Разработка системы диаризации и идентификации голосов

Необходимо создать программное решение, которое автоматически обрабатывает аудиозаписи совещаний, преобразует речь в текст с привязкой к конкретным участникам.

Основные функции системы

• Транскрибация: Преобразование аудиопотока (русская речь) в текстовый формат с высокой точностью.
• Диаризация: Автоматическое разделение записи на речевые сегменты по разным говорящим.
• Идентификация спикеров: Сопоставление каждого речевого сегмента с голосовым профилем сотрудника из предварительно сформированной базы (до 60 человек).
• Управление голосовой базой: Возможность регистрации сотрудников путем записи образца их голоса (несколько секунд/минут).
• Формирование отчета: Предоставление итогового текста с временной разметкой и указанием имени спикера. Неопознанные голоса должны маркироваться как "Неизвестный".

Ключевые требования

• Экономичность: Архитектура и выбор инструментов должны минимизировать ежемесячные эксплуатационные расходы.
• Обработка наложений: Система должна корректно работать в ситуациях, когда несколько человек говорят одновременно (overlapping speech).
• Гибкость реализации: Допускается использование облачных API, полностью open-source решений или их гибрида.

Ожидаемый результат от исполнителя

В отклике необходимо предоставить:

1. Предлагаемый технологический стек (модели, сервисы, библиотеки).
2. Примерную оценку ежемесячной стоимости эксплуатации.
3. Сроки выполнения проекта.
4. Описание релевантного опыта работы с аудио, машинным обучением и распознаванием речи (желательно с примерами проектов).

Итоговый продукт: Исполнитель предоставляет исходный код проекта. Разработка сложного пользовательского интерфейса или API не требуется - решение будет интегрировано в существующую инфраструктуру заказчика.