Dmitriy Dementiev
7f58a56913
- Зачем: - пользователям нужен читаемый транскрипт без обязательной LLM-обработки. - Что: - моделью ONNX по умолчанию выбрана `gigaam-v3-e2e-rnnt`. - сохранён явный профиль `gigaam-v3` для более точного сырого текста. - обновлены тест, README, спецификация, ADR и benchmark. - Проверка: - `uv run pytest -q` — 226 passed, 1 skipped. - `git diff --check`.
144 lines
15 KiB
Markdown
144 lines
15 KiB
Markdown
# ADR-006: GigaAM RNN-T как модель по умолчанию для ONNX-пути
|
||
|
||
**Статус**: Принято
|
||
**Дата**: 2026-04-25
|
||
**Обновлено**: 2026-08-11
|
||
|
||
## 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.
|
||
|
||
[ADR-005](005-parakeet-evaluation.md) ранее отклонил Parakeet TDT 0.6B v3 для целевого use case на двух 15-минутных файлах с тихим микрофоном менти и плотной IT-терминологией. ADR-006 повторяет эксперимент на новом наборе файлов (22-81 мин, разной громкости), добавляет GigaAM v3 как кандидата для русской речи и проверяет три класса проблем Parakeet из ADR-005 на актуальном материале.
|
||
|
||
## Эксперимент
|
||
|
||
Три реальных русскоязычных записи установочных встреч (формат ментор↔менти, mp4, 22-81 мин), ноутбук с Intel i7-11800H (CPU-only). Сравнивались три CPU-бэкенда:
|
||
|
||
- **gigaam-v3** (onnx-asr GigaAM v3 CTC, int8, monolingual ru, без пунктуации)
|
||
- **parakeet-v3** (onnx-asr Parakeet TDT 0.6B v3, int8, multilingual)
|
||
- **ov-medium** (OpenVINO Whisper medium int8) — baseline
|
||
|
||
Качественная оценка проведена независимым agent-judge'ем по методологии ADR-005 (4 критерия: completeness / term accuracy / fluency / summary utility, шкала 1-5). Транскрипты сохранены в `/mnt/c/ddmitry/Videos/OBS/<basename>.{onnx-gigaam,parakeet-v3,ov-medium}.md` и доступны для верификации.
|
||
|
||
### Скорость
|
||
|
||
| Файл | Длит. | gigaam-v3 | parakeet-v3 --ru | OpenVINO medium |
|
||
|---|---|---|---|---|
|
||
| 10-59-59 | 22:26 | 81с (16.6×) | 116с (11.6×) | 265с (5.1×) |
|
||
| Vasya | 45:51 | 95с (29×) | 138с (20×) | 455с (6×) |
|
||
| 12-02-37 | 1:20:44 | 170с (28.5×) | 251с (19.3×) | 779с (6.2×) |
|
||
|
||
GigaAM в 3-5× быстрее OpenVINO medium, Parakeet в 2.5-3.5× быстрее.
|
||
|
||
### Качество (agent-judge, 1-5)
|
||
|
||
| Файл | Backend | Completeness | Term accuracy | Fluency | Summary utility |
|
||
|------|---------|:-:|:-:|:-:|:-:|
|
||
| 10-59-59 | **gigaam** | **5** | **4** | **4** | **4** |
|
||
| 10-59-59 | parakeet | 4 | 2 | 2 | 2 |
|
||
| 10-59-59 | ov-medium | 3 | 4 | 4 | 2 |
|
||
| Vasya | **gigaam** | 3 | **4** | **4** | **4** |
|
||
| Vasya | parakeet | 2 | 2 | 2 | 2 |
|
||
| Vasya | ov-medium | 2 | 3 | 2 | 2 |
|
||
| 12-02-37 | **gigaam** | 4 | 3 | 3 | **4** |
|
||
| 12-02-37 | parakeet | 3 | 2 | 1 | 1 |
|
||
| 12-02-37 | ov-medium | 2 | 3 | 2 | 1 |
|
||
|
||
GigaAM — единственный backend, дающий summary utility 4/5 на всех трёх файлах. Parakeet и ov-medium систематически уступают по разным причинам (см. ниже).
|
||
|
||
### Класс ошибок: Parakeet — три проблемы из ADR-005 воспроизведены
|
||
|
||
Все три класса систематических ошибок Parakeet, описанные в [ADR-005](005-parakeet-evaluation.md), воспроизводятся на новом наборе файлов:
|
||
|
||
**1. Mm-hmm/Yeah-редукция тихих реплик менти.** Массово на всех трёх файлах:
|
||
- Vasya `[04:56-09:33]` блок из ~10 реплик: `Mm-hmm. Mm-hmm. Mm. That's nice. Mm-hmm. Mm-hmm.` — полностью утеряны ответы менти на вопросы ментора.
|
||
- 10-59-59 `[19:03]` `Yeah. Иногда лучше дышали в облаке`.
|
||
- 12-02-37 `[00:00:01]` `I mean.` вместо «не пони…».
|
||
|
||
**2. Вставки иностранных языков посреди русского.** На этом наборе ещё агрессивнее, чем в ADR-005 (там был только польский):
|
||
- 10-59-59 `[00:08]` `Secondo, Alice. The mutual microphone.` — итальянский+английский для «секунду, Алиса, замьючен микрофон».
|
||
- 10-59-59 `[22:02]` `Ah si va sur. Well.` — испано-французская смесь в финальном прощании.
|
||
- Vasya `[27:31]` `Mas o żegnienie.` — польский в полностью русской встрече.
|
||
- 12-02-37 `[10:38]` `Запроси к Każdemu Actually, таблица классная` — русско-польско-английский в одной фразе.
|
||
- 12-02-37 `[01:03:23]` `No już je wsie.` — польский («ну уже всё»).
|
||
|
||
**3. Искажение IT-терминов и имён компаний:**
|
||
- 10-59-59 `[02:21]` `не Аринадата и не Терринте игра` вместо «Аренадата и Тере-Интегра» (имена работодателей).
|
||
- 10-59-59 `[01:23]` `Запромбанке` (с unk-токенами) вместо «Газпромбанк».
|
||
- 12-02-37 `[02:35]` `Basic space clear cause` вместо «база данных кликхаус».
|
||
- 12-02-37 `[06:12]` `Поскре это не колочный, чтобы это греплан. Ловочная.` — Postgres/Greenplum/«колоночная» искажены до неразборчивости.
|
||
- 12-02-37 `[16:53]` `своеобресть` вместо «Wildberries» — целевой работодатель в задаче, имя потеряно.
|
||
|
||
### Класс ошибок: Whisper medium — галлюцинации на длинных файлах с тихими фрагментами
|
||
|
||
Не описано в ADR-005 (там были 15-минутные отрывки) — обнаружено только на длинных файлах:
|
||
|
||
- 12-02-37 `[01:03:43-01:20:14]` — **17 минут хвоста встречи** забиты галлюцинированными повторами: `«Вместе с вами мы решим, как мы будем работать с вами»`, `«Это не то, чтобы не было»`, `«Выбор? Нет. Выбор? Нет.»`. Бытовая часть встречи целиком потеряна.
|
||
- 12-02-37 `[19:54-20:49]` — 11 повторов `«И вот, как я вам рассказываю, это очень интересно»` вместо реального решения SQL-задачи.
|
||
- Vasya `[10:08-11:59]` — ~6 повторов `«Но если вы хотите, чтобы мы не разговаривали, то вы можете.»` (~2 минуты галлюцинации).
|
||
- Vasya `[36:00-36:30]` — 14 повторов `«Ага. Ага.»` (loop).
|
||
- Vasya `[45:51]` — `«Субтитры сделаны с помощью СМС, аппарата — Лариса.»` — классический Whisper-артефакт «титров».
|
||
- 10-59-59 `[10:56-11:40]` — строка из ~1000 символов `«ааааа…»` — галлюцинация на тихом фрагменте, проглатывает 30 секунд аудио.
|
||
- 12-02-37 `[01:18:47]` — приписан несуществующий человек `«Валерий Сюткин»`.
|
||
|
||
Это критичный класс ошибок: текст выглядит правдоподобно, и читатель конспекта не отличит галлюцинацию от реального содержания без возврата к аудио. Хуже потери — потому что вводит в заблуждение.
|
||
|
||
### Класс ошибок: GigaAM — локальные искажения латиницы и имён
|
||
|
||
GigaAM monolingual ru, латиницу не выдаёт. На транскрипте:
|
||
- `«эскель»`/`«эсквель»` вместо `SQL` (везде кириллицей).
|
||
- `«гитам ардауна»` вместо `git и markdown` (Vasya `[14:14]`).
|
||
- `«арендата»`/`«арендат»`/`«арендода»` для «Аренадата» (10-59-59 `[02:21]`) — три разных варианта одного имени.
|
||
- `«дв один»` вместо `DEV1` (12-02-37 `[00:50:56]`).
|
||
- `«яндекс тим под яндекс тим»` для «Яндекс ТимКод» (12-02-37 `[00:14:15]`).
|
||
|
||
Mm-hmm-редукция и иностранные вставки **не обнаружены**: monolingual архитектура исключает language-confusion, тихие реплики менти остаются как русские «угу/да/ну».
|
||
|
||
Эти ошибки локальны, предсказуемы и легко чинятся LLM-этапом нормализации без знания исходного аудио (восстановить SQL, Greenplum, ClickHouse, имена компаний из контекста).
|
||
|
||
## Решение
|
||
|
||
**Принять onnx-asr как экспериментальный бэкенд с явным `--device onnx`.
|
||
GigaAM v3 E2E RNN-T — модель по умолчанию для русских встреч на CPU.**
|
||
|
||
Бэкенд **не в auto-detect** — только при явном указании пользователем (политика experimental backend, как для openvino).
|
||
|
||
Модели:
|
||
- **`gigaam-v3-e2e-rnnt`** — модель по умолчанию: практически равна обычному
|
||
GigaAM по скорости, немного уступает по WER, но выдаёт готовую пунктуацию для
|
||
пользователей, которые читают транскрипт напрямую.
|
||
- **`gigaam-v3`** — явный профиль для последующей машинной обработки. 17-29×
|
||
RTF, summary utility 4/5 на всех протестированных файлах. Без пунктуации и
|
||
латиницы; ошибки локальны, чинятся LLM-нормализацией.
|
||
- **`parakeet-v3`** — multilingual (25 языков), формально доступен. **Не рекомендуется для русских встреч**: Mm-hmm-редукция и иноязычные вставки воспроизводятся систематически (см. выше). Уместен только для англоязычного контента.
|
||
|
||
Все перечисленные модели доступны в int8-квантизации.
|
||
|
||
## Последствия
|
||
|
||
- Пользователи CPU-only с русскоязычным контентом получают 3-5× ускорение по сравнению с OpenVINO medium **при превосходящем качестве** (4/5 vs 1-2/5 summary utility на длинных файлах).
|
||
- Пользователи ONNX без явного `--model` получают пунктуацию и нормализацию
|
||
RNN-T; более точный сырой CTC остаётся доступен как `--model gigaam-v3`.
|
||
- Whisper medium (`--device openvino-cpu`) **остаётся допустимым** для коротких (≤30 мин) встреч с равномерной громкостью; на длинных файлах с тихими участками он галлюцинирует целыми блоками — этот риск зафиксирован, но решение не выводит OpenVINO из списка дефолтов (часть пользователей всё ещё нуждается в пунктуации, и для коротких файлов галлюцинации не воспроизводятся).
|
||
- Parakeet-v3 формально доступен, но в README рекомендуется только для англоязычного контента — для русского явно не годится.
|
||
- GPU faster-whisper large-v3 остаётся эталоном по качеству (для пользователей с NVIDIA GPU).
|
||
- Пост-процессинг GigaAM-транскрипта LLM-этапом нормализации (восстановление латинских терминов и имён компаний) — рекомендуемая практика для финального конспекта.
|
||
|
||
## Открытые вопросы / следующие шаги
|
||
|
||
- **Galлюцинации Whisper medium на длинных файлах** — отдельный продуктовый риск, требующий собственного исследования. Возможно, имеет смысл ограничить максимальную длину чанка для openvino-medium, или дать предупреждение пользователю.
|
||
- **Canary** (`nemo-canary-1b-v2`) — тяжелее, но multilingual + пунктуация. Кандидат на «лучшее качество за разумную скорость» для тех, кому важна пунктуация.
|
||
- **Auto-detect onnx**: после стабилизации в production-использовании (несколько недель) — рассмотреть включение в auto-detect как первый CPU-бэкенд (ниже CUDA, выше OpenVINO).
|
||
|
||
## Отклонённые альтернативы
|
||
|
||
| Альтернатива | Почему отклонена |
|
||
|---|---|
|
||
| NeMo Parakeet напрямую (без onnx-asr) | 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 |
|
||
| GigaAM как auto-detect default | Экспериментальный бэкенд, политика — не сюрпризить существующих пользователей; включение в auto-detect — после периода стабилизации |
|
||
| Parakeet-v3 как multilingual default | Воспроизведённые проблемы из ADR-005 (Mm-hmm-редукция, иноязычные вставки) делают его непригодным для русского; для других языков не валидировано в этом эксперименте |
|