2026-08-14 17:19:15 +03:00
3 changed files with 35 additions and 27 deletions
@@ -33,7 +33,7 @@ _Avoid_: Токен, ASR-сегмент
 _Avoid_: Результат диаризации, сегменты говорящих
 **Голосовой кластер**:
-Анонимная группа интервалов разметки говорящих, которые диаризатор относит к одному голосу. Не равен подтверждённому участнику встречи: ложный или малый кластер сохраняет отдельную метку.
+Анонимная группа интервалов разметки говорящих, которые диаризатор относит к одному голосу. Не обязательно соответствует реальному участнику встречи: диаризация может создать ложный или малый кластер.
 _Avoid_: Участник, человек
 **Реплика говорящего**:
@@ -28,6 +28,12 @@ WeSpeaker ResNet34 LM проверена на трёх записях с изв
 19,1 секунды; поэтому малые кластеры нельзя молча отбрасывать, а разметку нельзя
 считать эталоном точных границ и перекрывающейся речи.
 Двуязычная CAMPPlus zh/en оказалась примерно на 30% быстрее и при известном
 числе участников улучшила прокси-метрику на двух записях, но для неё не нашлось
 общего автоматического порога без лишних кластеров или склейки реальных голосов.
 Поэтому она остаётся кандидатом только для будущего режима с обязательным
 явным числом участников, а не для первой версии.
 На доступном слабом Intel baseline, Core i7-6820HQ с урезанным питанием,
 последовательные ASR и диаризация обработали час записи примерно за 23 минуты.
 Диаризация увеличивает полное время примерно в 2,4 раза, но остаётся быстрее
@@ -54,18 +60,14 @@ ASR-бэкенд приводит свой результат к общему н
 объединяет соседние слова одного говорящего в реплики. Распознавание по-прежнему
 выполняется на полных сегментах и сохраняет контекст модели.
-Первая реализация последовательна на всех устройствах: ASR, диаризация,
+Диаризация не вводит грубый fallback на целый сегмент и не переключает
-сведение, Markdown. В батче один диаризатор создаётся после prescan,
+устройство ASR ради получения пословных таймкодов. Существующий GPU→CPU fallback
-переиспользуется для всех файлов и освобождается вместе с командой. Разметка
+распознавания сохраняется и завершается до диаризации. Отсутствие пословных
-говорящих живёт только в памяти текущего запуска; постоянного кеша результата
+таймкодов или ошибка инициализации диаризатора останавливают запуск до ASR.
-нет.
+Ошибка диаризации конкретного файла после успешного ASR не уничтожает полезный
-
+результат: сохраняется обычный транскрипт с явным предупреждением и ненулевым
-Грубого fallback на целый сегмент и автоматического переключения устройства
+статусом, а батч продолжает остальные файлы. Порядок первой реализации, время
-нет. Отсутствие пословных таймкодов или ошибка инициализации диаризатора
+жизни диаризатора, кеш и подробная матрица поведения находятся в
 останавливают запуск до ASR. Ошибка диаризации конкретного файла после успешного
 ASR не уничтожает полезный результат: сохраняется обычный транскрипт с явным
 предупреждением и ненулевым статусом, а батч продолжает остальные файлы.
 Подробная матрица поведения находится в
 [спецификации](../specs/2026-08-14-speaker-diarization.md).
 ## Последствия
@@ -57,13 +57,15 @@
 слова нормализуются в адаптере бэкенда; их обратная сборка должна сохранять
 распознанный текст с точностью до нормализации пробелов.
-Результат диаризации — отдельная упорядоченная разметка говорящих: временные
+Разметка говорящих хранится отдельно от результата ASR: это упорядоченные
-интервалы с анонимным идентификатором голосового кластера. ASR-бэкенд не знает о
+временные интервалы с анонимным идентификатором голосового кластера. ASR-бэкенд
-кластерах, а диаризатор не знает о распознанном тексте.
+не знает о кластерах, а диаризатор не знает о распознанном тексте.
-Операция сведения назначает слову кластер с наибольшим временным перекрытием.
+Операция сведения суммирует временное перекрытие слова с интервалами каждого
-Если пересечения нет либо наибольшее перекрытие не единственно, слово получает
+кластера и назначает кластер с единственным наибольшим ненулевым перекрытием.
-неизвестного говорящего. Соседние слова одного говорящего объединяются в
+Если пересечения нет либо несколько кластеров делят наибольшее значение, слово
 получает неизвестного говорящего: порядок кластеров не используется как
 искусственная развязка ничьей. Соседние слова одного говорящего объединяются в
 реплику; порядок слов и исходная временная шкала не меняются.
 Все три ASR-пути обязаны предоставлять пословный контракт до включения
@@ -105,12 +107,14 @@
 - Pyannote segmentation 3.0;
 - WeSpeaker ResNet34 LM;
- `FastClusteringConfig.threshold = 0.89`;
+- порог кластеризации 0,89;
 - автоматическое число кластеров.
-`--speakers N` передаёт явное число кластеров вместо автоматического. Малый
+`--speakers N` передаёт явное число кластеров вместо автоматического. Для
-кластер — кластер с речью короче максимума из 5 секунд и 2% длительности записи.
+предупреждения используется диагностическая граница из калибровки: малым
-Он не отбрасывается и получает обычный номер, но вызывает предупреждение.
+считается кластер с речью короче максимума из 5 секунд и 2% длительности записи.
 Граница влияет только на предупреждение — кластер не отбрасывается, получает
 обычный номер и не меняет статус команды.
 ## Формат Markdown
@@ -122,8 +126,9 @@
 [09:18] Speaker 2: Мне гораздо проще накатывать обновления…
 ```
- Печатается только начало реплики, округлённое до целой секунды. Для записей
+- Печатается только начало реплики; доли секунды отбрасываются, а не округляются
-  длиннее часа используется `[HH:MM:SS]`, иначе `[MM:SS]`.
+  (`09:07.96` → `[09:07]`). Для записей длиннее часа используется
  `[HH:MM:SS]`, иначе `[MM:SS]`.
 - Метка `Speaker N` не получает Markdown-выделение.
 - Нумерация начинается заново для каждого файла; номера назначаются по порядку
  первого появления кластера в словах транскрипта.
@@ -164,9 +169,10 @@
 - Адаптер каждого ASR-бэкенда возвращает монотонные слова с временной
  привязкой; сборка слов сохраняет текст сегментов с точностью до пробелов.
 - Сведение покрывает смену говорящего, отсутствие пересечения, равное
-  перекрытие, пунктуацию на границе реплик и хронологический порядок.
+  наибольшее перекрытие с результатом `Speaker ?`, пунктуацию на границе реплик
  и хронологический порядок.
 - Форматтер проверяется для обычных, часовых, неизвестных и малых кластеров,
-  `Speaker ?`, паузы 2 секунды и предела 60 секунд.
+  `Speaker ?`, отбрасывания долей таймкода, паузы 2 секунды и предела 60 секунд.
 - CLI проверяет несовместимые и граничные значения, не запускает ASR при ошибке
  preflight и соблюдает всю матрицу деградации в single- и batch-режимах.
 - Батч создаёт диаризатор ровно один раз, пропускает его для пустого ASR,