УДК 004.8
МЕТОДИКА ПОСТРОЕНИЯ И ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АВТОНОМНОЙ СИСТЕМЫ ТРАНСКРИБАЦИИ АУДИОЗАПИСЕЙ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ
М. А. Полозов, бакалавр, Воронежский государственный университет инженерных технологий, Воронеж, Россия;
orcid.org/0009-0000-5020-6785, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Л. А. Коробова, к.т.н., доцент, ООО «Компания «Технопарк-В», Воронеж, Россия;
orcid.org/0000-0003-1349-732X, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
И. С. Толстова, к.т.н., Воронежский государственный университет инженерных технологий, Воронеж, Россия;
orcid.org/0000-0002-2804-3067, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Статья посвящена актуальной проблеме автоматического распознавания речи (ASR). В условиях цифровой трансформации и роста объёмов аудиоданных в корпоративной среде ощутимо возрастает потребность в эффективных решениях для автоматической транскрибации. Цель рабо-ты – разработать методику построения автономной системы автоматической транскрибации аудиозаписей и реализовать ее в виде модульного программного решения на основе гибридной клиент-серверной архитектуры с интеграцией нейросетевых моделей распознавания речи, диаризации и локальной языковой модели (LLM). Задачи исследования включают сравнительный анализ систем транскрибации, обоснование методики многоэтапного конвейера обработки аудиосигналов, разработку алгоритмов программного решения и экспериментальные исследования качества распознавания и масштабируемости системы. Предлагаемая методика определяет последовательность обработки аудиосигнала, состав и взаимодействие функциональных модулей. Программная реализация системы выполнена на основе языков программирования C# и Python с интеграцией нейросетевых моделей Whisper (транскрибация), pyannote.audio (диаризация) и GPT-oss (постобработка текста). Система реализует многоэтапный пайплайн обработки аудио: подавление шума, сегментация по спикерам, распознавание речи, форматирование результата. Развёртывание осуществляется через Docker/Kubernetes, что обеспечивает масштабируемость и изоляцию компонентов. Экспериментальная оценка точности на контрольном аудиофрагменте показала значения метрик WER 7 % и CER 3 %, что соответствует критериям высокого качества распознавания. Ключевые преимущества решения: полная локальность обработки данных, открытая архитектура, гибкость интеграции, масштабируемость. Разработанная система представляет собой эффективное программное решение для автоматизации обработки аудиозаписей в корпоративной среде, сочетающее точность современных нейросетевых моделей с полной локальностью и независимостью от сетевой инфраструктуры. Подробно описаны пайплайн обработки, работа серверов и взаимодействие их частей между собой. Приведены результаты контрольных тестов, проведенных для оценки точности работы системы. Выделены основные преимущества разработанной системы.
Ключевые слова: методика построения системы, нейросетевые модели, распознавание речи, автоматическая расшифровка аудиозаписей, диаризация, транскрибация, гибридная архитектура, локальная обработка, корпоративная безопасность.