# Backlog — будущие эксперименты и направления Список открытых направлений, которые имеют смысл, но не реализованы. Каждый пункт содержит обоснование и ссылку на источник (ADR / статья), чтобы при возврате не пришлось воспроизводить контекст с нуля. Когда направление становится в работу — переносится в spec/план или соответствующий ADR. Когда отклоняется — остаётся в backlog с пометкой «отклонено» и причиной (для истории решений). --- ## ASR-бэкенды и модели ### Переоценка CPU-дефолта после обновления `onnx-asr` 0.12 **Промежуточный статус 2026-08-11:** короткая матрица на трёх записях завершена и описана в [benchmark GigaAM и Whisper](benchmarks/2026-08-11-gigaam-model-comparison.md). Multilingual Large добавлена как явный качественный профиль; решение о default по-прежнему ждёт целевого Intel Core i5 и длинных негативных примеров. **Проблема:** текущий CPU-путь через OpenVINO Whisper medium нестабилен на длинных записях с тихими участками: модель генерирует правдоподобные повторы и несуществующий текст. На файле `2026-07-29 13-58-39.mp4` разговор заканчивается примерно на 02:28, после чего OpenVINO создаёт десятки повторяющихся блоков до конца 59-минутной записи. Изолированный тест окна 02:00–03:30 дал одинаковую серию из 14 повторов на `openvino-genai` 2026.0 и 2026.3; обновление движка само по себе проблему не устраняет. Подробнее — в пункте [«Whisper medium галлюцинации»](#whisper-medium-галлюцинации-на-длинных-файлах-с-тихими-фрагментами). **Порядок работы:** 1. Сначала обновить совместимый стек по [исследованию обновлений](research/2026-08-10-engine-model-updates.md): снять ограничение `onnx-asr<0.12.0`, проверить VAD и квантованные модели; OpenVINO и OpenVINO GenAI обновлять согласованно. Не фиксировать ONNX Runtime 1.28 для Python 3.10. Шаг 1 в части onnx-пути вынесен в отдельную работу — [спека «Onnx-каталог, Python 3.13 и границы версий»](specs/2026-08-11-onnx-model-catalog.md): движок обновляется, четыре модели становятся поддерживаемыми, дефолт и OpenVINO не трогаются намеренно, чтобы сохранить точку отсчёта для будущего сравнения. 2. После интеграционных тестов провести сравнительный бенчмарк моделей. Не менять CPU-дефолт только по model card или результату на одном файле. 3. Решение зафиксировать в ADR-007, обновить рекомендации README и только затем менять auto-detect/defaults. **Кандидаты:** - `gigaam-v3-ctc` — текущий baseline для русского CPU. - `gigaam-v3-rnnt` — контекстный декодер без пунктуации. - `gigaam-v3-e2e-ctc` и `gigaam-v3-e2e-rnnt` — варианты с пунктуацией и нормализацией текста. - `gigaam-multilingual-ctc` и `gigaam-multilingual-large-ctc`, добавленные в `onnx-asr` 0.12 — кандидаты для смешанной речи, но не априори для русского дефолта. - OpenVINO medium + VAD — альтернатива смене модели, сохраняющая Whisper и пунктуацию. - Parakeet v3 — контрольный multilingual-вариант, но не кандидат на русский дефолт без новых данных, опровергающих ADR-005/006. **Матрица качества:** - те же три полные записи и четыре критерия agent-judge из [ADR-006](adr/006-onnx-asr-backend.md): completeness, term accuracy, fluency, summary utility; - новый негативный пример `2026-07-29 13-58-39.mp4` с длинной тишиной; - небольшой вручную проверенный набор сложных фрагментов для WER/CER и разбора критичных смысловых ошибок: тихие реплики, имена компаний, латиница и IT-термины, числа, русско-английское переключение; - автоматические проверки потери хвоста, повторов, пустых/нулевых VAD-сегментов и выдуманного текста на тишине. **Матрица производительности:** - обязательный прогон на реальном Intel Core i5 11-го поколения; точный SKU, число ядер, объём RAM, power mode и число потоков записать вместе с результатом; - Ryzen 7 8845H разработчика и ограничение числа потоков использовать только для предварительного smoke-теста, не как приёмку производительности i5; - измерять отдельно cold start/загрузку модели и warm transcription, медиану трёх прогонов, RTFx, peak RSS и размер скачиваемой модели; - короткий 15-минутный фрагмент нужен для итераций, полные записи 22–81 мин — для итогового решения и проверки устойчивости. **Почему интересно:** - **WER 2.6% vs 13.2%** для CTC на сложных текстах — в 5 раз ниже на разговорной речи и доменной лексике (источник: SberDevices / Хабр-публикация GigaAM-v3). - **Контекстный декодер** — структурно решает основную проблему GigaAM-CTC из ADR-006: кириллизация латиницы и искажения имён компаний (`Запромбанк` → `Газпромбанк`, `яндекс тим под яндекс тим` → `Яндекс ТимКод`). RNN-T видит контекст уже сгенерированных токенов и может «дотянуть» имена. - **`v3_e2e_rnnt` с пунктуацией и нормализацией** — закрывает главное ограничение GigaAM-CTC, ради которого в README сейчас стоит fallback на `openvino-cpu medium` (с задокументированными в ADR-006 галлюцинациями на длинных файлах). - **70:30 vs Whisper-large-v3** — GigaAM-v3 (CTC и RNN-T) выигрывает у `large-v3` по LLM-as-Judge (Gemini 2.5 Pro). Если переносится на наш use case — RNN-T на CPU становится сильнее GPU faster-whisper large-v3. - **30% лучше на «новых доменах»** (callcenter-like речь, нестандартные характеристики) — это и есть домен установочных встреч. **Tradeoff:** - Скорость ниже CTC (RNN-T декодинг последовательный). Реалистичная оценка: 10-15× RTF на CPU вместо 17-29× у CTC. Всё ещё в 1.5-2× быстрее Whisper medium. - Размер модели больше (~500 MB int8 против ~300 MB у CTC) — оценка, нужна верификация. **Если подтвердится бенчмарком:** - Если E2E RNN-T сохраняет качество и приемлемую скорость на i5 — сделать его русским CPU-дефолтом, OpenVINO оставить явной опцией. - Если лучший вариант зависит от языка — выбрать language-aware default: GigaAM v3 для русского, multilingual-модель для смешанной речи. - Если модели GigaAM проигрывают по пунктуации/смыслу — сохранить текущий model default и лечить OpenVINO через VAD/качественный pipeline. - Если ни один вариант не проходит порог качества и скорости — не менять дефолт, оставить предупреждения и явный выбор backend. --- ### Canary 1B — multilingual + пунктуация на CPU **Что:** Протестировать `nemo-canary-1b-v2` через onnx-asr на тех же 3 файлах. **Почему:** Multilingual + пунктуация в одной модели. Кандидат на «лучшее качество за разумную скорость» для пользователей, которым нужны и не-русский контент, и пунктуация одновременно. Упомянут в [ADR-006](adr/006-onnx-asr-backend.md#открытые-вопросы--следующие-шаги). **Tradeoff:** Тяжелее GigaAM (~1 GB vs ~300 MB), скорость на CPU ожидаемо ниже. Если RNN-T закроет потребность в пунктуации — Canary становится менее приоритетным. --- ## Качество и устойчивость ### Whisper medium галлюцинации на длинных файлах с тихими фрагментами **Статус:** воспроизведено 2026-08-10. Помимо примеров из [ADR-006](adr/006-onnx-asr-backend.md#класс-ошибок-whisper-medium--галлюцинации-на-длинных-файлах-с-тихими-фрагментами), на записи `2026-07-29 13-58-39.mp4` минимальный тест 02:00–03:30 стабильно получает 14 одинаковых сегментов после окончания речи. На 30-секундном окне только с речью повторов нет. `openvino-genai` 2026.3 и `no_repeat_ngram_size=3` результат не меняют. Корень проблемы — длинные безречевые участки, которые текущий OpenVINO backend целиком передаёт в `WhisperPipeline` без VAD. **Возможные направления:** - Добавить VAD перед OpenVINO WhisperPipeline и сохранить исходные таймкоды — наиболее прямое лечение подтверждённой причины. - Ограничить длину чанка для openvino-medium (chunk_length параметр в WhisperPipeline). - Внедрить `compression_ratio_threshold` / `log_prob_threshold` фильтры через переписывание pipeline (как у CTranslate2). Уже частично описано в [docs/gpu.md «Качественный pipeline для OpenVINO»](gpu.md#качественный-pipeline-для-openvino). - Переключить русский CPU-дефолт на победителя сравнительного GigaAM-бенчмарка. - Предупреждать пользователя при `--device openvino-cpu` для файлов >30 мин. **Приоритет:** высокий — проблема затрагивает текущий OpenVINO CPU-путь, а целевая аудитория включает ноутбуки с Intel Core i5 11-го поколения. GigaAM v3 остаётся рабочей явной альтернативой для русского, но выбор безопасного auto/default требует сравнительного бенчмарка. --- ### Интеллектуальное чанкование длинных файлов по паузам **Что:** Резать длинные файлы на чанки (~90 с) не по фиксированной сетке, а по ближайшей тишине: `ffmpeg -af silencedetect=noise=-40dB:d=0.5` → парсинг stderr → выбор точки разреза в окне ±30 с вокруг целевой границы (с минимальным зазором между разрезами, чтобы не получить нулевые чанки). **Почему:** Разрез посреди слова/фразы портит распознавание на границах чанков; разрез по паузе — нет. Потенциально смягчает класс ошибок Whisper medium на длинных файлах (потеря хвоста, блоки повторов — см. пункт выше): короткие чанки не дают декодеру «уплыть». **Источник:** референсная реализация Parakeet-сервера (Flask, OpenAI-совместимый API), лежавшая в репо как `app.py` в период эксперимента ADR-005/006 (апрель 2026); удалена при чистке 2026-07-09 — рабочие константы: порог -40dB, мин. тишина 0.5 с, окно поиска 30 с, мин. зазор 5 с. **Tradeoff:** дополнительный проход ffmpeg по всему файлу (silencedetect) перед транскрипцией; для часового файла — десятки секунд. --- ### Качественный pipeline для OpenVINO (temperature fallback + фильтры) **Что:** Реализовать temperature fallback, compression_ratio и log_prob фильтры поверх OpenVINO GenAI WhisperPipeline. Эвристики — логика на Python (~50-100 строк), не зависящая от inference engine. **Почему:** Дать Intel Arc / AMD GPU и AMD CPU то же качество, что сейчас есть только у CUDA-пользователей через CTranslate2. Полностью описано в [docs/gpu.md](gpu.md#качественный-pipeline-для-openvino). --- ## Структура транскрипта (конспекты и MoM) Источник раздела: внешнее сравнение локального транскрипта (medium, openvino-cpu, запись 25:59) с облачным сервисом Hypescribe, критерий — пригодность как сырья для конспекта и протокола встречи (GPT-ревью, 2026-07-10). Итог: по смыслу локальная модель почти равна облаку (6.5/10 против 7/10), главный разрыв — **не качество распознавания, а структура**: разделение говорящих (2/10 против 8/10) и нарезка на реплики. Приоритеты ревьюера: 1) смысл, 2) спикеры, 3) техтермины, 4) разбивка на фразы, 5) таймкоды. Вывод: локальная диаризация + словарь терминов закрывают потребность в облачном сервисе для внутренних встреч. Сознательно вне ядра CLI (максимум — рецепт в README): второй проход LLM для чистки текста, сопоставление Speaker N с именами — это работа поверх готового транскрипта. ### 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`. **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):** - **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. **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. --- ### Ручка нарезки абзацев в formatter **Что:** «Минутные простыни» в транскрипте — не свойство модели, а наши константы группировки `_PAUSE_THRESHOLD_S = 2.0` / `_MAX_PARAGRAPH_S = 60.0` в `formatter.py` (сырых сегментов много: 23-минутная запись — 360 сегментов, ~4 с на реплику). Вынести в опцию/конфиг или уменьшить дефолт. **Почему откладывается:** при диаризации абзацы будут ломаться по смене спикера естественно — сначала решить с диаризацией, чтобы не делать ручку, которая устареет. --- ### Словарь замен технических терминов — запасной план **Что:** Пост-обработка текста сегментов словарём замен по границам слов (`CSW → CSV`, `софтп → SFTP`, `ямлик → YAML`, `Spark и Scale → Spark SQL`), словарь пользовательский в `.transcriber.toml`. **Почему запасной:** это тот же класс ошибок, что «кириллизация латиницы и искажение имён» из [ADR-006](adr/006-onnx-asr-backend.md), и первым его должен попробовать закрыть контекстный декодер GigaAM v3 RNN-T (первый пункт бэклога). Заводить словарь — только если бенчмарк RNN-T термины не вытянет. --- ## Авто-детект и UX ### Профили намерения вместо выбора модели **Что:** Вместо `--model gigaam-v3-e2e-rnnt` пользователь выбирает намерение — условные `ru-fast`, `ru-readable`, `mixed`, — а проект разворачивает его в пару модель + квантизация с учётом устройства. **Почему:** Имена onnx-моделей ничего не говорят о том, что получит пользователь, и различие «поддерживаемая модель ≠ рекомендуемая» через них не выражается. **Почему откладывается:** профиль осмыслен, когда известно, какой профиль чем закрывается — то есть после сравнительной оценки. Введение понятия раньше данных закрепит догадку в интерфейсе. Источник: [спека «Onnx-каталог, Python 3.13 и границы версий»](specs/2026-08-11-onnx-model-catalog.md). --- ### Включение `onnx` в `--device auto` **Что:** После периода стабилизации `--device onnx` (несколько недель production-использования без жалоб) — рассмотреть включение в auto-detect chain. **Порядок в chain (предложение):** CUDA → onnx (если CPU x86_64) → OpenVINO → CPU. **Почему откладывается:** политика experimental backend — не сюрпризить существующих пользователей до накопления опыта. Источник: [ADR-006](adr/006-onnx-asr-backend.md#решение). --- ## Отклонённые направления *(пока пусто — добавлять сюда то, что попробовали и решили не делать, с причиной)*