Локальная транскрибация аудио: как создать эффективный каскад из моделей

Автор статьи делится опытом разработки локального приложения для транскрибации аудио на macOS, созданного для автоматизации протоколирования рабочих встреч. Столкнувшись с необходимостью качественного распознавания речи без использования облачных сервисов, разработчик протестировал 32 конфигурации на базе моделей Whisper, Parakeet и GigaAM. В результате была найдена оптимальная связка из двух моделей: первая создает базовый текст, а вторая корректирует неточности. Такой подход позволил снизить показатель WER (Word Error Rate) с 27,0% до 21,7%, исправляя каждую пятую ошибку. В публикации подробно описывается процесс выбора моделей, методология измерений и приводятся практические рекомендации, включая промт для самостоятельной реализации подобного решения. Проект ориентирован на пользователей, которым важна конфиденциальность данных и возможность работы с аудио в офлайн-режиме, исключая передачу записей на внешние серверы.