docs(benchmark): сравнены GigaAM Large и Parakeet

Зачем:
- зафиксировать сравнение моделей на одном и том же массиве записей
- сохранить воспроизводимый набор файлов для будущих прогонов

Что:
- добавлены метрики и качественный вывод по Parakeet v3
- записаны точные имена, размеры и SHA-256 видео и эталонов
- обновлена рекомендация в README

Проверка:
- git diff --check

docs/benchmarks/2026-08-11-gigaam-model-comparison.md

@@ -30,6 +30,21 @@
 
 Сырые записи и внешние транскрипты не коммитятся в репозиторий.
 
+### Манифест файлов
+
+На тестовом ноутбуке все файлы находятся в `C:\Users\ddmitry\Videos\OBS`.
+Размер и SHA-256 позволяют проверить, что в повторном прогоне используется та
+же версия записи или ориентира.
+
+| Набор | Роль | Имя файла | Размер, байт | SHA-256 |
+|---|---|---|---:|---|
+| BDMA | видео | `2026-07-29 T2 BDMA уточнение задачи от Ильи.mp4` | 19 216 865 | `51866D247FE3EDA134CDD884F707B1F1DB8855B492E8BD14D2B56B62476255ED` |
+| BDMA | ориентир | `2026-07-29 T2 BDMA уточнение задачи от Ильи.md` | 18 000 | `9098548743A86F868DFCDD906BCDE34ED1CE5A935602CBE399F4BCEDA8685B3C` |
+| RSQM | видео | `2026-02-18 RSQM дейлик внутренний.mp4` | 19 694 785 | `E72000BE43A5E04BFB670B0A16D85D8AEA51A02A285ED778FF5726767E97E9B0` |
+| RSQM | ориентир | `2026-02-18 RSQM дейлик внутренний_transcript.md` | 16 128 | `260DF5D6964817434092005936127C0DC2C22682B7CB20FF07D14C5D81B8D287` |
+| DataCat | видео | `2026-03-23 T2 DataCat - архитектура в контуре заказчика - первое обсуждение с Машей.mp4` | 22 584 108 | `ACFF960A68AAA6A305F7E7053BB0642B5DA265B68865ABD018E7C9A8980AC3F5` |
+| DataCat | ориентир | `2026-03-23 T2 DataCat - архитектура в контуре заказчика - первое обсуждение с Машей-transcript-whsper.md` | 24 874 | `7943944A0A046EAA3A1384CAC47D36B381FBEF2FCFDF18089411619F00725456` |
+
 ## Запись 1: уточнение задачи BDMA
 
 Файл `2026-07-29 T2 BDMA уточнение задачи от Ильи.mp4`, длительность 14:51,
@@ -42,6 +57,7 @@
 | GigaAM v3 | **72,6 с** | **12,27×** | 26,5% | 0 |
 | GigaAM Multilingual CTC | 84,8 с | 10,51× | 27,9% | 0 |
 | GigaAM Multilingual Large CTC | 192,0 с | 4,64× | 27,5% | 0 |
+| Parakeet v3 | 119,2 с | 7,47× | 28,2% | 338 |
 | GigaAM v3 E2E RNN-T | 76,1 с | 11,71× | 29,0% | 326 |
 | GigaAM v3 E2E CTC | **72,6 с** | **12,27×** | 31,8% | 338 |
 
@@ -58,12 +74,14 @@ cached-прогон для точного замера.
 | RSQM | GigaAM v3 | 75,1 с | 11,25× | **23,1%** |
 | RSQM | Multilingual CTC | 82,7 с | 10,21× | 24,4% |
 | RSQM | Multilingual Large CTC | 163,4 с | 5,17× | 23,8% |
+| RSQM | Parakeet v3 | 103,7 с | 8,14× | 29,1% |
 | RSQM | E2E RNN-T | 72,8 с | 11,60× | 25,4% |
 | RSQM | E2E CTC | **71,1 с** | **11,88×** | 28,0% |
 | RSQM | FasterWhisper medium | 686,1 с | 1,23× | **19,7%** |
 | DataCat | GigaAM v3 | **74,8 с** | **11,79×** | 27,5% |
 | DataCat | Multilingual CTC | 94,2 с | 9,36× | 27,9% |
 | DataCat | Multilingual Large CTC | 189,6 с | 4,65× | 26,7% |
+| DataCat | Parakeet v3 | 122,7 с | 7,19× | 27,9% |
 | DataCat | E2E RNN-T | 78,0 с | 11,31× | **26,4%** |
 | DataCat | E2E CTC | 76,0 с | 11,60× | 28,3% |
 | DataCat | FasterWhisper medium | 954,5 с | 0,92× | **21,9%** |
@@ -84,6 +102,7 @@ WER ниже посчитан как micro-average: сумма ошибок по
 | GigaAM Multilingual Large CTC | 545,0 с | 4,80× | **26,2%** | 0 |
 | GigaAM v3 E2E RNN-T | 226,9 с | 11,54× | 26,9% | 290 |
 | GigaAM Multilingual CTC | 261,7 с | 10,00× | 26,9% | 0 |
+| Parakeet v3 | 345,6 с | 7,57× | 28,3% | 301 |
 | GigaAM v3 E2E CTC | **219,7 с** | **11,91×** | 29,3% | 305 |
 
 \* Для BDMA использована оценка 871 секунд чистого inference: первый запуск
@@ -96,6 +115,26 @@ Multilingual Small медленнее обычного GigaAM на 18%, а вы
 Multilingual Large в 2,08 раза медленнее Small и в 2,45 раза медленнее обычного
 GigaAM, но всё ещё в 4,6 раза быстрее FasterWhisper.
 
+### GigaAM Multilingual Large против Parakeet v3
+
+Large точнее Parakeet на каждой записи: 27,5% против 28,2% WER на BDMA,
+23,8% против 29,1% на RSQM и 26,7% против 27,9% на DataCat. В сумме Large
+получила 26,2% WER против 28,3%. Особенно заметна разница в пропусках:
+103 удаления у Large против 264 у Parakeet.
+
+Parakeet обработала набор за 345,6 секунды против 545,0 секунды у Large, то
+есть была в 1,58 раза быстрее, и сразу расставила пунктуацию. Однако ручное
+чтение выявило частые ложные переключения языка. В русских репликах RSQM
+появляются `Yeah`, `No`, `Just die`, `What foo`; в DataCat — `Don't`,
+`Skid of all`, `Talk no`, `Boy`. Это не единичная орфографическая ошибка, а
+искажение обычной русской речи. Large в тех же местах сохраняет русский смысл,
+хотя передаёт английские термины фонетически и не ставит пунктуацию.
+
+На этом массиве Large предпочтительнее по качеству и сохранности содержания.
+Parakeet интересна как более быстрый вариант с пунктуацией, но для русских
+встреч требует обязательной ручной проверки и не рекомендуется как основной
+профиль.
+
 ## Качественное чтение
 
 Независимый reviewer сначала прочитал полные тексты без таблицы метрик, затем
@@ -120,6 +159,9 @@ GigaAM, но всё ещё в 4,6 раза быстрее FasterWhisper.
   с monolingual GigaAM по совокупному WER: 26,2% против 26,0%. При ручном
   чтении скрытой деградации не найдено, но пунктуации по-прежнему нет, а термины
   передаются преимущественно фонетически (`файнбиай`, `найфай`, `терадата`).
+- Parakeet v3 быстрее Large и выдаёт пунктуацию, но хуже по WER на всех трёх
+  записях, чаще пропускает слова и вставляет ложные английские фразы в русскую
+  речь. Для этого массива преимущество в читаемости не компенсирует искажения.
 
 Длинных автономных галлюцинаций не найдено. Есть локальные потенциально
 опасные искажения имён и терминов: `Иришка`, `Lutriness`, «расчёт
@@ -146,6 +188,9 @@ FasterWhisper лучше сохраняет `API`, `ETL`, `Open Platform`; об
   `gigaam-multilingual-large-ctc`. Она устойчиво лучше Small и почти равна
   monolingual GigaAM по WER, но требует 545 секунд против 262 секунд на том же
   наборе. Small остаётся вариантом с приоритетом скорости.
+- `parakeet-v3` в 1,58 раза быстрее Large и содержит пунктуацию, однако хуже
+  по WER на всех трёх записях и нестабилен на русской речи. Использовать его
+  стоит только там, где скорость и готовая пунктуация важнее сохранности текста.
 - `gigaam-v3-e2e-ctc` преимуществ на этом наборе не показала.
 - FasterWhisper medium остаётся выбором для важных записей с плотной
   терминологией, если допустима обработка около realtime. По трём файлам она в
@@ -165,6 +210,8 @@ FasterWhisper лучше сохраняет `API`, `ETL`, `Open Platform`; об
 uv run transcribe <recording.mp4> --device onnx --model <model> --compute-type int8
 ```
 
+Для всех прогонов явно передавался язык `--language ru`.
+
 Время измерялось на прогретом кеше модели. WER считался после удаления
 метаданных и таймкодов, приведения к нижнему регистру, замены `ё` на `е` и
 удаления пунктуации.