#распознавание_речи — Public Fediverse posts

Учёт трат, который не бросаешь через неделю: Telegram‑бот, которому хватает «продукты 500»

Признаюсь сразу: учёт расходов у меня умирал пять раз. Таблица в Google продержалась девять дней. Первое приложение прожило месяц, второе две недели. Потом был бот с кнопками, где на одну шаурму уходило шесть нажатий. Где‑то между «выберите категорию» и «укажите дату» шаурма заканчивалась, а вместе с ней и желание что‑то записывать. На шестой раз получился бот, которому достаточно написать «продукты 500, колёса 2000, вчера такси 300». Он сам разложит траты по категориям, поймёт «вчера», расшифрует голосовое и прочитает фото чека. Базовый учёт бесплатный. Посмотреть, как это работает

https://habr.com/ru/articles/1097738/

#python #распознавание_речи #личные_финансы #telegramбот #aiogram #vue_3 #llm #telegram_mini_app #учет_расходов #распознавание_чеков

Бесплатная расшифровка без облака: черновик субтитров сразу во встречу, чистовик после встречи в хорошем качестве

Бесплатная расшифровка без облака: черновик субтитров сразу во встречу, чистовик после встречи в хорошем качестве В прошлой части я выяснил, что модель T-one даёт живые субтитры с задержкой около секунды, но не ставит точки и заметно уступает облаку. В этот раз я поставил за ним вторую модель: после звонка GigaAM переписывает черновик начисто. На 2 ч 21 мин моих рабочих созвонов чистовик исправил 11,9% слов черновика и испортил 1,5%, а на записи, которую я переслушал вручную, вышел на уровень Deepgram. По дороге выяснилось, что эталон ошибался в каждом четвёртом спорном месте, а каскад со второй моделью, который хорошо работал у коллеги, у меня сделал только хуже. Внутри схема двух проходов, таблицы, расчёт денег и описание с ссылками в репо, чтобы повторить.

https://habr.com/ru/articles/1096758/

#распознавание_речи #транскрибация #расшифровка_встреч #gigaam #сезон_код_будущего #tone

Поселил ИИ-агента в чёлку макбука: он слушает мой день и раздаёт задачи сессиям Claude Code

У меня есть ИИ-агент Андреич. Он берёт трубку на моей телефонной линии, отвечает в чате на сайте и сидит в Telegram. На днях он переехал ещё и в вырез экрана макбука, который в народе зовут чёлкой. Там он стал пушистым 3D-енотом. Слушает меня весь день, ведёт протокол, вытаскивает из болтовни задачи и по моему «ок» отправляет их в нужную сессию Claude Code. Заодно показывает, сколько недельного лимита подписки можно потратить сегодня. Приложение открытое, лицензия MIT. Внутри Swift без Xcode и three.js, около 4900 строк. От первой просьбы до публикации на GitHub прошли сутки, и весь код написан в диалоге с Claude Code. Руками я не правил ни строчки. Ниже о том, как оно устроено, и о трёх местах, где я наступил на грабли. Самые дорогие из них стоили мне часа записи: распознавание речи отвалилось молча, а микрофон продолжал гореть.

https://habr.com/ru/articles/1097006/

#open_source #macos #распознавание_речи #swift #threejs #notch #telegramбот #ииагент #claude_code #sfspeechrecognizer

Сеня девелопер уходит → CNER Developer приходит: как мы дообучили GigaAM-v3

Наша программа для диктовки Glas работает на GigaAM-v3. С обычной русской речью модель справлялась хорошо, а на IT-терминах спотыкалась. Docker превращался в «докер», Python — в «Пайтон». Иногда исчезали целые слова: живую фразу «Мой ИИ редко ошибается» модель записала как «Мои редко ошибается». Мы дообучили рабочую модель на 25 часах живой речи. На 525 отложенных коротких записях WER снизился с 8,81% до 5,76% — примерно на 35% относительно исходного значения. Доля правильно написанных терминов выросла с 43,8% до 86,7%. Скорость почти не изменилась. Это версия 0.01, пока бета. Есть и ухудшения: модель чаще пропускает слова, а на обычной речи хуже воспроизводит регистр и пунктуацию. К тому же тест размечен тем же автоматическим конвейером, что и обучение, с выборочной ручной проверкой. Часть выигрыша может объясняться совпадением стиля разметки.

https://habr.com/ru/articles/1095524/

#распознавание_речи #asr #whisper #speechtotext #wer #finetuning #разметка_данных #дообучение #gigaam #rnnt

Его мы делаем все вместе

Привет, Хабр! С первой статьи про Гига Писаря прошло чуть больше месяца, пора подвести итоги. За это время мне пришла масса сообщений: в комментариях, на почту, в issues на GitHub. Особенно приятно, что люди прямо включились. Кто-то присылал пулреквесты, кто-то свои идеи, очень многие находили баги, и мы всё это правили. Получается, что Писаря мы делаем все вместе, коллективно. И я вам за это очень благодарен. Это не только приятно: один я бы никогда столько не предусмотрел, у каждого свой компьютер, свой микрофон, свои программы, и сломаться может где угодно. Немного цифр: - порядка 40 человек написали в issues или прислали пулреквест, 20 ваших пулреквестов вошли в Писаря; - у маковской версии сейчас 103 звезды на GitHub, в сентябре было 47; версию для Windows скачали около 3 тысяч раз, примерно столько же Android и примерно 1000 писарей стоит на маках.

https://habr.com/ru/companies/gigapisar/articles/1096452/

#open_source #windows #macos #android #распознавание_речи #голосовой_ввод #google_play #диктовка #gigaam #гига_писарь

Транскрибация аудио в текст бесплатно и без облаков: почему мне не хватило одной модели

Я провожу существенную часть рабочего дня на встречах и обсуждениях. Когда родился ребёнок и начались бессонные ночи, я стал упускать детали. Какой срок назвали? Кто обещал вернуться с ответом? О чём мы в итоге договорились? Так началась история Рекордера . Сначала я собирался купить готовое приложение. Потом стал сравнивать Whisper, Parakeet и GigaAM. В итоге проверил 32 конфигурации распознавания и собрал каскад из двух моделей: одна даёт основу текста, другая исправляет неточности. На моих записях это исправило каждую пятую ошибку ( WER упал с 27,0% до 21,7%). Из экспериментов получилось бесплатное приложение для Mac, которое записывает встречи и переводит аудио и видео в текст локально. Расскажу, как выбирал модели, что измерял и какие очевидные решения не сработали. В статье есть промт для агента, чтобы собрать всё самому .

https://habr.com/ru/articles/1095512/

#macos #распознавание_речи #аудио_в_текст #whisper #транскрибация #расшифровка_аудио #видео_в_текст #parakeet #расшифровка_встреч #gigaam

Открытые модели против облака: T-one, GigaAM или Deepgram: что реально тянет обычный CPU для живых субтитров в звонке

Открытые модели против облака: T-one, GigaAM или Deepgram: что реально тянет обычный CPU для живых субтитров в звонке Мне понадобились живые субтитры на русском в звонке один на один, и я захотел уйти с облачного Deepgram на свой сервер. Поставил стенд и прогнал T-one от Т-Банка, GigaAM от Сбера и Vosk на обычном CPU, на колл-центре и на получасовой живой сессии. Главный вывод оказался не про модели: один и тот же код на двух серверах с похожим числом ядер дал разницу в ёмкости в разы. Внутри замеры качества и задержки, грабли, расчёт окупаемости и открытый код стенда с зондом, который за минуту покажет, сколько потянет ваш сервер.

https://habr.com/ru/articles/1095420/

#open_source #распознавание_речи #webrtc #speechtotext #vosk #транскрибация #deepgram #gigaam #tone #живые_субтитры

Open-source ассистент для чернового монтажа видео

Привет, Хабр. Недавно я писал про edge-навигацию на руль — OLED, 2ГИС, велосипед/мотоцикл. Побочный эффект DIY: накопилось много не особо связаных между собой видосов. Медийку развивать мне хотелось, а времени на монтаж и разбор видео особо не было (на самом деле идея и базовая реализация появились давно, но сейчас это рпигодилось на практике). Так появился NeuroCut — локальный AI-ассистент для rough cut. Кидаешь видео (или несколько), пишешь brief текстом, получаешь план монтажа и экспорт:

https://habr.com/ru/articles/1094414/

#open_source #автоматизация #python #распознавание_речи #видеомонтаж #нейросети #ffmpeg #машинное_обучение #fastapi

Своя диктовка для macOS на Deepgram: горячая клавиша, прогретое соединение и три грабли PyObjC

Я диктую по полторы-три минуты подряд: мысль для поста, письмо, правка к задаче. Готовые приложения для голосового ввода на маке я перепробовал, но для длинных кусков они не годились, и в итоге я за пару вечеров собрал свою диктовку на Python. Зажимаешь правый Command, говоришь, отпускаешь, и текст вставляется туда, где стоит курсор. Распознаёт Deepgram. Статья про то, как это устроено, и про три места, где я потерял больше всего времени. Все три связаны с тем, что обычный Python-скрипт и приложение, которое macOS запускает сама при входе в систему, ведут себя по-разному. Код ниже взят из рабочего файла, лишнее я выкинул.

https://habr.com/ru/articles/1090872/

#macos #распознавание_речи #launchd #диктовка #deepgram #pyobjc

Распознавание речи на микроконтроллере: от фонем к словам

В прошлый раз STM32N6 собирал слова из фонем по заданной таблице. Теперь микроконтроллер превращает свободную английскую речь в текст - без интернета и сервера, при потреблении около 0,2 Вт во время вычислений. Показываю, как это работает на реальной плате, где модель ошибается и что удалось улучшить. Исходники, модель и готовая прошивка выложены на github

https://habr.com/ru/articles/1094112/

#распознавание_речи #нейросеть #микроконтроллеры #машинное_обучение #mcu #stm32 #npu #tinyml #edge_ai #stm32n6

Как Google Play сделал публикацию бесплатного приложения настоящим испытанием

Привет, Хабр! Если вы читали мои прошлые статьи, то знаете Гига Писаря: зажимаешь кнопку, говоришь, отпускаешь, и текст появляется там, где стоит курсор. Речь распознаёт модель GigaAM от Сбера прямо на телефоне, без интернета и без облака. До сих пор Android-версию можно было поставить только файлом с сайта. Работает, но неудобно: телефон пугает «неизвестным приложением», а для специальных возможностей приходится лезть в «ограниченные настройки». Поэтому я решил выложить Писарь в Google Play, но там есть нюанс и мне потребуется ваша помощь

https://habr.com/ru/companies/gigapisar/articles/1092788/

#open_source #android #бетатестирование #распознавание_речи #голосовой_ввод #закрытое_тестирование #google_play #диктовка #gigaam #гига_писарь

Собираю робота на Raspberry Pi 5 для дочери. Но говорящей колонкой тут не отделаться! Вызов принят, погнали. (Часть 2)

В первой части Лягушка научилась смотреть на человека, говорить и поворачивать голову. Теперь добавляю знакомые лица, память о разговорах, вопросы по фотографии, объяснения на экране и помощь со стихами. По дороге робот пропускает собственные команды, узнаёт своего «Создателя» и отправляет рисунок в принтер. А ещё выяснилось, что сильнее всего тормозило Лягушку…

https://habr.com/ru/articles/1092726/

#робототехника #распознавание_лиц #распознавание_речи #компьютерное_зрение #tkinter #raspberry_pi #3дпечать #слежение_за_объектом #домашний_робот #память_ии

Почему одного Whisper оказалось мало: ASR на 100 песнях для домашней игры

К Новому году мы с друзьями договорились, что каждый подготовит по конкурсу. Мне хотелось сделать что‑нибудь музыкальное, а идеи нашлись в воспоминаниях о двух корпоративах: с одного я принёс желание сочинить песню для нашей компании, с другого позаимствовал механику конкурса. Так появилась What The Track, в которой нужно угадать последнее слово оборванной строки. Первую версию с вопросами, нарезанными вручную, мы довольно быстро опробовали на друзьях. Когда захотелось сыграть ещё, я решил автоматизировать подготовку, чтобы самому не знать все ответы заранее. Оказалось, что между «нейросеть умеет распознавать речь» и «ей можно доверить музыкальный конкурс» помещается отдельный проект по сравнению систем автоматического распознавания речи (ASR, automatic speech recognition).

https://habr.com/ru/articles/1090474/

#asr #распознавание_речи #WhisperX #Whisper #GigaAM #RoFormer #WER #source_separation #обработка_аудио #Python

Собираю робота на Raspberry Pi 5 для дочери. Но говорящей колонкой тут не отделаться! Вызов принят, погнали

Я хотел, чтобы робот помогал ребенку и мог разговаривать без интернета . Пришлось перебрать почти двадцать локальных моделей, подобрать голос, поставить камеру в бант и научить глаза и голову следить за человеком. В первой части рассказываю, как из эскиза получился работающий стенд — и что пошло не по плану.

https://habr.com/ru/articles/1090078/

#Raspberry_Pi_5 #домашний_робот #робототехника #локальный_ИИ #3Dпечать #распознавание_речи #синтез_речи #слежение_за_лицом #сервопривод #python3

Если у вас Android, жизнь стала чуточку легче

Привет, Хабр! Если вы читали прошлые статьи, то знаете Гига Писаря: зажимаешь клавишу, говоришь, отпускаешь, и текст появляется там, где стоит курсор. Распознаёт речь модель GigaAM от Сбера, прямо на устройстве, без интернета. Сначала был мак, потом Windows, а про Android я даже не думал. Диктовка я думал актуальнее на компе, клавиатура, рабочие письма, документы, телефон был где-то за гранью моего видения

https://habr.com/ru/companies/gigapisar/articles/1089818/

#гига_писарь #gigaam #android #диктовка #голосовой_ввод #распознавание_речи #open_source #нейросеть #deepseek #вайбкодинг

Гига Писарь Большое обновление для мака, в котором мы навели красоту и перестали вам мешать

Привет, Хабр! Это обновление для тех, кто диктует на маке, и оно самое заметное за всё время. Окно настроек Гига Писаря переделано полностью: новое устройство, картинки вместо таблиц, анимация, открываешь, и кажется, что это раздел системных настроек, а не отдельная программа. Рассказываю, что изменилось, и немного о том, кто всё это делает, спойлер, уже не только я.

https://habr.com/ru/companies/gigapisar/articles/1088630/

#гига_писарь #gigaam #диктовка #распознавание_речи #macos #open_source #локальная_нейросеть #qwen #gigachat #вайбкодинг

Локальный анализ звонков без GPU. Что происходит на пути от аудио до резюме

Я хотел проверить не то, насколько хорошо локальная LLM пишет резюме по красивому тестовому диалогу, а что произойдёт с полным пайплайном на обычном телефонном звонке с музыкой, автоответчиком, перебиваниями и плохим звуком. Я сделал desktop приложение на Tauri, Rust, React и SQLite. Оно распознаёт речь, разделяет спикеров, анализирует тональность, эмоции и риски, а в конце локальная модель формирует резюме и рекомендации. Всё работает на компьютере, интернет нужен только для скачивания моделей. В эксперименте я прогнал реальные записи через два распознавателя и сравнил, где именно возникают проблемы на пути от аудио до итогового резюме.

https://habr.com/ru/articles/1088060/

#локальный_AI #распознавание_речи #speechtotext #диаризация #LLM #GigaAM #Whisper #Qwen #анализ_звонков #CPU

Оффлайн телесуфлёр поверх Instagram и TikTok: распознавание речи на телефоне, выравнивание по словам

Мой телесуфлёр для Android называется Суфлёр. Он распознаёт речь на телефоне и прокручивает текст по голосу поверх Instagram, TikTok или системной камеры. Во время записи видео Android отдаёт микрофон камере, и Суфлёр получает звук параллельно с ней через службу специальных возможностей. Такое исключение описано в разделе 5.4.5 Android CDD. Место в сценарии Суфлёр находит, выравнивая восемь последних распознанных слов по всему тексту. Ещё в статье есть правила, которые понадобились трекеру для английского языка.

https://habr.com/ru/articles/1087724/

#телесуфлёр #распознавание_речи #sherpaonnx #android #accessibility_service #микрофон #офлайн #open_source #kotlin #zipformer

Гига Писарь: первый пулреквест на Windows и Мозг со своим ключом в облаке

Привет, Хабр! После того как я выпустил Писаря для Windows, скачали его уже больше трёхсот раз, спасибо всем, кто поставил, попробовал и написал, что не работает, первые баги из комментариев я починил в тот же день. А сегодня прилетел первый пулреквест в Windows-версию.

https://habr.com/ru/companies/gigapisar/articles/1087452/

#гига_писарь #диктовка #распознавание_речи #gigaam #deepseek #нейросеть #open_source #пулреквест #windows #macos

Как нейросеть переводит видео. Часть 1: Whisper врёт, и мы это знаем

Я один пишу сервис дубляжа видео с 2022 года, когда OpenAI выложил Whisper и мне показалось, что дело на месяц. В 2026-м через конвейер прошло 9 203 задачи, и он ломается в тех же местах, что и в первый. Первая часть из трёх: как звук становится текстом с таймкодами и спикерами. Три типа галлюцинаций Whisper и ловушки на каждый с кодом, почему мы выбрасываем его сегменты и собираем предложения сами, каскад на своей видеокарте с запасными выходами, хинди, который молча терял по 15 секунд речи, и честное ограничение: двое говорящих одновременно не бывает.

https://habr.com/ru/articles/1086494/

#whisper #распознавание_речи #диаризация #перевод_видео #дубляж #галлюцинации #speechtotext #ffmpeg #pipeline

Гига Писарь теперь и на Windows

В прошлой статье я подвёл итоги первых полутора недель и повесил опрос. По итогам голосования я понял, что у большинства не мак, могу предположить, что Винда. Так что спустя пару дней я запилил Писаря для Windows. Что это Первая версия, без всего лишнего. Без Мозга (что это такое, я описал в предыдущей статье), без команд над выделенным текстом, просто Писарь с базовым функционалом: нажал правый Ctrl, держишь, говоришь, отпустил, и текст мгновенно вставляется туда, где курсор, должен работать в любой программе, но это нужно тестировать. Распознавание то же, что на маке: модель GigaAM v3 от Сбера, целиком на процессоре, без интернета, видеокарта не используется, я специально целился в обычный лаптоп, на моём стенде 13 секунд речи распознаются за 0,35 секунды, даже на слабом ноутбуке должно быть меньше секунды, памяти уходит примерно 600 МБ. Скачать: gigapisar.github.io , кнопка «Скачать для Windows». Код: github.com/moznoazachem/giga-pisar-win , MIT. Как переносил Ядро распознавания у Писаря одно на все версии: звук превращается в мел-спектрограмму, идёт в энкодер, дальше декодирование RNN-T и склейка кусочков слов. На маке это написано на Swift, для Linux на Python, для Windows я перенёс его на C#, ONNX Runtime там есть родной. Оболочка написана заново, по правилам Windows: значок в трее, обычный мастер установки «Далее, Установить, Готово», системные уведомления, язык интерфейса берётся из системы, плашка с волной у курсора в стиле Windows 11. Плашку можно перетащить мышью, она запомнит место.

https://habr.com/ru/companies/gigapisar/articles/1086374/

#гига_писарь #gigaam #диктовка #распознавание_речи #windows #open_source #локальная_нейросеть #голосовой_ввод

Гига Писарь: полторы недели после первой статьи. Сколько установок и какие грабли

Привет, Хабр! С моей первой статьи прошло чуть больше недели, я не ждал, что её вообще одобрят, у меня до этого даже аккаунта на Хабре не было. Программированием я никогда не занимался, хотя интересно было всегда, а потом пришли новые технологии, и код за тебя теперь могут писать роботы. Пересказывать, как я решился сделать Писаря, не буду, про это была первая статья, здесь хочу подвести небольшой итог. Если коротко: увидел, как GigaAM от Сбера распознаёт русскую речь, офигел и сделал диктовку для себя, а вам спасибо за такую высокую оценку, я её не ожидал. Теперь к цифрам, не знаю, много это или мало, но кроме одной статьи на Хабре я нигде про Писаря не рассказывал, просмотры вы и так видите под первой статьёй, а установок уже больше четырёх сотен. Приятно. Ещё меня заметили на Хабре и предложили вести блог, я с удовольствием согласился, мне это ничего не стоит, и мне это интересно, а вам, возможно, будет полезно посмотреть, как не программист дорабатывает приложение и как оно расходится по людям, какие хотелки появляются, на какие сложности я натыкаюсь и как их решаю. Скачать и обновиться После статьи посыпались баги, я разумеется их правил, и версии пошли одна за другой, а значит, нужно было как-то обновляться, тут была первая засада, так как опыта у меня не было, сначала я сделал как проще: приложение сообщало, что вышла новая версия, и отправляло человека на страницу GitHub, а там список файлов с непонятными названиями, разработчику, даже начинающему, всё ясно, человек с улицы привык нажать одну кнопку «Установить», а тут надо угадать, какой из файлов качать. Что сломалось и как чинил

https://habr.com/ru/articles/1084906/

#гига_писарь #gigaam #диктовка #распознавание_речи #macos #open_source #локальная_нейросеть #qwen #gigachat #вайбкодинг

Субтитры с переводом в расширении Chrome: звук вкладки в MV3, один поток вместо двух сервисов

Расширение Chrome показывает субтитры с переводом поверх созвона в браузере, бот в звонок не заходит. Разбираю три места, где ушло больше всего времени: захват звука вкладки в Manifest V3, переход с двух сервисов на один поток с транскрипцией и переводом, и ошибку в счётчике минут, из-за которой время списывалось в тишине.

https://habr.com/ru/articles/1084674/

#расширения_chrome #manifest_v3 #субтитры #распознавание_речи #машинный_перевод

Whisper без облака: локальное распознавание чувствительных записей

Представим юридическую фирму, у которой за несколько месяцев накопились сотни часов аудиозаписей. В них нужно искать фамилии, даты, показания и детали конкретных эпизодов. Пока записи существуют только в виде файлов, нужный фрагмент приходится искать почти вслепую, с ручкой и блокнотом в руках. Открывать аудио, перематывать и слушать. Подкрадывается очевидное решение. Отправить запись в сервис расшифровки и через несколько минут получить готовый текст. Но для материалов с чувствительными данными такой сценарий подходит не всегда. Передача файла во внешнюю систему может противоречить внутренним правилам компании, а сам факт отправки означает, что появилась ещё одна копия записи, и за доступ к ней теперь отвечает кто-то другой. Поэтому я собрал локальное решение на базе Whisper. Аудио обрабатывается на своей машине, а на выходе остаются текст и таймкоды. В этой статье разберём, откуда взялся Whisper, как он превращает звук в текст, что умеет официальная консольная версия без дополнительных модификаций и как я применил эту технологию на практике.

https://habr.com/ru/companies/timeweb/articles/1080548/

#whisper #распознавание_речи #локальная_транскрибация #speechtotext #openai_whisper #fasterwhisper #timeweb_статьи #сезон_код_будущего

Как мы сэкономили память и в 10 раз ускорили определение языка без потери качества

При обработке больших аудио сначала важно определить, на каком языке говорит человек, и только затем направить запись в подходящую систему распознавания речи. Это становится особенно важно при обработке больших объёмов аудио, где модель должна анализировать тысячи и миллионы записей. Нам удалось создать быструю модель определения языка (LID-классификатор), сохранив качество распознавания. Благодаря ей обработка аудиоданных (ASR) требует значительно меньше вычислительных ресурсов и может эффективнее масштабироваться на существующей инфраструктуре. В качестве отправной точки мы использовали общедоступную модель, которая различает 126 языков и содержит около 1 млрд параметров. Нам нужна была не просто более компактная модель, а работающая быстрее и сохраняющая качество. Простого уменьшения модели или снижения точности представления её весов для решения этой задачи было недостаточно, и мы стали искать более эффективные подходы. Разработку компактной модели выполнил исследователь компании «Криптонит» по направлению обработки аудиоданных Александр Самойлов, при участии Александра Тарарина и Артёма Рыженкова. Они создали компактную модель для определения языка по короткому фрагменту речи, которая примерно в 10 раз быстрее и в 5 раз легче. Вдобавок, модель получилась устойчивой к искажениям. Добиться таких результатов удалось с помощью метода дистилляции знаний — подхода в машинном обучении, при котором большая и уже хорошо обученная нейросеть становится учителем для более компактной модели.

https://habr.com/ru/companies/kryptonite/articles/1080886/

#искусственный_интеллект #аудио #распознавание_речи #классификация_аудио #LIDклассификатор

Робот оглох и молчит об этом: как мы учили гуманоида замечать, что микрофон «отвалился»

Слышит ли вас робот прямо сейчас? А если микрофон «отвалился» — как быстро вы об этом узнаете? Штатный микрофон гуманоида Walker Tienkung предполагает, что оператор стоит в полутора метрах перед работающей машиной ростом 173 см — неудобно и небезопасно. Мы взяли недорогую беспроводную петличку и думали, что задача решается за вечер: воткнул USB, написал pip install, готово. Реальность: выведенный наружу порт нашёлся только на другом бортовом компьютере, звук пришлось гнать по сети, а приёмник в случае любой неисправности отвечает одинаково — молча шлёт нули. Сел аккумулятор, выключили передатчик, выдернули донгл — для софта всё это неотличимо. Рассказываем, как мы научили робота самому замечать, что он оглох, и говорить об этом голосом: диагностика по тишине, пять состояний аудиотракта, подсказки оператору, которые пришлось переписывать, потому что «технически верно» и «понятно человеку» — разные вещи. И как починили переподключение за десять секунд вместо двух из-за системного сервиса.

https://habr.com/ru/companies/361robotics/articles/1074714/

#usb_микрофон #беспроводной_микрофон #петличка #alsa #udev #робототехника #гуманоид #голосовой_интерфейс #диагностика #распознавание_речи

Провожу тест‑драйв GigaChat Audio в рабочих условиях

Привет, Хабр! Сбер недавно выкатил новую модель, GigaChat Audio. Сейчас я надиктовываю модели этот текст голосом — финальный штрих в истории о том, как я проводил её тест‑драйв. Когда прочитал, что GigaChat Audio запоминает контекст, ориентируется в больших аудиозаписях и даже чувствует эмоции говорящего, сразу захотел проверить. Я задеплоил эту модель локально на рабочем компьютере и целый день проверял на рабочих задачах. Результат — в этой статье. Меня зовут Данила @pushnoydan , я мидл‑разработчик и занимаюсь бэкендом микросервисов. А параллельно — большой любитель ИИ‑моделей: в свободное время копаюсь в них, чтобы лучше понимать возможности свежих релизов, стараюсь применять на работе, чтобы упростить рутинные задачи. GigaChat Audio — audio‑native LLM. В течение дня я поручал ей разбирать голосовые коммуникации от коллег, составлять саммари по аудиозаписям и выводить ключевой контекст из записей различных встреч. Давайте посмотрим, как модель показала на реальных задачах.

https://habr.com/ru/specials/1072222/

#тестдрайв #иимодель #gigachat #транскрибация #распознавание_речи #автоматизация_рутины #транскрипция

Я сделал CRM без бэкенда. Вот чего мне это стоило

Приложение слушает разговоры продавца с клиентами и превращает их в текст. Человек на той стороне трубки не подписывался на то, чтобы его голос уехал на чей-то сервер, и это решило архитектуру раньше, чем я написал первую строчку: наружу не уходит ничего. Дальше идёт счёт, который за это пришёл, и он вполне конкретный: шесть с половиной минут работы на десятиминутный разговор и половина возможностей, которые в приложении с сервером есть по умолчанию.

https://habr.com/ru/articles/1073454/

#whispercpp #ondevice #распознавание_речи #localfirst #приватность #Android #Google_Play

Разговорили гуманоида: как за месяц мы построили русскоязычный голосовой стек для китайского робота

Можно ли управлять гуманоидом Walker Tienkung через свой голосовой ассистент по-русски? Мы решили проверить — и быстро выяснили, что ответ сложнее, чем кажется. Штатная система понимала только китайский, Whisper ошибался на коротких командах, LLM добавляла задержку, а динамик съедал начало фразы после паузы. «Беги» превращалось в «begin», а «встань» — в «Таня». Рассказываем, как нам удалось построить свой собственный модульный русскоязычный стек, разделить команды и диалог, ускорить синтез речи, и добиться реакции за доли секунды. С архитектурой, тестами и новыми нерешёнными задачами. Полный гайд как заставить робота ростом 173 см и весом 75 кг слушать вас и понимать! Читать гайд

https://habr.com/ru/companies/361robotics/articles/1069312/

#распознавание_речи #синтез_речи #whisper #silero #vosk #голосовой_ассистент #робототехника #гуманоид #llm #эмбеддинги

Собеседовании для вас большой стресс? Для меня было да, поэтому создал решение

Естественная пауза после вопроса на собеседовании — две-четыре секунды. AI-чат в соседней вкладке в этот бюджет не помещается: переключить окно, напечатать, дождаться, вернуться — транспорт съедает больше времени, чем у вас есть. Какие проблемы и что с ними делать.

https://habr.com/ru/articles/1070616/

#нейросети #распознавание_речи #перевод_в_реальном_времени #Windows #Rust #Electron #LLM #собеседование #поиск_работы #realtime