docs(adr): ADR-005 — Parakeet TDT оценён и отклонён для русских ИТ-встреч

- Зачем:
  - зафиксировать в master результат эксперимента с Parakeet-бэкендом:
    что проверяли, какие цифры получили, почему оставили Whisper как дефолт.
    Знания доступны, код — в экспериментальной ветке feature/parakeet-backend.
- Что:
  - docs/adr/005-parakeet-evaluation.md — полный контекст решения: гипотеза,
    методология, метрики скорости (Parakeet 2.7x быстрее, -35% RAM),
    качество (Summary utility 2-3/5 vs 4/5 у Whisper), систематические
    проблемы модели на тихой русской речи, VAD-тюнинг не помог, условия
    пересмотра решения в будущем (английский / live-captioning / русские
    specialized-модели через onnx-asr).
  - docs/gpu.md — короткая заметка под «Потенциальные направления развития»
    со ссылкой на ADR-005.
- Проверка:
  - cat docs/adr/005-parakeet-evaluation.md.
  - grep -A5 "Parakeet TDT — проверено" docs/gpu.md.
  - ветка feature/parakeet-backend сохранена и не удаляется.

README.md

@@ -147,6 +147,7 @@ transcribe *.mp4 --force
 | `--output` | `-o` | `<файл>-transcript.md` | Путь к выходному файлу |
 | `--device` | `-d` | `auto` | Устройство (auto, cpu, cuda, openvino, openvino-gpu, openvino-cpu) |
 | `--compute-type` | — | float16 (CUDA) / int8 (OpenVINO GPU/CPU) / float32 (CPU) | Тип вычислений |
+| `--threads` | `-t` | 0 (авто) | Потоки CPU (рекомендуется = число физ. ядер) |
 | `--force` | `-f` | — | Перезаписать существующие транскрипты |
 | `--verbose` | `-v` | — | Подробный вывод |
 
@@ -243,6 +244,7 @@ language = "en"
 |-----|--------|----------|----------|--------------------|
 | `float16` | CUDA | ~4.5-5 GB | Отлично | **По умолчанию для CUDA** |
 | `int8_float16` | CUDA | ~4.7 GB | Отлично | GPU от 6 GB, альтернатива float16 |
+| `int8_float32` | CPU | Среднее | Отлично | **Рекомендуется для CPU** — 1.5x быстрее float32 при том же качестве |
 | `int8` | CUDA / OpenVINO | Низкое | Хорошо, но бывают галлюцинации | **По умолчанию для OpenVINO** |
 | `fp16` | OpenVINO | Низкое | Отлично | OpenVINO large-v3 (выбирается автоматически) |
 | `float32` | CPU | Среднее | Отлично | **По умолчанию для CPU** |

docs/adr/005-parakeet-evaluation.md

@@ -0,0 +1,102 @@
+# ADR-005: NVIDIA Parakeet TDT — оценено, отклонено для дефолтного use case
+
+**Статус**: Отклонено (оставлено в экспериментальной ветке)
+**Дата**: 2026-04-19
+
+## Контекст
+
+ADR-003 и ADR-004 зафиксировали стратегию: CTranslate2 на CPU (качество) +
+OpenVINO (скорость на x86). Оба бэкенда — Whisper. Возникла гипотеза, что
+**NVIDIA Parakeet TDT 0.6B v3** может выйти за пределы этого trade-off: модель
+заявлена multilingual (25 языков включая русский), имеет ONNX-порт
+[istupakov/parakeet-tdt-0.6b-v3-onnx](https://huggingface.co/istupakov/parakeet-tdt-0.6b-v3-onnx),
+работает через `onnx-asr` + Silero VAD. Есть позитивные отзывы (напр.
+приложение Handy использует Parakeet для dictation в реальном времени).
+
+Основное применение проекта — транскрипция русскоязычных ИТ-встреч
+(ментор ↔ менти, ~15–60 мин, ноутбучный микрофон). Если Parakeet обойдёт
+Whisper medium int8 по скорости при сравнимом качестве, или по качеству при
+сравнимой скорости — это основание поменять дефолт.
+
+## Эксперимент
+
+Реализован полный бэкенд в ветке `feature/parakeet-backend` (ONNX Runtime CPU EP,
+Silero VAD, cache-first model loading). Прогнан автоматический бенчмарк
+на двух 15-минутных отрывках реальных установочных встреч
+(`scripts/quality_bench.py` в ветке), CPU Intel i7-11800H.
+
+Качество оценивал агент-судья по шкале 1–5 по критериям completeness /
+term accuracy / fluency / summary utility — на пригодность транскрипта
+для построения конспекта без возврата к аудио.
+
+### Скорость и ресурсы
+
+| Отрывок | Бэкенд | Wall | RTFx | Peak RSS |
+|---|---|---|---|---|
+| artur-intro (15 мин) | **parakeet-int8** | 129.5s | **6.92x** | 2.21 GB |
+| artur-intro (15 мин) | openvino-medium-int8 | 354.2s | 2.54x | 3.50 GB |
+| mar15-mid (15 мин) | **parakeet-int8** | 159.6s | **5.64x** | 2.65 GB |
+| mar15-mid (15 мин) | openvino-medium-int8 | 428.4s | 2.10x | 3.52 GB |
+
+**Parakeet в 2.7x быстрее и использует на ~35% меньше RAM.**
+
+### Качество (Summary utility, 1–5)
+
+| Отрывок | Parakeet int8 | Whisper medium int8 |
+|---|---|---|
+| artur-intro | **2** | **4** |
+| mar15-mid | **3** | **4** |
+
+Систематические проблемы Parakeet на русской речи с низкой громкостью:
+
+1. **Редукция коротких реплик менти до `Mm-hmm`/`Yeah`** — теряется
+   значительная часть диалога (низкий уровень микрофона менти).
+2. **Вставки кусков польского/испанского/немецкого** посреди русской речи
+   (`Miejsce w sześć zajmie`, `Que salviosa`, `Genial positions`).
+3. **Сильное искажение ИТ-терминов и бытовых выражений** —
+   `Pretty subs` вместо «пройти собес», `Состем основ` вместо «система контроля
+   версий», `І на глуп Джой` вместо `inner loop join`.
+
+Whisper medium int8 даёт связный русский текст с нормальной пунктуацией;
+искажения присутствуют (`капка` вместо Kafka, одна галлюцинация
+«Добро пожаловать в наш канал!» на паузе), но не критичны для конспекта.
+
+### Попытка тюнинга — Silero VAD threshold
+
+Гипотеза: дефолтный `threshold=0.5` обрезает тихие реплики менти. Проверено
+на 0.5/0.3/0.2 — снижение порога **уменьшает** объём транскрипта
+(Parakeet хуже декодирует длинные склеенные сегменты с разреженной речью)
+и **не снижает** частоту `Mm-hmm`-редукций. Проблема inherent для модели
+на тихом русском диалоге, не артефакт VAD.
+
+## Решение
+
+**Parakeet TDT 0.6B v3 не принимается как дефолтный или опциональный бэкенд
+для целевого use case.** Whisper medium int8 остаётся предпочтительным —
+несмотря на 2.7x проигрыш по скорости, он даёт транскрипт, из которого можно
+сделать конспект без возврата к аудио. Для русской речи с варьирующейся
+громкостью микрофона Parakeet v3 недостаточно устойчив.
+
+Код бэкенда **не мержится в master**. Экспериментальная ветка
+`feature/parakeet-backend` сохраняется как reference для будущих экспериментов.
+
+## Последствия
+
+- Архитектура pluggable backends (ADR-003) подтвердила ценность: интегрировать
+  и оценить новый бэкенд оказалось недорого.
+- Surface area master не растёт: нет `--device parakeet-cpu`, нет зависимости
+  `onnx-asr`, нет новой ветки в CLI.
+- Если в будущем появится интерес — ветка `feature/parakeet-backend` содержит
+  готовый бэкенд (13 задач, ~19 тестов), скрипты бенчмарка и VAD-тюнинга.
+
+## Когда стоит пересмотреть решение
+
+1. **Англоязычный контент** — Parakeet обучался преимущественно на английском,
+   для native English встреч выигрыш в скорости может окупить качество.
+2. **Live-captioning / dictation** (как в Handy) — другой use case, близкий
+   микрофон + короткие фразы, проблемы редукции неактуальны.
+3. **Русские specialized-модели через ту же обвязку** `onnx-asr`:
+   `gigaam-v3-rnnt` (SberDevices), `nemo-fastconformer-ru-rnnt` (NVIDIA),
+   `t-one-ctc` (T-Bank). Это отдельная ветка экспериментов, не Parakeet.
+4. **Слабые машины с ограниченной RAM** — Parakeet 2.2 GB vs Whisper 3.5 GB
+   на 15-мин аудио. Если важна RAM-экономия и английский контент.

docs/benchmark-2026-03-23.md

@@ -1,123 +0,0 @@
-# Бенчмарк: качество и скорость транскрипции
-
-**Дата**: 2026-03-23
-
-## Цель
-
-Сравнить качество распознавания нашего приложения (local-transcriber) с облачным
-сервисом Whisper.ai, подобрать оптимальную конфигурацию бэкенд/модель/compute_type.
-
-## Тестовый стенд
-
-- **CPU**: AMD Ryzen 7 8845H w/ Radeon 780M (3.80 GHz), 8 ядер
-- **GPU**: нет NVIDIA (нет CUDA), есть встроенный Radeon 780M iGPU + Ryzen AI NPU (XDNA)
-- **ОС**: Windows 11 Enterprise
-- **Запись**: совещание 3 участников, 14:41, русский язык, микрофон ноутбука
-
-## Конфигурации
-
-| # | Модель | Бэкенд | compute_type | Устройство |
-|---|--------|--------|--------------|------------|
-| 1 | medium | OpenVINO | fp16 | CPU |
-| 2 | large-v3 | OpenVINO | fp16 | CPU |
-| 3 | medium | CTranslate2 (faster-whisper) | float32 | CPU |
-| 4 | medium | CTranslate2 (faster-whisper) | int8_float32 | CPU |
-| 5 | — | Whisper.ai (облако) | — | — |
-
-## Результаты: скорость
-
-| # | Конфигурация | Время, с | Коэфф. к реалтайму (14:41 = 881с) |
-|---|---|---|---|
-| 1 | medium, OpenVINO fp16 | **~240** | 0.27x |
-| 2 | large-v3, OpenVINO fp16 | ~503 | 0.57x |
-| 4 | medium, CT2 int8_float32 | ~599 | 0.68x |
-| 3 | medium, CT2 float32 | ~881 | 1.0x |
-
-## Результаты: качество
-
-Для оценки выбраны маркерные фразы — технические термины, сложная разговорная речь,
-имена собственные. Каждый маркер проверен вручную по контексту записи.
-
-### Техтермины (английские в русской речи)
-
-| Термин | #1 OV fp16 | #2 large OV | #3 CT2 f32 | #4 CT2 int8f32 | #5 Whisper.ai |
-|--------|-----------|-------------|------------|----------------|---------------|
-| DWH | ✅ DWH | ❌ ДВХ | ⚠️ ДВХ | ✅ DWH | ⚠️ dvh |
-| Teradata | ✅ TeraData | ⚠️ тирадат | ⚠️ Тирадату | ✅ Teradata | ⚠️ тирадата |
-| NiFi | ✅ NiFi | ❌ "на файл" | ⚠️ Найфай | ✅ NiFi | ⚠️ фай |
-| FineBI | ✅ fineBI | ❌ "фанбой" | ✅ FNBI | ✅ finebi/FNBI | ⚠️ FineBI/NBI |
-| Alation | ❌ "лэйшене" | ❌ "валаши" | ✅ Allation | ✅ Allation | ✅ Allation |
-| ETL | ❌ ETA | ❌ "и ты или" | ✅ ETL | ✅ ETL | ✅ ETL |
-| DBC Tables V | ✅ | ❌ "деби си" | ✅ | ✅ | ✅ |
-| OpenLineage | ⚠️ OpenLinage | ⚠️ "open lineage и о" | ✅ OpenLinage.io | ✅ OpenLinage.io | ✅ Open Lineage.io |
-
-### Русская разговорная речь
-
-| Фраза (правильно) | #1 OV fp16 | #2 large OV | #3 CT2 f32 | #4 CT2 int8f32 | #5 Whisper.ai |
-|--------------------|-----------|-------------|------------|----------------|---------------|
-| "на другую мониторочку" | ❌ "другом не торчка" | ❌ "другому и" | ✅ "мониторчику" | ⚠️ "мою точку" | ✅ "мониторочку" |
-| "верхнеуровневое" | ⚠️ "верхверх верхне..." | ✅ | ✅ | ✅ | ✅ |
-| "датарентген" | ❌ "госпиталин ген" | ❌ "господа тренды" | ✅ "даторентген" | ✅ "даторентген" | ✅ "датарентген" |
-| "девовские схемы" | ✅ | ❌ "девушки схемы" | ✅ | ✅ | ✅ |
-| "с накиданными правами" | ✅ | ❌ "накиданных бровами" | ✅ | ✅ | ✅ |
-| "Вьюхи" | ❌ "в юхе" | — | ✅ "Вьюхи" | ⚠️ "Yuhi" | ❌ "в юхе" |
-
-### Структура и пунктуация
-
-| Аспект | #1 OV fp16 | #2 large OV | #3 CT2 f32 | #4 CT2 int8f32 | #5 Whisper.ai |
-|--------|-----------|-------------|------------|----------------|---------------|
-| Пунктуация | слабая | слабая | хорошая | хорошая | средняя |
-| Длина сегментов | ~1 мин | ~1 мин | ~1 мин | ~1 мин | 2–30 сек |
-| Диаризация | нет | нет | нет | нет | есть (условная) |
-
-## Ключевые выводы
-
-### 1. OpenVINO fp16 ухудшает качество medium
-
-OpenVINO даёт **3.7x ускорение**, но fp16-квантизация на CPU вносит заметные ошибки
-в распознавание нечёткой русской речи ("госпиталин ген", "ETA"). При этом английские
-техтермины (DWH, NiFi, FineBI) распознаются хорошо — видимо, они более «чёткие»
-акустически.
-
-### 2. large-v3 через OpenVINO — хуже medium
-
-Удивительный результат: large-v3 с OpenVINO fp16 деградировал по всем параметрам.
-FineBI → "фанбой", NiFi → "на файл", девовские → "девушки". Гипотеза: fp16 на CPU
-бьёт сильнее по большим моделям из-за накопления ошибок округления.
-
-### 3. CTranslate2 float32 — лучшее качество
-
-Сравнимо с облачным Whisper.ai, а на некоторых маркерах лучше (Вьюхи, DWH).
-Но **3.7x медленнее** OpenVINO — неприемлемо для длинных записей.
-
-### 4. int8_float32 — оптимальный баланс
-
-Mixed precision (int8 матрицы, float32 аккумулятор) даёт:
-- **1.5x ускорение** vs float32 (599с vs 881с)
-- Качество практически идентичное float32
-- Техтермины DWH/Teradata/NiFi даже лучше, чем у float32
-
-### 5. Whisper.ai — диаризация как преимущество
-
-Единственное значимое преимущество облачного сервиса — диаризация спикеров.
-По качеству распознавания наше приложение с CT2 int8_float32 на уровне или лучше.
-
-## Рекомендации
-
-### Краткосрочно
-
-- **Дефолт для CPU без CUDA**: рассмотреть `int8_float32` вместо `float32` — 1.5x быстрее
-  при сопоставимом качестве.
-- **OpenVINO fp16 оставить** как быстрый вариант — для случаев, когда скорость важнее
-  точности (превью, черновые транскрипты).
-
-### Среднесрочно
-
-- **DirectML бэкенд** для AMD Radeon iGPU — через onnxruntime-directml можно задействовать
-  Radeon 780M. Float16 на GPU (в отличие от CPU-квантизации) не должен терять качество.
-  Потенциально 3–5x ускорение при сохранении качества float32.
-
-### Долгосрочно
-
-- **Ryzen AI NPU (XDNA)** — AMD развивает поддержку, но tooling пока сырой.
-- **Диаризация** — добавить идентификацию спикеров (pyannote-audio или аналоги).

docs/gpu.md

@@ -37,7 +37,7 @@ OpenVINO ускоряет inference на x86 процессорах (Intel и AM
 | tiny | OpenVINO/whisper-tiny-int8-ov | — |
 | base | — | OpenVINO/whisper-base-fp16-ov |
 | small | OpenVINO/whisper-small-int8-ov | — |
-| medium | OpenVINO/whisper-medium-int8-ov | — |
+| medium | OpenVINO/whisper-medium-int8-ov | OpenVINO/whisper-medium-fp16-ov |
 | large-v3 | OpenVINO/whisper-large-v3-int8-ov | OpenVINO/whisper-large-v3-fp16-ov |
 
 ### Результаты тестирования OpenVINO
@@ -50,7 +50,7 @@ OpenVINO ускоряет inference на x86 процессорах (Intel и AM
 |---|---|---|---|
 | Intel Ultra 7 255H | **122с** | **411с** | — |
 | AMD Ryzen 7 8845H | 185с | 416с | 734с |
-| Intel i7 (WSL2) | 171-205с | — | 658с |
+| Intel i7-11800H (WSL2) | 171-205с | — | 658с |
 
 **Ускорение vs CPU float32:** **3-6x** в зависимости от CPU.
 
@@ -77,6 +77,113 @@ OpenVINO ускоряет inference на x86 процессорах (Intel и AM
 - **medium** — для повседневного использования и обработки ИИ. Ключевые термины верные, единичные ляпы не влияют на смысл конспекта. Оптимальный баланс скорости и качества.
 - **large-v3** — для важных записей, где нужна дословная точность. Лучшая пунктуация и связность. На OpenVINO (416с) быстрее, чем medium на чистом CPU (734с) — лучшее качество при выше скорости.
 
+## CPU бэкенд (CTranslate2 / faster-whisper)
+
+При `--device cpu` используется faster-whisper на основе CTranslate2. Этот бэкенд медленнее
+OpenVINO, но обеспечивает **лучшее качество** благодаря развитому pipeline декодирования.
+
+### Рекомендуемый compute_type: `int8_float32`
+
+```bash
+transcribe meeting.mp4 --device cpu --compute-type int8_float32
+```
+
+`int8_float32` — int8 квантизация весов с float32 аккумулятором. Даёт **1.5x ускорение**
+vs float32 при сопоставимом качестве (протестировано на русском языке с техтерминами).
+
+| compute_type | Скорость* | Качество | Когда использовать |
+|---|---|---|---|
+| `int8_float32` | **~460с** | Отлично | **Рекомендуется** — лучший баланс |
+| `float32` | ~880с | Отлично (эталон) | Если важна максимальная точность |
+| `int8` | быстрее | Хорошо, но бывают галлюцинации | Не рекомендуется для длинных записей |
+
+\* Замеры на AMD Ryzen 7 8845H, medium, запись 14:41, 8 потоков.
+
+### Оптимизация потоков
+
+CTranslate2 по умолчанию использует 4 потока. На многоядерных CPU рекомендуется
+задать число потоков равным числу **физических ядер** (не виртуальных):
+
+```bash
+transcribe meeting.mp4 --device cpu --compute-type int8_float32 --threads 8
+```
+
+**Замеры (Intel i7-11800H, 8 ядер / 16 потоков, medium int8_float32, 16 мин файл):**
+
+| --threads | Время | Ускорение |
+|---|---|---|
+| 0 (дефолт = 4) | 320с | baseline |
+| 8 (физ. ядра) | **277с** | **+13%** |
+
+SMT/Hyper-Threading не помогает — 16 потоков на 8-ядерном CPU медленнее, чем 8.
+
+### Почему CPU бэкенд качественнее OpenVINO
+
+При одной и той же модели (medium) CTranslate2 даёт заметно лучше распознавание,
+чем OpenVINO. Разница **не в квантизации**, а в pipeline декодирования:
+
+| Механизм | CTranslate2 (faster-whisper) | OpenVINO GenAI |
+|---|---|---|
+| Temperature fallback | ✅ до 5 попыток с ростом temperature | ❌ один проход |
+| Фильтр по compression_ratio | ✅ отсекает повторы | ❌ нет |
+| Фильтр по log_prob | ✅ отсекает неуверенные сегменты | ❌ нет |
+| no_speech_threshold | ✅ детекция тишины | ❌ нет |
+| VAD (Silero) | ✅ опционально | ❌ нет |
+| condition_on_previous_text | ✅ с умным сбросом | ⚠️ базовый |
+
+Эти эвристики критичны для русской разговорной речи с паузами и перебивками.
+
+### Выбор между OpenVINO и CPU
+
+| Сценарий | Рекомендация |
+|---|---|
+| Быстрый черновой транскрипт | `--device openvino-cpu` (int8, ~240с) |
+| Качественный транскрипт для суммаризации | `--device cpu --compute-type int8_float32` (~460с) |
+| Максимальная точность | `--device cpu --compute-type float32` (~880с) |
+
+## CUDA: compute_type и качество
+
+На NVIDIA GPU дефолт — `float16`, и для большинства случаев это оптимальный выбор.
+
+### Результаты тестирования compute_type на GPU (RTX 3060 Laptop, 6 GB)
+
+**Скорость (файл 16 мин, русский язык):**
+
+| Модель | float16 | int8_float32 | int8_float16 |
+|---|---|---|---|
+| medium | **53с** (~18x) | 64с (~15x) | 54с (~18x) |
+| large-v3 | **86с** (~11x) | 113с (~8.5x) | 125с (~7.7x) |
+
+**Скорость (файл 46 мин, русский язык):**
+
+| Модель | float16 |
+|---|---|
+| medium | **127с** (~22x реалтайм) |
+| large-v3 | 271с (~10x реалтайм) |
+
+**Качество (файл 16 мин):**
+
+| Модель | float16 | int8_float32 | int8_float16 |
+|---|---|---|---|
+| medium | **Отлично** | **Отлично** (≈float16) | Хорошо (1-2 ошибки) |
+| large-v3 | Хорошо (ед. галлюцинации) | **Плохо** (повтор "Ага" ×18) | **Неприемлемо** (мусор, иероглифы) |
+
+**Качество (файл 46 мин):**
+
+| Модель | float16 | Проблемы |
+|---|---|---|
+| medium | **Отлично** | Единичные ляпы ("email" вместо "ML"), стабилен |
+| large-v3 | **Плохо** | Галлюцинации на 3+ языках (китайский, арабский), повторы фраз, "Аминь" вместо "Угу" |
+
+### Выводы по CUDA compute_type
+
+- **`float16` — оптимальный дефолт**: самый быстрый и стабильный
+- **`int8_float32` не дал выигрыша**: на 20% медленнее float16, качество для medium сопоставимо, для large-v3 — деградация
+- **`int8_float16`**: по скорости ≈ float16 для medium, но large-v3 даёт мусор
+- **`int8`**: рискует галлюцинациями на large-v3 и длинных записях (повтор фраз ×25)
+- **medium устойчивее к квантизации**, чем large-v3 — все варианты compute_type дают приемлемый результат
+- **large-v3 на длинных записях (>20 мин)**: галлюцинации даже с float16 — medium надёжнее
+
 ## Настройка по платформам
 
 ### Linux / WSL2 (x86_64)
@@ -98,45 +205,99 @@ winget install -e --id Nvidia.CUDA --version 12.9   # требует запус
 
 ## Совместимость GPU
 
-| GPU | VRAM | medium float16 | large-v3 float16 | Рекомендация |
+| GPU | VRAM | CC | medium float16 | large-v3 float16 | Рекомендация |
-|-----|------|---------------|-----------------|--------------|
+|-----|------|----|---------------|-----------------|--------------|
-| RTX 3060 | 6 GB | ✅ | ✅ | medium float16 (дефолт) |
+| RTX 3060 | 6 GB | 8.6 | ✅ | ✅ | medium float16 (дефолт) |
-| RTX 4050 | 6 GB | ✅ | ✅ | medium float16 |
+| RTX 4050 | 6 GB | 8.9 | ✅ | ✅ | medium float16 |
-| Quadro M3000M | 4 GB | ✅ | ⚠️ tight | medium float16 или int8 |
+| Quadro M3000M | 4 GB | 5.0 | ❌ | ❌ | `--device cpu` или `openvino` |
+
+> **Quadro M3000M и другие GPU с CC < 7.0 (Maxwell, Pascal)**: CUDA не работает —
+> float16 требует CC ≥ 7.0, float32 падает с ошибкой (CTranslate2 4.x не включает
+> sm_50/sm_60 в пребилды). Используйте `--device cpu --compute-type int8_float32`
+> или `--device openvino`.
 
 ## Ожидаемая скорость
 
 Замеры на RTX 3060 Laptop (6 GB) и Intel CPU (WSL2):
 
-| Конфигурация | 16 мин файл | 42 мин файл | Отн. скорость |
+| Конфигурация | 16 мин файл | 46 мин файл | Отн. скорость |
 |-------------|-------------|-------------|---------------|
-| GPU + medium float16 | ~35с | ~133с | ~19x реалтайм |
+| GPU + medium float16 | **53с** | **127с** | **~18-22x реалтайм** |
-| GPU + large-v3 float16 | ~90с | ~350с | ~7x реалтайм |
+| GPU + large-v3 float16 | 86с | 271с | ~10-11x реалтайм |
+| GPU + medium int8_float32 | 64с | — | ~15x реалтайм |
+| GPU + medium int8_float16 | 54с | — | ~18x реалтайм |
 | **OpenVINO + small int8** | **93с** | **153с** | **~10-16x реалтайм** |
 | **OpenVINO + medium int8** | **171-205с** | **413с** | **~4-6x реалтайм** |
 | **OpenVINO + large-v3 fp16** | **416с** | — | **~2.3x реалтайм** |
+| **CPU + medium int8_float32** | **~460с*** | — | **~2x реалтайм** |
 | CPU + medium float32 | 658с (11 мин) | ~26 мин | ~1.5x реалтайм |
 | CPU + large-v3 int8 | 839с (14 мин) | ~37 мин | ~1:1 реалтайм |
 
+\* Замер CPU int8_float32 на AMD Ryzen 7 8845H (8 потоков), файл 14:41.
+
 ## Результаты тестирования качества
 
 Тесты проведены на реальных записях рабочих созвонов (русский язык, технические термины:
 SQL, PostgreSQL, Greenplum, Airflow, ClickHouse, Docker, CDR, GTP, MAP).
 
-| Конфигурация | Качество (длинная запись, 42 мин) | Проблемы |
+| Конфигурация | Качество (короткие, ≤16 мин) | Качество (длинные, >40 мин) | Проблемы |
-|---|---|---|
+|---|---|---|---|
-| large-v3 int8 GPU | Плохо | Галлюцинации (фразы ×25), потеря контента |
+| medium float16 GPU | **Отлично** | **Отлично** | Единичные ляпы в терминах ("email" вместо "ML") |
-| large-v3 float16 GPU | Отлично | — |
+| medium int8_float32 GPU | **Отлично** | — | Качество ≈ float16, но на 20% медленнее |
-| medium float16 GPU | Хорошо | Редкие мелкие ляпы в терминах |
+| medium int8_float16 GPU | Хорошо | — | 1-2 ошибки |
-| medium float32 CPU | Хорошо | Сопоставимо с large-v3 int8, без галлюцинаций |
+| large-v3 float16 GPU | Хорошо | **Плохо** | Галлюцинации на длинных записях (мусор на 3+ языках) |
-| large-v3 int8 CPU | Хорошо | Без галлюцинаций (на коротких файлах) |
+| large-v3 int8_float32 GPU | **Плохо** | — | Повтор фраз ("Ага" ×18), искажения |
+| large-v3 int8_float16 GPU | **Неприемлемо** | — | Мусор, китайские/арабские символы, потеря текста |
+| large-v3 int8 GPU | **Плохо** | **Плохо** | Галлюцинации (фразы ×25), потеря контента |
+| medium int8_float32 CPU | **Отлично** | — | Качество ≈ float32, на уровне облачных сервисов |
+| medium float32 CPU | **Отлично** | Хорошо | Эталон качества |
+| large-v3 int8 CPU | Хорошо | — | Без галлюцинаций (на коротких файлах) |
 
 ### Ключевые выводы
 
 1. **Указание языка (`--language ru`) критично** — auto-detect может ошибиться и выдать мусор
-2. **float16/float32 стабильнее int8** — особенно на записях >20 минут
+2. **medium + float16 на GPU — лучший баланс** скорости и качества для любых записей
-3. **medium + float16 на GPU — лучший баланс** скорости и качества для повседневного использования
+3. **large-v3 ненадёжен на длинных записях (>20 мин)** — галлюцинации даже с float16;
-4. **large-v3 + float16 на GPU** — для максимального качества важных записей
+   medium стабильнее на любой длине
+4. **medium устойчив к квантизации** — все варианты compute_type дают приемлемый результат;
+   large-v3 деградирует катастрофически при любом int8
+5. **CPU: int8_float32 — лучший баланс** — 1.5x быстрее float32 при том же качестве
+6. **OpenVINO быстрее, но CPU бэкенд качественнее** — разница в pipeline декодирования
+   (temperature fallback, фильтры галлюцинаций), а не в квантизации
+
+## Потенциальные направления развития
+
+### Качественный pipeline для OpenVINO
+
+Сейчас качественный pipeline декодирования (temperature fallback, фильтры галлюцинаций,
+VAD) доступен только через CTranslate2, т.е. на CPU и NVIDIA CUDA. Пользователи Intel Arc
+и AMD Radeon получают скорость OpenVINO, но без защиты от галлюцинаций.
+
+**Решение**: реализовать temperature fallback, compression_ratio и log_prob фильтры
+поверх OpenVINO GenAI WhisperPipeline. Эти эвристики — логика на Python (~50-100 строк),
+не зависящая от inference engine. Это даст Intel Arc / AMD GPU то же качество,
+что сейчас есть только у CUDA-пользователей.
+
+### CUDA: int8_float32 / int8_float16 — протестировано
+
+На CPU `int8_float32` показал качество на уровне float32 при 1.5x ускорении.
+На GPU (RTX 3060) результат другой: для **medium** int8_float32 даёт сопоставимое
+качество, но на 20% медленнее float16 — выигрыша нет. Для **large-v3** любой int8
+вариант (включая int8_float32) вызывает галлюцинации — float32 аккумулятор не спасает
+глубокую модель на GPU. Вывод: **float16 остаётся оптимальным дефолтом для CUDA**.
+
+### NVIDIA Parakeet TDT — проверено, отклонено
+
+Оценивалась гипотеза: multilingual Parakeet TDT 0.6B v3 через `onnx-asr` может обойти
+Whisper medium int8 на x86 CPU. На двух 15-минутных отрывках реальных русских ИТ-встреч
+(Intel i7-11800H) Parakeet показал **2.7x преимущество по скорости** и **-35% RAM**, но
+**качество ниже** — систематическая редукция тихих реплик менти до `Mm-hmm`, вставки
+кусков польского/испанского, сильное искажение ИТ-терминов. Попытка тюнинга Silero VAD
+threshold не помогла — проблема inherent для модели на тихой русской речи.
+
+Код бэкенда не вмержен в master; эксперимент сохранён в ветке
+`feature/parakeet-backend`. Подробности и когда стоит пересмотреть —
+[ADR-005](adr/005-parakeet-evaluation.md).
 
 ## Troubleshooting
 

docs/research-amd-acceleration.md

@@ -1,351 +0,0 @@
-# Исследование: ускорение на AMD Radeon / NPU
-
-**Дата**: 2026-03-23
-**Железо**: AMD Ryzen 7 8845H, Radeon 780M iGPU (RDNA3, 12 CU), XDNA 1 NPU (16 TOPS)
-
-## Мотивация
-
-Бенчмарк ([benchmark-2026-03-23.md](benchmark-2026-03-23.md)) показал: лучшее качество
-даёт CTranslate2 float32/int8_float32, но это 600–880с на 15-минутную запись.
-OpenVINO fp16 быстрее (240с), но теряет качество на русской речи.
-
-Нужен путь: качество float32 + скорость GPU.
-
-## Вариант 1: DirectML (onnxruntime-directml)
-
-### Вердикт: ❌ НЕ рекомендуется
-
-**Блокирующая проблема**: оператор `DecoderMaskedMultiHeadAttention` не реализован
-в DirectML ([Olive#1213](https://github.com/microsoft/Olive/issues/1213), открыт с июня 2024).
-Whisper-декодер fallback-ится на CPU — GPU ускоряет только encoder, выигрыш минимален.
-
-**DirectML в maintenance mode** — Microsoft переключился на Windows ML (WinML).
-Команда DML расформирована, новых операторов не будет. Фикс маловероятен.
-
-**WinML** (замена DirectML) — GA с сентября 2025, но Python-пакет `onnxruntime-winml`
-ещё не доступен. Требует Windows 11 25H2+. Потенциально интересен в будущем.
-
-## Вариант 2: whisper.cpp + Vulkan ✅
-
-### Вердикт: рекомендуется как основной путь
-
-**Почему:**
-- Проверен на AMD Radeon 780M — баг softmax ([#2596](https://github.com/ggml-org/whisper.cpp/issues/2596))
-  исправлен в декабре 2024
-- **3–4x ускорение** vs CPU на Radeon 680M (RDNA2), 780M (RDNA3) должен быть не хуже
-- Весь pipeline внутри: аудио → mel → encoder → decoder → beam search
-- GGUF-модели компактнее ONNX
-- Активная разработка, Vulkan-бэкенд зрелый
-
-**Бенчмарки (чужие, похожее железо):**
-
-| GPU | Модель | Результат |
-|-----|--------|-----------|
-| Radeon 680M (RDNA2) | medium | ~3–4x быстрее CPU |
-| Ryzen 5 4500U (Vega) | medium | 1ч аудио за ~25 мин |
-| Ryzen AI Max+ 395 (Strix Halo) | large-v3-turbo | 1ч20м аудио за ~3 мин |
-
-**Память:** Radeon 780M использует системную RAM. whisper-medium в GGUF ≈ 1.5 ГБ —
-помещается с запасом.
-
-### Интеграция в проект
-
-Новый бэкенд `backends/whisper_cpp.py`, реализующий Backend Protocol:
-
-```
-uv add pywhispercpp    # Python-биндинги к whisper.cpp
-```
-
-Либо Vulkan-сборка whisper.cpp как subprocess (более надёжно,
-но менее удобно для пользователя).
-
-**Зависимость в pyproject.toml:**
-```toml
-# Опциональная, т.к. требует Vulkan-совместимый GPU
-"pywhispercpp>=0.4; sys_platform == 'win32'"
-```
-
-Либо через dependency group:
-```toml
-[dependency-groups]
-vulkan = ["pywhispercpp>=0.4"]
-```
-
-Тогда установка: `uv sync --group vulkan`
-
-**Открытые вопросы:**
-- pywhispercpp собран с Vulkan или нужна своя сборка?
-- Качество GGUF-квантизации vs CTranslate2 float32 — нужен бенчмарк
-- Формат моделей другой (GGUF vs CTranslate2/OpenVINO) — ещё одно скачивание
-
-## Вариант 3: AMD NPU (XDNA)
-
-### Вердикт: ⏳ рано для XDNA 1, перспективно для XDNA 2
-
-**Что есть:**
-- Ryzen AI Software 1.7.0 (февраль 2026) поддерживает 8845H (Hawk Point)
-- [AMD LIRA](https://github.com/amd/LIRA) — CLI для ASR на NPU, поддерживает whisper base/small/medium
-- [AMD-форк whisper.cpp](https://github.com/amd/whisper.cpp) с NPU-бэкендом
-- Pre-квантизированные модели на HuggingFace (`amd/NPU-Whisper-Base-Small`)
-
-**Ограничения на XDNA 1 (8845H):**
-- 16 TOPS — в 3 раза слабее XDNA 2 (50 TOPS)
-- **Только encoder** на NPU, decoder на CPU — ускорение частичное
-- whisper-large-v3 не помещается
-- Установка через отдельный installer AMD, не pip/uv
-- Форк whisper.cpp не в mainline — риск отставания
-
-**Когда станет интересно:**
-- На железе с XDNA 2 (Ryzen AI 300+, 50 TOPS)
-- Когда AMD выпустит pip-пакет или upstreamит в whisper.cpp
-- Для сценариев, где CPU/GPU заняты другой работой
-
-## Сводка
-
-| Подход | Применимость | Ускорение | Сложность | Стабильность |
-|--------|-------------|-----------|-----------|--------------|
-| **whisper.cpp + Vulkan** | ✅ высокая | 3–4x vs CPU | низкая | хорошая |
-| DirectML (onnxruntime) | ❌ заблокирован | — | — | — |
-| AMD NPU (XDNA 1) | ⚠️ ограничен | частичное | высокая | средняя |
-| WinML (будущее) | ⏳ не готов | неизвестно | средняя | — |
-
-## Детали по whisper.cpp + Vulkan
-
-### Модели (GGML .bin формат, НЕ GGUF)
-
-Скачивать с https://huggingface.co/ggerganov/whisper.cpp/tree/main
-
-| Модель | Файл | Размер |
-|--------|------|--------|
-| medium f16 | `ggml-medium.bin` | 1.53 ГБ |
-| medium q8_0 | `ggml-medium-q8_0.bin` | 823 МБ |
-| medium q5_0 | `ggml-medium-q5_0.bin` | 539 МБ |
-| large-v3 f16 | `ggml-large-v3.bin` | 3.1 ГБ |
-| large-v3 q5_0 | `ggml-large-v3-q5_0.bin` | 1.08 ГБ |
-| large-v3-turbo f16 | `ggml-large-v3-turbo.bin` | 1.62 ГБ |
-| large-v3-turbo q8_0 | `ggml-large-v3-turbo-q8_0.bin` | 874 МБ |
-
-### Python-биндинги
-
-**pywhispercpp** (v1.4.1) — pip wheel CPU-only. Для Vulkan нужна сборка из исходников:
-```bash
-GGML_VULKAN=1 pip install git+https://github.com/absadiki/pywhispercpp
-```
-Требует: VulkanSDK, cmake, C++ компилятор.
-
-### Subprocess-подход (альтернатива)
-
-whisper-cli принимает WAV 16kHz mono, выдаёт JSON с таймкодами:
-```bash
-whisper-cli -m ggml-medium.bin -f audio.wav -l ru -oj -of output
-```
-
-Для видео/mp3 нужна предварительная конвертация через ffmpeg (PyAV уже есть в зависимостях).
-
-### Сборка whisper.cpp с Vulkan
-
-```bash
-# Linux/WSL
-sudo apt install cmake build-essential libvulkan-dev
-git clone https://github.com/ggml-org/whisper.cpp
-cd whisper.cpp
-cmake -B build -DGGML_VULKAN=ON -DCMAKE_BUILD_TYPE=Release
-cmake --build build --config Release -j$(nproc)
-# -> build/bin/whisper-cli
-```
-
-## Прототип: whisper.cpp в WSL2 (2026-03-23)
-
-### Сборка
-
-whisper.cpp собран с `-DGGML_VULKAN=ON`, но **Vulkan GPU не обнаружен**:
-
-```
-ggml_vulkan: No devices found.
-whisper_backend_init_gpu: no GPU found
-```
-
-**Причина**: WSL2 не предоставляет Vulkan-доступ к AMD GPU.
-- `/dev/dxg` есть (DirectX 12 paravirtualization), но **dozen** (Vulkan-over-D3D12) драйвер
-  отсутствует в текущей mesa (25.2.8)
-- RADV (нативный Vulkan) не работает — нет `/dev/dri/renderD128`
-- Единственный Vulkan-девайс — `llvmpipe` (CPU-эмуляция), whisper.cpp его игнорирует
-
-Whisper.cpp отработал **на CPU** (4 потока, AVX512).
-
-### Скорость (CPU fallback)
-
-| Параметр | Значение |
-|----------|----------|
-| Модель | ggml-medium.bin (f16, 1533 МБ) |
-| Аудио | 14:41 (881с), русский, 3 участника |
-| Общее время | **886с** |
-| encode | 368с (32 прохода, 11.5с/проход) |
-| batchd (decode) | 424с |
-| Потоки | 4 / 16 |
-| Beam search | 5 beams + best of 5 |
-
-Сравнение с бенчмарком (тот же аудиофайл):
-
-| Конфигурация | Время, с |
-|---|---|
-| OpenVINO fp16 (medium) | ~240 |
-| CT2 int8_float32 (medium) | ~599 |
-| CT2 float32 (medium) | ~881 |
-| **whisper.cpp CPU (medium f16)** | **~886** |
-
-На CPU whisper.cpp ≈ CTranslate2 float32. Без GPU ускорения нет.
-
-### Качество (сравнение с бенчмарком)
-
-#### Техтермины
-
-| Термин | whisper.cpp (CPU) | CT2 f32 | CT2 int8f32 |
-|--------|------------------|---------|-------------|
-| DWH | ✅ DWH | ⚠️ ДВХ | ✅ DWH |
-| Teradata | ✅ TeraData | ⚠️ Тирадату | ✅ Teradata |
-| NiFi | ⚠️ Найфай/Найфаю | ⚠️ Найфай | ✅ NiFi |
-| FineBI | ✅ fineBI/FNBI | ✅ FNBI | ✅ finebi/FNBI |
-| Alation | ✅ Allation | ✅ Allation | ✅ Allation |
-| ETL | ✅ ETL | ✅ ETL | ✅ ETL |
-| DBC Tables V | ✅ DBC tables-V | ✅ | ✅ |
-| OpenLineage | ✅ OpenLinage.io | ✅ OpenLinage.io | ✅ OpenLinage.io |
-
-#### Русская разговорная речь
-
-| Фраза | whisper.cpp (CPU) | CT2 f32 | CT2 int8f32 |
-|-------|------------------|---------|-------------|
-| "на другую мониторочку" | ✅ "на другом мониторчике" | ✅ "мониторчику" | ⚠️ "мою точку" |
-| "верхнеуровневое" | ✅ | ✅ | ✅ |
-| "датарентген" | ✅ "даторентген" | ✅ "даторентген" | ✅ "даторентген" |
-| "девовские схемы" | ✅ | ✅ | ✅ |
-| "с накиданными правами" | ✅ | ✅ | ✅ |
-| "Вьюхи" | ⚠️ "Yuhi" | ✅ "Вьюхи" | ⚠️ "Yuhi" |
-
-#### Структура и пунктуация
-
-| Аспект | whisper.cpp (CPU) | CT2 f32 | CT2 int8f32 |
-|--------|------------------|---------|-------------|
-| Пунктуация | хорошая | хорошая | хорошая |
-| Длина сегментов | 1–10 сек | ~1 мин | ~1 мин |
-
-**Вывод по качеству**: whisper.cpp medium f16 на уровне CTranslate2 float32/int8_float32.
-Качество сопоставимо, различия минимальны. Сегменты короче (1–10 сек vs ~1 мин) —
-это даже лучше для навигации по транскрипту.
-
-### Блокер: Vulkan в WSL2 для AMD
-
-Для получения GPU-ускорения нужно одно из:
-
-1. **Нативный Linux** (dual boot / bare metal) — RADV драйвер работает с Radeon 780M
-2. **Windows-сборка** — нативный Vulkan через AMD Adrenalin драйвер
-3. **WSL2 + dozen** — экспериментальный Vulkan-over-D3D12 драйвер mesa.
-   Статус: [в разработке](https://gitlab.freedesktop.org/mesa/mesa/-/merge_requests?search=dozen),
-   не включён в стандартную mesa Ubuntu.
-   Потенциально можно собрать mesa из исходников с `-Dvulkan-drivers=microsoft-experimental`
-
-**Рекомендация**: попробовать Windows-сборку whisper.cpp — это самый простой путь
-к Vulkan + Radeon 780M. Либо собрать mesa с dozen для WSL2.
-
-## Прототип: whisper.cpp + Vulkan на Windows (2026-03-23)
-
-### Сборка
-
-whisper.cpp собран на Windows с MinGW (MSYS2) + Vulkan:
-```
-cmake -B build-vulkan -G "MinGW Makefiles" -DGGML_VULKAN=ON -DCMAKE_BUILD_TYPE=Release
-```
-
-Vulkan GPU обнаружен:
-```
-ggml_vulkan: Found 1 Vulkan devices:
-ggml_vulkan: 0 = AMD Radeon(TM) 780M (AMD proprietary driver) | uma: 1 | fp16: 1 |
-  warp size: 64 | shared memory: 32768 | int dot: 1 | matrix cores: KHR_coopmat
-```
-
-### Проблема: зацикливание (repetition loop)
-
-Первый запуск (дефолтные параметры): **520с**, но с ~07:00 модель зациклилась
-на фразе "Ну, опять же, они могут завести…" — повторяется ~170 раз до конца записи.
-Потеряна половина транскрипта.
-
-**Причина**: whisper.cpp передаёт контекст предыдущего сегмента в декодер (`-mc -1`),
-что провоцирует repetition loop на длинных записях с паузами/перебивками.
-
-**Решение**: `-mc 0` (не передавать контекст между сегментами).
-
-### Скорость (Vulkan, -mc 0)
-
-| Параметр | Значение |
-|----------|----------|
-| Модель | ggml-medium.bin (f16, 1533 МБ) на Vulkan GPU |
-| Аудио | 14:41 (881с), русский, 3 участника |
-| Общее время | **432с** |
-| encode | 123.5с (35 проходов, 3.5с/проход) |
-| batchd (decode) | 252.7с |
-| Потоки | 4 / 16 |
-
-Сравнение с бенчмарком (тот же аудиофайл):
-
-| Конфигурация | Время, с | Ускорение vs CPU f32 |
-|---|---|---|
-| OpenVINO fp16 (medium) | ~240 | 3.7x |
-| **whisper.cpp Vulkan + Radeon 780M** | **~432** | **2.0x** |
-| **CT2 int8_float32, 8 threads** | **~458** | **1.9x** |
-| CT2 int8_float32, 16 threads | ~498 | 1.8x |
-| CT2 int8_float32, default (4 threads) | ~599 | 1.5x |
-| CT2 float32 / whisper.cpp CPU | ~881-886 | 1.0x |
-
-**Оптимизация потоков**: CTranslate2 по умолчанию использует 4 потока (`cpu_threads=0`).
-На Ryzen 7 8845H (8 ядер / 16 потоков) оптимум — **8 потоков** (по числу физических ядер).
-16 потоков (SMT/hyperthreading) не помогают — контекст-свитчинг нивелирует выигрыш.
-Управление: `OMP_NUM_THREADS=8` или параметр `cpu_threads` в WhisperModel.
-
-CT2 int8_float32 с 8 потоками (**458с**) почти догоняет whisper.cpp Vulkan (**432с**)
-без дополнительных зависимостей.
-
-### Качество (Vulkan, -mc 0)
-
-#### Техтермины
-
-| Термин | whisper.cpp Vulkan | CT2 int8f32 |
-|--------|-------------------|-------------|
-| DWH | ✅ DWH | ✅ DWH |
-| Teradata | ✅ TeraData | ✅ Teradata |
-| NiFi | ⚠️ IFI | ✅ NiFi |
-| FineBI | ✅ FindBI/FineBI/FNBI | ✅ finebi/FNBI |
-| Alation | ✅ Allation | ✅ Allation |
-| ETL | ✅ ETL | ✅ ETL |
-| DBC Tables V | ⚠️ dbc tables v (lowercase) | ✅ DBC Tables V |
-| OpenLineage | ✅ OpenLinage.io | ✅ OpenLinage.io |
-| Вьюхи | ✅ Вьюхи | ⚠️ Yuhi |
-
-#### Русская разговорная речь и пунктуация
-
-Качество сопоставимо с CT2 int8_float32. Пунктуация хорошая в обоих случаях.
-Сегменты у whisper.cpp короче (2-10 сек vs ~1 мин) — удобнее для навигации.
-
-### Вывод
-
-whisper.cpp + Vulkan на Radeon 780M даёт **432с** — всего **28% быстрее** CT2 int8_float32
-(599с). Разница недостаточна, чтобы оправдать сложность интеграции:
-
-- Отдельная сборка whisper.cpp (cmake + MinGW + VulkanSDK)
-- Другой формат моделей (GGML вместо CTranslate2)
-- Workaround `-mc 0` от зацикливания
-- Конвертация в WAV (whisper.cpp не принимает mp4 напрямую)
-- Ещё одна зависимость для пользователя
-
-**CT2 int8_float32 остаётся оптимальным выбором**: уже встроен в проект, zero-config,
-хорошее качество, приемлемая скорость.
-
-## Рекомендуемый план (обновлённый)
-
-1. ~~**Прототип в WSL** — собрать whisper.cpp с Vulkan, прогнать тестовый файл~~ ✅ Сделано
-2. ~~**Качество подтверждено** — whisper.cpp medium f16 ≈ CT2 float32/int8_float32~~ ✅
-3. ~~**GPU-ускорение в WSL2** — Vulkan не видит AMD GPU~~ ✅ Подтверждено
-4. ~~**Windows-сборка с Vulkan** — 432с, 2x vs CPU, но всего 28% vs CT2 int8_float32~~ ✅
-5. **Решение**: whisper.cpp + Vulkan не оправдывает себя на Radeon 780M iGPU.
-   CT2 int8_float32 — оптимальный дефолт для CPU без CUDA.
-6. NPU — отложить до XDNA 2 или до появления pip-пакета от AMD
-7. Пересмотреть при появлении дискретного AMD GPU или WinML с Python-поддержкой

src/local_transcriber/backends/base.py

@@ -30,8 +30,12 @@ class Backend(Protocol):
         model_path: str,
         device: str,
         compute_type: str,
+        cpu_threads: int = 0,
     ) -> Any:
-        """Создаёт модель. Возвращает backend-специфичный объект."""
+        """Создаёт модель. Возвращает backend-специфичный объект.
+
+        cpu_threads: число потоков для CPU inference (0 = дефолт библиотеки).
+        """
         ...
 
     def transcribe(

src/local_transcriber/backends/faster_whisper.py

@@ -84,10 +84,17 @@ class FasterWhisperBackend:
         model_path: str,
         device: str,
         compute_type: str,
+        cpu_threads: int = 0,
     ) -> Any:
-        """Создаёт WhisperModel."""
+        """Создаёт WhisperModel.
+
+        cpu_threads: число потоков для CPU inference (0 = дефолт библиотеки, обычно 4).
+        """
         try:
-            return WhisperModel(model_path, device=device, compute_type=compute_type)
+            return WhisperModel(
+                model_path, device=device, compute_type=compute_type,
+                cpu_threads=cpu_threads,
+            )
         except ImportError as exc:
             if _is_missing_socksio_error(exc):
                 raise RuntimeError(

src/local_transcriber/backends/openvino.py

@@ -106,8 +106,9 @@ class OpenVINOBackend:
         model_path: str,
         device: str,
         compute_type: str,
+        cpu_threads: int = 0,
     ) -> Any:
-        """Создаёт WhisperPipeline."""
+        """Создаёт WhisperPipeline. cpu_threads не используется (OpenVINO управляет сам)."""
         import openvino_genai as ov_genai
 
         ov_dev = self._resolve_ov_device()

src/local_transcriber/cli.py

@@ -61,6 +61,10 @@ def main(
         None, "--compute-type", show_default=False,
         help="Тип вычислений [по умолч.: float16 (CUDA) / int8 (OpenVINO GPU/CPU) / float32 (CPU)]"
     ),
+    threads: int = typer.Option(
+        0, "--threads", "-t", show_default=False, min=0,
+        help="Потоки CPU (0 = дефолт библиотеки; рекомендуется = число физ. ядер)"
+    ),
     verbose: bool = typer.Option(False, "--verbose", "-v", help="Подробный вывод"),
     force: bool = typer.Option(False, "--force", "-f", help="Перезаписать существующие транскрипты"),
 ) -> None:
@@ -89,9 +93,9 @@ def main(
             raise SystemExit(1)
 
         if is_batch:
-            _run_batch(expanded, defaults, verbose, force, ct_explicit)
+            _run_batch(expanded, defaults, verbose, force, ct_explicit, cpu_threads=threads)
         else:
-            _run_single(expanded[0], defaults, output, verbose, ct_explicit)
+            _run_single(expanded[0], defaults, output, verbose, ct_explicit, cpu_threads=threads)
     except KeyboardInterrupt:
         console.print("\nПрервано пользователем.", style="yellow")
         raise SystemExit(130)
@@ -129,6 +133,7 @@ def _run_single(
     output: Path | None,
     verbose: bool,
     compute_type_explicit: bool = False,
+    cpu_threads: int = 0,
 ) -> None:
     """Пайплайн одного файла: валидация → модель → транскрипция → запись."""
     start = time.monotonic()
@@ -148,6 +153,7 @@ def _run_single(
         defaults["model"], resolved_device, defaults["compute_type"],
         on_status=lambda msg: console.print(msg), strict_device=strict,
         compute_type_explicit=compute_type_explicit,
+        cpu_threads=cpu_threads,
     )
     actual_ct = getattr(backend, "actual_compute_type", defaults["compute_type"]) or defaults["compute_type"]
     console.print(
@@ -174,6 +180,7 @@ def _run_single(
             on_segment=on_segment if verbose else None,
             on_status=status.update,
             strict_device=strict,
+            cpu_threads=cpu_threads,
         )
 
     result = tfr.result
@@ -219,6 +226,7 @@ def _run_batch(
     verbose: bool,
     force: bool,
     compute_type_explicit: bool = False,
+    cpu_threads: int = 0,
 ) -> None:
     """Трёхфазный батч-пайплайн: prescan → загрузка модели → транскрипция."""
     # Phase 1: Prescan — fail-fast + skip до загрузки модели (экономим ~2-5 сек)
@@ -256,6 +264,7 @@ def _run_batch(
         defaults["model"], resolved_device, defaults["compute_type"],
         on_status=lambda msg: console.print(msg), strict_device=strict,
         compute_type_explicit=compute_type_explicit,
+        cpu_threads=cpu_threads,
     )
 
     if actual_device == "openvino-gpu" and defaults["model"] != "large-v3":
@@ -306,6 +315,7 @@ def _run_batch(
                     on_segment=on_segment if verbose else None,
                     on_status=status.update if not verbose else lambda msg: console.print(msg),
                     strict_device=strict,
+                    cpu_threads=cpu_threads,
                 )
 
             if tfr.actual_device != actual_device:

src/local_transcriber/transcriber.py

@@ -22,11 +22,13 @@ def load_model(
     on_status: Callable[[str], None] | None = None,
     strict_device: bool = False,
     compute_type_explicit: bool = False,
+    cpu_threads: int = 0,
 ) -> tuple[Any, str, Any, str]:
     """Загружает модель: ensure + create с fallback.
 
     Возвращает (model, actual_device, backend, model_path).
     compute_type_explicit: True если пользователь явно указал --compute-type.
+    cpu_threads: число потоков для CPU inference (0 = дефолт библиотеки).
     """
     backend = get_backend(device, compute_type_explicit=compute_type_explicit)
     actual_device = device
@@ -35,7 +37,7 @@ def load_model(
 
     try:
         _notify_status(on_status, f"Инициализирую модель на {device}...")
-        model = backend.create_model(model_path, device, compute_type)
+        model = backend.create_model(model_path, device, compute_type, cpu_threads=cpu_threads)
         # Резолвим actual_device по реальному OpenVINO device
         ov_dev = getattr(backend, "actual_ov_device", None)
         if ov_dev == "GPU" and actual_device != "openvino-gpu":
@@ -55,7 +57,7 @@ def load_model(
             backend = get_backend("cpu")
             model_path = backend.ensure_model_available(model_name, compute_type, on_status)
             _notify_status(on_status, "Инициализирую модель на cpu...")
-            model = backend.create_model(model_path, "cpu", compute_type)
+            model = backend.create_model(model_path, "cpu", compute_type, cpu_threads=cpu_threads)
         else:
             raise
 
@@ -74,6 +76,7 @@ def _transcribe_file(
     on_segment: Callable[[Segment], None] | None = None,
     on_status: Callable[[str], None] | None = None,
     strict_device: bool = False,
+    cpu_threads: int = 0,
 ) -> TranscribeFileResult:
     """Транскрибирует один файл. При mid-stream fallback перезагружает модель."""
     lang_arg = language if language and language != "auto" else None
@@ -95,7 +98,7 @@ def _transcribe_file(
             backend = get_backend("cpu")
             model_path = backend.ensure_model_available(model_name, compute_type, on_status)
             _notify_status(on_status, "Инициализирую модель на cpu...")
-            model = backend.create_model(model_path, "cpu", compute_type)
+            model = backend.create_model(model_path, "cpu", compute_type, cpu_threads=cpu_threads)
             _notify_status(on_status, "Транскрибирую...")
             result = backend.transcribe(model, file_path, lang_arg, on_segment, on_status)
             result.device_used = actual_device
@@ -120,16 +123,19 @@ def transcribe(
     on_segment: Callable[[Segment], None] | None = None,
     on_status: Callable[[str], None] | None = None,
     strict_device: bool = False,
+    cpu_threads: int = 0,
 ) -> TranscribeResult:
     """High-level API: загрузка модели + транскрипция за один вызов."""
     model, actual_device, backend, model_path = load_model(
         model_name, device, compute_type, on_status, strict_device,
         compute_type_explicit=True,  # Python API — caller explicitly chose compute_type
+        cpu_threads=cpu_threads,
     )
     tfr = _transcribe_file(
         model, actual_device, backend, model_path,
         file_path, model_name, compute_type,
         language, on_segment, on_status, strict_device,
+        cpu_threads=cpu_threads,
     )
     return tfr.result
 

tests/test_backend_openvino.py

@@ -31,7 +31,7 @@ def test_resolve_repo_explicit_unsupported_pair_raises():
     """Явный --compute-type с несуществующей парой → ошибка."""
     backend = OpenVINOBackend(compute_type_explicit=True)
     with pytest.raises(ValueError, match="недоступна с compute_type='fp16'"):
-        backend._resolve_repo("medium", "fp16")
+        backend._resolve_repo("small", "fp16")
 
 
 def test_resolve_repo_explicit_unknown_model_raises():

tests/test_cli.py

@@ -862,3 +862,62 @@ def test_cli_openvino_alias_resolves_to_gpu(tmp_path):
     assert out.exit_code == 0
     # detect_device("openvino") resolved to "openvino-gpu", load_model receives it
     assert mock_load_model.call_args[0][1] == "openvino-gpu"
+
+
+# === --threads ===
+
+
+def test_cli_threads_passed_to_load_model(tmp_path):
+    """--threads передаётся в load_model как cpu_threads."""
+    audio = tmp_path / "test.mp3"
+    audio.write_bytes(b"fake")
+    result = _make_result()
+    model = _make_model()
+    backend = _make_backend()
+    tfr = _make_tfr(result=result, model=model, backend=backend)
+    mock_load_model = MagicMock(return_value=(model, "cpu", backend, "/models/medium"))
+
+    with (
+        patch("local_transcriber.cli.load_config", return_value={}),
+        patch("local_transcriber.cli.validate_input_file", return_value=audio),
+        patch("local_transcriber.cli.detect_device", return_value="cpu"),
+        patch("local_transcriber.cli.load_model", mock_load_model),
+        patch("local_transcriber.cli._transcribe_file", return_value=tfr),
+        patch("local_transcriber.cli.write_transcript"),
+    ):
+        out = runner.invoke(app, [str(audio), "--threads", "8"])
+
+    assert out.exit_code == 0
+    assert mock_load_model.call_args.kwargs["cpu_threads"] == 8
+
+
+def test_cli_threads_default_zero(tmp_path):
+    """Без --threads load_model получает cpu_threads=0."""
+    audio = tmp_path / "test.mp3"
+    audio.write_bytes(b"fake")
+    result = _make_result()
+    model = _make_model()
+    backend = _make_backend()
+    tfr = _make_tfr(result=result, model=model, backend=backend)
+    mock_load_model = MagicMock(return_value=(model, "cpu", backend, "/models/medium"))
+
+    with (
+        patch("local_transcriber.cli.load_config", return_value={}),
+        patch("local_transcriber.cli.validate_input_file", return_value=audio),
+        patch("local_transcriber.cli.detect_device", return_value="cpu"),
+        patch("local_transcriber.cli.load_model", mock_load_model),
+        patch("local_transcriber.cli._transcribe_file", return_value=tfr),
+        patch("local_transcriber.cli.write_transcript"),
+    ):
+        out = runner.invoke(app, [str(audio)])
+
+    assert out.exit_code == 0
+    assert mock_load_model.call_args.kwargs["cpu_threads"] == 0
+
+
+def test_cli_threads_negative_rejected(tmp_path):
+    """--threads с отрицательным значением отклоняется typer (min=0)."""
+    audio = tmp_path / "test.mp3"
+    audio.write_bytes(b"fake")
+    out = runner.invoke(app, [str(audio), "--threads", "-1"])
+    assert out.exit_code != 0

tests/test_transcriber.py

@@ -321,6 +321,34 @@ def test_load_model_returns_backend_and_path(mock_get_backend):
     assert actual_device == "cpu"
 
 
+@patch("local_transcriber.transcriber.get_backend")
+def test_load_model_passes_cpu_threads_to_backend(mock_get_backend):
+    backend = _make_backend(model_path="/mock/model/path")
+    mock_get_backend.return_value = backend
+
+    load_model("tiny", "cpu", "int8", cpu_threads=8)
+
+    assert backend.create_model.call_args.kwargs["cpu_threads"] == 8
+
+
+@patch("local_transcriber.transcriber.get_backend")
+def test_load_model_fallback_preserves_cpu_threads(mock_get_backend):
+    cuda_backend = _make_backend(create_model_error=RuntimeError("CUDA out of memory"))
+    cpu_model = MagicMock()
+    cpu_backend = _make_backend(model=cpu_model, model_path="/mock/cpu/model")
+
+    def backend_for_device(device, **kwargs):
+        return cuda_backend if device == "cuda" else cpu_backend
+
+    mock_get_backend.side_effect = backend_for_device
+
+    with pytest.warns(UserWarning, match="Переключение на CPU"):
+        load_model("tiny", "cuda", "int8", cpu_threads=6)
+
+    assert cuda_backend.create_model.call_args.kwargs["cpu_threads"] == 6
+    assert cpu_backend.create_model.call_args.kwargs["cpu_threads"] == 6
+
+
 # === _transcribe_file() tests ===
 
 
@@ -527,6 +555,36 @@ def test_transcribe_file_openvino_gpu_midstream_fallback(mock_get_backend):
     assert tfr.model_path == "/mock/cpu/model"
 
 
+@patch("local_transcriber.transcriber.get_backend")
+def test_transcribe_file_midstream_fallback_preserves_cpu_threads(mock_get_backend):
+    ov_backend = _make_backend(
+        transcribe_error=RuntimeError("OpenVINO inference error"),
+    )
+    cpu_backend = _make_backend(
+        transcribe_result=_make_result(count=2, device_used="cpu"),
+        model_path="/mock/cpu/model",
+    )
+
+    def backend_for_device(device, **kwargs):
+        return ov_backend if device.startswith("openvino") else cpu_backend
+
+    mock_get_backend.side_effect = backend_for_device
+
+    with pytest.warns(UserWarning, match="Переключение на CPU"):
+        _transcribe_file(
+            model=MagicMock(),
+            actual_device="openvino-gpu",
+            backend=ov_backend,
+            model_path="/mock/ov/model",
+            file_path=Path("test.mp3"),
+            model_name="medium",
+            compute_type="fp16",
+            cpu_threads=6,
+        )
+
+    assert cpu_backend.create_model.call_args.kwargs["cpu_threads"] == 6
+
+
 @patch("local_transcriber.transcriber.get_backend")
 def test_openvino_gpu_strict_device_no_fallback(mock_get_backend):
     """strict_device=True + OpenVINO GPU ошибка → raise."""