SCRIBE — локальная транскрибация без облаков

Проблема

Диктовка и расшифровка записей обычно означает «отправить звук в чужое облако». Для чувствительных данных это неприемлемо: разговор с клиентом, планёрка с цифрами, интервью с сотрудником — всё это не должно покидать периметр. А расшифровывать руками долго: час записи — это час работы конспектом.

Архитектура

Распознавание речи и языковая модель работают на том же компьютере, где лежат записи. Диктовка живёт в меню-баре (зажал клавишу — говоришь — текст вставился в активное поле), записи и голосовые — в локальном веб-сервисе. Телефон подключён штатным диктофоном: заметка, наговоренная где угодно, сама появляется в списке; интерфейс сервиса открывается и с телефона — по шифрованному каналу между своими устройствами, наружу порт не выставлен.

Решение

• Диктовка: системная, в любое поле ввода, по удержанию клавиши.
• Записи встреч: файл → транскрипт с таймкодами → три разных пересказа на выбор.
• Голосовые с телефона: наговорил в диктофон — на компьютере отметил нужные галочками. Несколько голосовых можно склеить в одну запись: разговор, который продолжился на следующий день, собирается в один документ.
• Четыре жанра одного разговора — потому что вопросы к записи разные. «Что решили» и «о чём вообще шла речь» требуют разного текста, а «кто что сказал дословно» — третьего.
• Система настроена на язык конкретной компании: названия продуктов, систем и городов не превращаются в похожие по звучанию слова, а имена и термины пишутся так, как принято внутри.
• Задачи из разговора: система выписывает, что кто-то собирался сделать, и предлагает исполнителя — человека или робота. Дальше только вручную: отметил нужные, поправил формулировку, выбрал адресата, отправил. Автоматической отправки нет намеренно — список задач ценен своей достоверностью, а мусор, заведённый автоматом, это доверие убивает.
• Видно, чем сделан каждый результат: имя модели стоит рядом с документом. Вышла новая — пересобрать можно одной кнопкой, причём выборочно: например, переписать протокол, оставив транскрипт нетронутым.
• Принцип: звук и текст не покидают компьютер — приватность по построению.

Честно про ограничения

• Разбор длинной записи — это минуты, а не мгновение: час разговора обрабатывается около одиннадцати минут, и компьютер в это время занят.
• Список задач — черновик, а не готовый план. Система уверенно берёт крупное и пропускает мелочи, поэтому итоговый список всегда вычитывает человек.
• Качество расшифровки зависит от записи: на шумном фоне и при перебивках оно падает так же, как у любого распознавания.