Распознавание речи в переговорной: система различает 5 человек одновременно
Инженеры применили метод вектор-квантованного разложения аудиосигнала для разделения голосов по источникам. Система обучена на корпусе записей встреч, где голоса намеренно накладываются, и на синтетических данных с контролируемой интерференцией.
На входе система получает монофонический или стереофонический поток с несколькими говорящими, на выходе выдаёт транскрипцию каждого с временными метками и идентификатором говорящего. Точность атрибуции составляет 92% на стандартных встречах.
Применение в корпоративной среде
Система внедряется в платформы для проведения онлайн-встреч и в системы архивирования корпоративных переговоров. Записи теперь можно быстро индексировать по автору реплики и по времени высказывания.
Технология обрабатывает речь с латентностью 1–2 секунды, что позволяет использовать её в реальном времени для формирования протоколов встреч. Параллельное улучшение шумоподавления позволило достичь 92% точности даже в помещениях с фоновым шумом на уровне 60 дБ.
Ограничение текущей версии — корректная работа только для русского и английского языков; расширение на другие языки запланировано на следующий квартал. Корпорации уже используют систему для автоматизации подготовки деловых записок и учёта обсуждённых решений.