local-transcriber/docs/backlog.md

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

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».

Порядок работы:

1. Сначала обновить совместимый стек по исследованию обновлений: 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.
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: 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.

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, 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».
• 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.

---

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, 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.

---

Отклонённые направления

(пока пусто — добавлять сюда то, что попробовали и решили не делать, с причиной)