docs(diarization): добавлен разведочный замер и пересмотрен бэклог

- Зачем:
  - схема из бэклога приписывала спикера целому ASR-сегменту, и до замера
    было неизвестно, насколько сильно это огрубляет результат.
- Что:
  - добавлен разведочный замер sherpa-onnx на одной записи: 11,1x RTFx против
    16,4x у ASR, свип порога кластеризации и доля загрязнённых сегментов.
  - пункт бэклога переписан: движок описан как практически закрытый вопрос,
    главной развилкой названа единица привязки спикера к тексту.
  - зафиксировано, что 27% сегментов содержат не менее секунды чужой речи и на
    них приходится больше половины времени транскрипта.
- Проверка:
  - методика и условия замера воспроизводятся по разделам «Оборудование и
    условия» и «Контрольная запись» в docs/benchmarks/2026-08-12-diarization-feasibility.md.

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>

docs/backlog.md

@@ -181,27 +181,56 @@ LLM для чистки текста, сопоставление Speaker N с и
 
 ### Диаризация — разделение говорящих
 
-**Что:** Опциональный пост-процессинг (не четвёртый бэкенд): сегменты
-уже несут таймкоды; диаризация даёт интервалы «кто когда говорил»;
-merge по перекрытию интервалов; formatter ломает абзац на смене спикера
-и подписывает `Speaker 1:`. Ставится как extra:
-`uv sync --extra diarization`.
+**Что:** Опциональный пост-процессинг (не четвёртый бэкенд): диаризация
+даёт интервалы «кто когда говорил», результат сводится с сегментами ASR,
+formatter ломает абзац на смене спикера и подписывает `Speaker 1:`.
+Ставится как extra: `uv sync --extra diarization`.
 
 **Почему:** Без спикеров MoM не собрать — это ключевой разрыв с облаком
 по внешнему ревью, и никакое качество распознавания его не компенсирует.
 Заодно естественно решает «разбивку на реплики» (приоритет №4).
 
-**Варианты реализации (ключевое решение, нужен ADR):**
+**Промежуточный статус 2026-08-12:** проведена разведка, описанная в
+[разведочном замере диаризации](benchmarks/2026-08-12-diarization-feasibility.md).
+Она закрыла вопрос о движке и открыла более важный вопрос о единице привязки.
 
-- **sherpa-onnx** — диаризация целиком на onnxruntime (сегментация
-  pyannote в ONNX + спикер-эмбеддинги), без torch, в духе нашего
-  onnx-стека и «no cloud, no API keys».
-- **pyannote.audio** — стандарт качества, но тянет torch и требует
-  HF-токен с принятием лицензии моделей — трение с духом проекта.
+**Движок — вопрос практически закрыт.** `sherpa-onnx` ставится на Windows с
+Python 3.13, содержит готовый `OfflineSpeakerDiarization`, не тянет torch и не
+требует токена Hugging Face; модели сегментации и эмбеддингов весят около 33 МБ.
+Скорость — 11,1× RTFx, то есть примерно полторы длительности ASR. Вариант
+`pyannote.audio` остаётся отклонённым по прежней причине: torch и HF-токен с
+принятием лицензии. Отдельный ADR имеет смысл заводить вместе с решением о
+единице привязки, а не только про движок.
 
-**Уточнить перед запуском:** качество обоих вариантов на русской речи
-и перекрывающихся репликах; скорость на CPU (диаризация — второй проход
-по всему аудио); лицензии моделей сегментации/эмбеддингов.
+Замечание для будущих заходов: обе ML-части диаризации уже лежат в
+`onnx-asr` 0.12 — `PyAnnoteVad` содержит полную локальную сегментацию pyannote
+(powerset на трёх спикеров, склейка окон), а `WespeakerEmbeddings` даёт
+эмбеддинги. Публичный API схлопывает сегментацию до речь/не-речь, `load_se` не
+экспортирован, кластеризации нет. Собирать диаризацию самим на этих деталях —
+экономия 33 МБ ценой опоры на приватный API; при разведке этот путь не
+выбирался.
+
+**Единица привязки — настоящая развилка, решения нет.** Схема «мажоритарный
+спикер на весь ASR-сегмент», записанная здесь раньше, замером не подтвердилась:
+27% сегментов содержат не менее секунды чужой речи, и на них приходится больше
+половины времени транскрипта. Причина — границы сегментов идут по тишине
+(Silero VAD), а в ВКС собеседники отвечают встык. Варианты:
+
+- **пословная привязка** — `onnx-asr` отдаёт потокенные таймкоды
+  (`TimestampedResult`), сегмент режется на границе токена при смене
+  говорящего; ASR по-прежнему видит длинное аудио, контекст RNN-T и пунктуация
+  не страдают. Недоступно на OpenVINO GenAI — там потокенных таймкодов нет;
+- **диаризация первым проходом**, ASR по интервалам говорящего — чистота
+  гарантирована, но короткие куски лишают RNN-T контекста и портят пунктуацию;
+- **привязка к сегменту с честной пометкой** — оставить огрубление, но считать
+  чистоту и предупреждать в шапке, как уже делается для повторов и потери
+  хвоста.
+
+**Уточнить перед запуском:** воспроизводится ли доля 27% на других записях,
+включая разговор на двоих; правильность границ диаризации на слух, а не только
+совпадение числа говорящих; калибровка порога кластеризации (на пороге из
+примеров получилось 29 спикеров вместо трёх); эмбеддинги, обученные не только
+на английском; производительность на целевом Intel Core i5.
 
 ---