feat(diarization): добавлено разделение транскрипта по говорящим

Зачем:
- локальным транскриптам нужна структура реплик для конспектов и протоколов.

Что:
- добавлены пословные таймкоды для всех ASR-бэкендов и сведение с Sherpa-ONNX.
- реализованы CLI-флаги, деградация без потери ASR и speaker Markdown.
- добавлены проверяемый кеш моделей, тесты и документация.

Проверка:
- `pytest` — 283 passed, 1 skipped.
- `pyright` — 0 errors.
- Ruff и `git diff --check` — без ошибок.
- выполнены три контрольных прогона на реальных записях.

README.md

@@ -10,6 +10,7 @@ transcribe meeting.mp4
 - **Полностью локально** — данные не покидают машину
 - **Авто-ускорение** — NVIDIA CUDA при наличии GPU, иначе ONNX на CPU
 - **Батч-режим** — обработка нескольких файлов за один вызов
+- **Разделение говорящих** — локальная диаризация по флагу `--diarize`
 - **Из проводника Windows** — пункт Transcribe в меню «Отправить» ([установка](#контекстное-меню-проводника-windows))
 - **Markdown с таймкодами** — удобен для суммаризации ИИ
 - **Аудио и видео** — mp3, wav, mp4, mkv и [другие форматы](#поддерживаемые-форматы)
@@ -135,8 +136,36 @@ transcribe meeting.wav --device onnx --model gigaam-multilingual-large-ctc
 
 # Сохранить в конкретный файл
 transcribe interview.m4a --output result.md
+
+# Разделить встречу на реплики говорящих
+transcribe meeting.mp4 --diarize
+
+# Если число участников известно заранее
+transcribe interview.m4a --speakers 2
 ```
 
+### Разделение говорящих
+
+`--diarize` добавляет к транскрипту реплики `Speaker 1`, `Speaker 2` и так
+далее. `--speakers N` задаёт ожидаемое число участников и автоматически включает
+диаризацию; без него число кластеров определяется автоматически.
+
+При первом таком запуске дополнительно скачиваются две ONNX-модели Sherpa-ONNX:
+сегментация (~6 МБ) и голосовые эмбеддинги (~27 МБ). Они сохраняются в кеше
+Hugging Face и используются повторно. Диаризация выполняется после распознавания
+речи и добавляет отдельный проход по записи. На измеренном слабом Intel Core
+i7-6820HQ последовательные ASR и диаризация увеличивали полное время примерно в
+2,4 раза, но оставались быстрее реального времени; фактическая скорость зависит
+от процессора и режима питания ([замеры](docs/benchmarks/2026-08-14-diarization-intel-i7.md)).
+
+Если найдено меньше двух говорящих или диаризация конкретного файла завершилась
+ошибкой, текст не теряется: сохраняется обычный транскрипт, в Markdown
+записывается причина, а команда завершается с кодом `1`. Если выбранный ASR-путь
+не поддерживает пословные таймкоды или диаризатор не удалось инициализировать,
+запуск останавливается до первого ASR и не создаёт частичных транскриптов. Малый
+кластер только отмечается предупреждением и не удаляется. Слова без однозначного
+говорящего попадают в реплику `Speaker ?`.
+
 ### Батч-режим
 
 Обработка нескольких файлов за один вызов — модель загружается один раз:
@@ -155,6 +184,8 @@ transcribe *.mp4 --force
 - Файлы с существующим транскриптом (`*-transcript.md`) автоматически пропускаются
 - `--force` / `-f` — перезаписать существующие транскрипты
 - При ошибке в одном файле остальные продолжают обрабатываться
+- При ошибке диаризации сохраняется обычный транскрипт, остальные файлы
+  продолжают обрабатываться; итоговый код батча — `1`
 - `--output` несовместим с несколькими файлами
 
 ### Контекстное меню проводника (Windows)
@@ -192,6 +223,8 @@ transcribe --uninstall-menu
 | `--device` | `-d` | `auto` | Устройство (auto, cpu, cuda, openvino, openvino-gpu, openvino-cpu, onnx) |
 | `--compute-type` | — | float16 (CUDA) / int8 (ONNX/OpenVINO) / float32 (CPU) | Тип вычислений |
 | `--threads` | `-t` | 0 (авто) | Потоки CPU (рекомендуется = число физ. ядер) |
+| `--diarize` | — | — | Разделить текст на реплики говорящих |
+| `--speakers` | — | авто | Ожидаемое число говорящих; включает `--diarize` |
 | `--force` | `-f` | — | Перезаписать существующие транскрипты |
 | `--verbose` | `-v` | — | Подробный вывод |
 
@@ -404,6 +437,17 @@ device-aware дефолт недоступен для выбранной мод
 
 Если язык определить не удалось, строка выглядит так: `- **Язык**: не определён`.
 
+С `--diarize` при успешном обнаружении нескольких говорящих основная часть
+выглядит так:
+
+```markdown
+[00:00] Speaker 1: Добрый день, коллеги.
+
+[00:04] Speaker 2: Начнём с результатов квартала.
+```
+
+Таймкод реплики показывает начало: `MM:SS`, а после часа — `HH:MM:SS`.
+
 </details>
 
 ## Поддерживаемые форматы