Зяпа — распознавание и диаризация речи
Zyapa ASR
О разработке
«Зяпа» (Zyapa ASR) — веб-сервис, который превращает аудиозапись в готовый транскрипт с разметкой «кто и когда говорил», и делает это полностью в браузере. Вы загружаете файл — получаете текст, разбитый по спикерам, с точными таймкодами, и сразу можете выгрузить субтитры или структурированный JSON. Ключевая особенность — приватность: аудио и текст никуда не отправляются, сервер не нужен, всё считается на вашем устройстве. Сервис одинаково хорошо работает и с короткими заметками, и с многочасовыми лекциями, вебинарами и совещаниями, поддерживает несколько языков и построен на собственном прозрачном пайплайне диаризации, который мы довели до эталонного качества, отказавшись от чужих готовых «чёрных ящиков».
Ключевые возможности
Приватность и автономность
- Полностью локальная работа: файл декодируется и распознаётся прямо в браузере — данные не покидают устройство.
- Не нужен сервер и облако: модели скачиваются один раз и кэшируются, дальше всё считается на вашей машине.
- Подходит для чувствительных записей — переговоров, интервью, врачебных и юридических материалов.
Распознавание речи (ASR)
- Линейка моделей Whisper — от лёгкой tiny до топовой large-v3-turbo, баланс скорости и качества под конкретную задачу.
- Точные таймкоды для каждой реплики — удобно для субтитров и навигации по записи.
- WER ~18% на контрольной записи при пороге качества ≤ 25%.
- Защита от «галлюцинаций» на тишине и шуме — модель не выдумывает несуществующий текст.
Многочасовые записи
- Обрабатываются записи любой длины — часовые лекции, вебинары, подкасты, аудиодорожки видео и многочасовые совещания.
- Живой прогресс и таймер обработки: видно, сколько уже готово и сколько осталось.
- WebGPU-ускорение с автоматическим откатом на WASM — быстро там, где есть видеокарта, и работает везде.
- Аккуратная работа с памятью: длинные файлы обрабатываются без сбоев.
Диаризация — «кто и когда говорил»
- Собственный прозрачный пайплайн вместо «чёрного ящика»: сегментация → отпечаток голоса → кластеризация.
- DER ~22% на трудном кейсе с похожими голосами при пороге качества ≤ 30%.
- Точнее популярных готовых решений: наш DER заметно ниже, чем у сборки на базе sherpa — ~22% против ~29% на одной и той же трудной записи.
- И кратно быстрее: диаризацию мы считаем на WebGPU (видеокарте), тогда как sherpa в браузере работает только на CPU.
- Обработка перекрывающейся речи и гейт длинных монтажных пауз.
- Можно заранее указать число спикеров — это ещё повышает точность разметки.
Мультиязычность и независимость от чужих моделей
- Whisper — мультиязычная модель с авто-детектом языка речи.
- Интерфейс RU/EN с авто-определением языка ОС; язык речи по умолчанию совпадает с языком сайта.
- Мы отказались от предобученных китайских энкодеров голоса, которые плохо разделяли похожие голоса, и перешли на собственный пайплайн с более точной моделью распознавания диктора.
- Результат замеряли объективно: DER снизился с ~58% до ~22% — почти втрое точнее и даже ниже, чем у sherpa (29%).
Результат и экспорт
- Плеер с подсветкой активной реплики, звуковая волна и таймлайн спикеров.
- Переименование спикеров и статистика по каждому из них.
- Экспорт в TXT, SRT, VTT, JSON и RTTM.
- Быстрый прогон только первых N секунд для предпросмотра результата.
Метрики
~22%
DER — ошибка диаризации (кто говорил) на трудной записи
~18%
WER — ошибка распознавания текста
100%
Обработка локально, без сервера и облака
RU / EN
Мультиязычность с авто-детектом языка
Попробовать
Сервис развёрнут и доступен онлайн — обработка идёт прямо в вашем браузере.
Открыть сервис