Dmitriy DementievandClaude Fable 5
5a7fc0d613
- Зачем: - внешнее сравнение с облачным Hypescribe показало: главный разрыв локальной транскрипции — не качество распознавания, а структура (спикеры 2/10 против 8/10); без диаризации MoM не собрать. - Что: - новый раздел «Структура транскрипта»: диаризация как опциональный пост-процессинг (sherpa-onnx vs pyannote, нужен ADR), ручка нарезки абзацев в formatter, словарь замен терминов как запасной план после бенчмарка RNN-T. - зафиксировано вне ядра CLI: LLM-чистка и сопоставление имён спикеров. - Проверка: - docs-only, тесты не затронуты. Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
171 lines
14 KiB
Markdown
171 lines
14 KiB
Markdown
# 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
|
||
|
||
### GigaAM v3 RNN-T — потенциальная замена CTC-дефолта для `--device onnx`
|
||
|
||
**Что:** Прогнать `gigaam-v3-rnnt` (или `v3_e2e_rnnt` если доступен через onnx-asr) по той же методологии, что и в [ADR-006](adr/006-onnx-asr-backend.md): 3 файла × agent-judge × 4 критерия.
|
||
|
||
**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:**
|
||
|
||
- Дефолт в `--device onnx` меняется с `gigaam-v3-ctc` на `gigaam-v3-rnnt`.
|
||
- `openvino-cpu medium` уходит из рекомендаций для русского.
|
||
- Формулировка «GPU faster-whisper large-v3 — эталон» в README может стать неточной.
|
||
- Пишется ADR-007 с переоценкой дефолта.
|
||
|
||
**Уточнить перед запуском:** какой именно вариант RNN-T доступен в onnx-asr (`gigaam-v3-rnnt` без пунктуации vs `v3_e2e_rnnt` с пунктуацией). Проверить через `huggingface_hub` listing для `istupakov/gigaam-v3-onnx`.
|
||
|
||
---
|
||
|
||
### 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
|
||
|
||
**Что:** Воспроизвести и зафиксировать класс ошибок: `12-02-37` теряет 17 минут хвоста, `Vasya` имеет 5-минутные блоки повторов, появляются несуществующие имена (`Валерий Сюткин`). Источник: agent-judge в [ADR-006](adr/006-onnx-asr-backend.md#класс-ошибок-whisper-medium--галлюцинации-на-длинных-файлах-с-тихими-фрагментами).
|
||
|
||
**Возможные направления:**
|
||
|
||
- 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).
|
||
- Предупреждать пользователя при `--device openvino-cpu` для файлов >30 мин.
|
||
|
||
**Приоритет:** средний — пока есть `gigaam-v3` как альтернатива для русского. Критично, если openvino остаётся единственным вариантом для пунктуации (отпадает после теста RNN-T).
|
||
|
||
---
|
||
|
||
### 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
|
||
|
||
### 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)*
|