ddadmin
53142fd341
- Зачем: - задокументировать результаты сравнения gigaam-v3 vs OpenVINO на CPU. - Что: - таблица скорости по 3 файлам (3-5x ускорение). - сравнение качества русской речи с GPU faster-whisper. - решение: оставить бэкенд как экспериментальный (--device onnx). - Проверка: - просмотр docs/adr/005-onnx-asr-backend.md.
62 lines
4.3 KiB
Markdown
62 lines
4.3 KiB
Markdown
# ADR-005: onnx-asr бэкенд (Parakeet / GigaAM) — эксперимент и решение
|
||
|
||
**Статус**: Принято
|
||
**Дата**: 2026-04-25
|
||
|
||
## Контекст
|
||
|
||
Целевая аудитория `local-transcriber` — пользователи с Intel iGPU / CPU, без дискретного NVIDIA GPU.
|
||
Существующие CPU-бэкенды (faster-whisper, OpenVINO) дают 0.5-6x RTF для средних моделей — транскрипция часовой записи занимает 10-120 минут.
|
||
|
||
[onnx-asr](https://github.com/istupakov/onnx-asr) — легковесная обёртка (onnxruntime + numpy) над ONNX-моделями Parakeet, GigaAM, FastConformer и Canary. Заявляет 30-90x RTF на CPU при сравнимом с Whisper качестве для русского языка.
|
||
|
||
## Эксперимент
|
||
|
||
Проведено сравнение на трёх реальных русскоязычных записях встреч (22-81 мин, mp4), ноутбук с Intel i7-11800H (CPU-only).
|
||
|
||
Сравнивались: **onnx-asr GigaAM v3 CTC** (int8, CPU) против **OpenVINO Whisper medium** (int8, CPU). Эталон — faster-whisper large-v3 на RTX 3060 (GPU).
|
||
|
||
### Результаты
|
||
|
||
| Файл | Длит. | gigaam-v3 (CPU) | OpenVINO medium (CPU) | Ускорение |
|
||
|------|-------|-----------------|----------------------|-----------|
|
||
| 10-59-59 | 22:26 | 81с (16.6×) | 265с (5.1×) | **3.3×** |
|
||
| Vasya | 45:51 | 95с (29×) | 455с (6×) | **4.8×** |
|
||
| 12-02-37 | 1:20:44 | 170с (28.5×) | 779с (6.2×) | **4.6×** |
|
||
|
||
### Качество (русская речь, файл 12-02-37)
|
||
|
||
| Модель | Пунктуация | Читаемость | Контекст |
|
||
|--------|-----------|-----------|----------|
|
||
| GPU f-whisper large-v3 | ✅ | Отлично | ✅ |
|
||
| **GigaAM v3 CTC (CPU)** | ❌ | Хорошо | ✅ |
|
||
| OpenVINO medium (CPU) | ✅ | Хорошо | ✅ |
|
||
|
||
GigaAM v3 не расставляет знаки препинания, но контекст разговора полностью сохраняется — пригоден для конспектирования и дальнейшей LLM-обработки. VAD даёт более дробные сегменты (удобнее для навигации). Английскую речь не понимает (модель обучена только на русском).
|
||
|
||
## Решение
|
||
|
||
**Оставить onnx-asr как экспериментальный бэкенд.** Доступен через `--device onnx`, не в цепочке авто-детекта.
|
||
|
||
Модели:
|
||
- `gigaam-v3` — по умолчанию для `--device onnx`. Русский, 4.7% WER, 17-29x RTF на CPU.
|
||
- `parakeet-v3` — мультиязычный fallback (25 языков, включая русский). 11% WER, 34x RTF.
|
||
|
||
Обе модели в int8-квантизации (~300 MB, минимальная потеря качества).
|
||
|
||
## Последствия
|
||
|
||
- Пользователи CPU получают 3-5x ускорение для русской речи по сравнению с OpenVINO
|
||
- Пунктуация отсутствует (GigaAM не обучен её ставить) — приемлемо для конспектирования
|
||
- Мультиязычные записи требуют `--model parakeet-v3`
|
||
- Бэкенд не в авто-детекте — пользователь должен явно указать `--device onnx`
|
||
- В будущем: добавить parakeet-v3 в авто-детект для мультиязыка, рассмотреть Canary для лучшего качества
|
||
|
||
## Отклонённые альтернативы
|
||
|
||
| Альтернатива | Почему отклонена |
|
||
|---|---|
|
||
| NeMo Parakeet напрямую | Требует PyTorch + CUDA, Python ≥ 3.12, ~2 GB зависимостей — слишком тяжело для CLI |
|
||
| Замена faster-whisper на onnx-asr | faster-whisper поддерживает 99+ языков и пунктуацию, остаётся лучшим GPU-бэкендом |
|
||
| Интеграция в авто-детект | Экспериментальный бэкенд, не хотим сюрпризов у пользователей |
|