриптор не
+  сериализуются.
+
+### Закрепленные входы и счетчики
+
+Использовать только модель Pyannote Segmentation 3.0 FP32 `model.onnx`
+(`220ad67ca923bef2fa91f2390c786097bf305bceb5e261d4af67b38e938e1079`) и две
+модели эмбеддингов из предыдущих измерений:
+
+- CAMPPlus zh/en
+  (`aa3cfc16963a10586a9393f5035d6d6b57e98d358b347f80c2a30bf4f00ceba2`);
+- TitaNet small
+  (`ad4a1802485d8b34c722d2a9d04249662f2ece5d28a7a039063ca22f515a789e`).
+
+Полные SHA-256 и происхождение уже записаны в
+[калибровке CAMPPlus](../benchmarks/2026-08-14-diarization-calibration.md#модели)
+и [исследовании TitaNet](2026-08-29-lightweight-diarization-models.md#проверенные-sha-256).
+INT8-сегментация в эту матрицу не входит: она меняет локальные покадровые метки
+и уже отклонена по результатам отдельного CPU-теста.
+
+На каждой исходной матрице сравнить:
+
+1. диагностический контроль `FastClustering`: для CAMPPlus пороги `1,05` и
+   `1,10`; для TitaNet использовать наименее плохую, но отклоненную точку
+   `1,10`;
+2. счетчик eigengap по схеме 3D-Speaker с `pval=0.012`, `min_pnum=6`, без
+   спектральных эмбеддингов и k-means;
+3. счетчик NME по контракту ниже.
+
+Контрольные пороги не становятся допустимыми настройками. Они только
+воспроизводят уже наблюдавшийся переход между лишними кластерами и склейкой.
+
+### Контракт счетчика NME
+
+Контракт следует формулам статьи и варианту Sparse-Search-20 из
+[кода авторов](https://github.com/tango4j/Auto-Tuning-Spectral-Clustering/blob/ae97f9be9c33b554205c7192c5137ce8f456c1b7/spectral_opt.py#L463-L495):
+
+| Параметр | Значение |
+|---|---|
+| Вход | все `M` валидных строк; строки конечны и имеют ненулевую норму |
+| Матрица сходства | нормировать строки на копии, затем `A = E @ E.T` |
+| Диапазон `p` | `1..floor(M/4)`; при `M < 6` ячейка счетчика помечается пропуском, а диагностический `FastClustering` выполняется независимо |
+| Разреженный поиск | все значения, если верхняя граница не больше 20; иначе 20 целых точек `linspace` с обоими концами и удалением дублей |
+| Бинаризация | сохранить top-`p` в каждой строке, включая диагональ; равные значения разрешать по меньшему индексу столбца |
+| Граф | `(A_p + A_p.T) / 2`, затем обнулить диагональ |
+| Лапласиан | ненормированный `L = D - A`, `D_ii = sum_j(abs(A_ij))` |
+| Собственные значения | `numpy.linalg.eigvalsh`, по возрастанию; `epsilon = 1e-10` |
+| Оценка `N` | `N = 1 + argmax(gaps[:min(8, M - 1)])`; при равенстве брать наименьший индекс |
+| Выбор `p` | `argmin` по `(p/M) / (max_gap / (lambda_max + epsilon) + epsilon)`; при равенстве брать наименьшее `p` |
+| Связность | если выбранный граф несвязен, взять первое большее `p` из той же сетки, которое делает его связным; отсутствие такого `p` считать ошибкой ячейки |
+
+После коррекции связности использовать `N`, рассчитанное для итогового `p`.
+Статья и код авторов не задают стабильное разрешение равных значений или
+поведение при слишком малой матрице; таблица фиксирует эти два локальных
+правила воспроизводимости. Основной расчет идет по всем строкам, как в
+авторской реализации.
+
+До прогона на рабочих записях закрепить две синтетические фикстуры с
+блочными матрицами сходства и ожидаемыми `N=2` и `N=3`. Они проверяют
+сортировку и разрешение равных значений в `argmax` и `argmin`.
+Якорные эмбеддинги, Torch, спектральные эмбеддинги и k-means в этот счетчик не
+входят.
+
+Основной результат считать на всех строках. Если `M > 512`, дополнительно
+повторить NME с регулярным прореживанием NeMo, записать `M` до и после и
+сравнить `N`. Сокращенная матрица не заменяет полный результат даже при
+совпадении.
+
+### Проверка и граница решения
+
+Для каждой модели один раз подготовить матрицу на тех же трех пятиминутных
+[контрольных записях](../benchmarks/2026-08-30-lightweight-diarization-cpu.md)
+и на ее независимых копиях выполнить все счетчики. Критерии качества:
+
+- оцененное число голосовых кластеров точно равно `3 / 2 / 2` на трех
+  контрольных записях для каждой модели отдельно; содержательные кластеры не
+  компенсируют ошибку счета;
+- метки строк и финальный результат для оцененного `N` совпадают с отдельным
+  вызовом известного `N` на той же матрице;
+- повторный счет на той же матрице дает те же `p`, `N` и метки;
+- сохранены прежняя метрика `mapped speaker purity`, число слов без говорящего и
+  диагностика малых кластеров; прогон CAMPPlus и TitaNet заканчивается слуховой
+  проверкой.
+
+Для каждого счетчика отдельно записать фактическое и процессорное время,
+`peak RSS`, форму матрицы, конфигурацию NumPy/BLAS и эффективное число потоков.
+Процесс запускать с одним потоком BLAS/LAPACK; способ ограничения и вывод
+`numpy.show_config()` входят в результат.
+
+Числовой гейт времени и памяти эта записка не задает: его определит
+[Зафиксировать аппаратную матрицу и бюджет памяти](https://git.dementev.space/ddmitry/local-transcriber/issues/35),
+а общую матрицу соберет
+[Собрать минимальную матрицу следующего CPU-эксперимента](https://git.dementev.space/ddmitry/local-transcriber/issues/34).
+До этих решений время и память служат измерениями, но не основанием объявить
+счетчик принятым.
+
+Если счетчики eigengap и NME проходят критерии качества, в следующую матрицу
+идет более дешевый. Если проходит только NME, отдельно решается перенос чистой
+NumPy-реализации в production. Если оба ошибаются, CAMPPlus и TitaNet остаются
+кандидатами только для явно заданного числа говорящих.
+
+Прототип проверяет переносимость оценки `N` на внутренние строки sherpa и цену
+счетчика. Он не выбирает новую модель по умолчанию, не заменяет
+`FastClustering` и не расширяет продуктовый контракт.