Vosk: как распознать русскую речь офлайн и проверить результат

Когда Vosk подходит для расшифровки

Vosk — локальный набор инструментов распознавания речи. Он подходит, когда запись нельзя отправлять во внешний сервис, нужен повторяемый сценарий на своём компьютере или требуется встроить распознавание в программу. Это не обещание идеального текста без интернета: качество зависит от модели, языка, акустики и исходной записи.

Для русского языка в официальном каталоге есть разные модели. На момент проверки там указаны небольшая модель vosk-model-small-ru-0.22 размером 45 МБ и серверная vosk-model-ru-0.42 размером 1,8 ГБ. Эти размеры и опубликованные разработчиками оценки не следует переносить на вашу запись как гарантию. Маленькая модель удобна для первой пробы; большую имеет смысл сравнивать на одном и том же фрагменте.

Если задача состоит только в разовой подготовке документа, настройка локального окружения может занять больше времени, чем сама расшифровка. В этом случае можно получить текст аудиофайла в Транскрибаторе, а Vosk оставить для регулярного или автономного процесса.

Подготовьте окружение и короткую пробу

Официальная инструкция предлагает установку Python-пакета через pip. Создайте отдельное виртуальное окружение и сначала посмотрите справку установленной версии. Документация проекта и фактически установленный пакет могут различаться по поддерживаемым версиям Python и параметрам команды, поэтому не копируйте старую команду без проверки.

python -m venv .venv
# активируйте окружение для своей ОС
python -m pip install --upgrade pip
python -m pip install vosk
vosk-transcriber --help

В текущем исходном коде CLI предусмотрены параметры --input, --output, --output-type, --lang, --model и --model-name. Для первой проверки сохраните копию короткого русского фрагмента и попросите программу явно использовать русский язык:

vosk-transcriber -l ru -i sample.wav -o sample.txt -t txt

Команда отражает параметры проекта, но в этой инструкции не запускалась на вашем компьютере. Если автоматическая загрузка модели недоступна или нужна фиксированная версия, скачайте модель из официального каталога, распакуйте её и передайте путь через -m. Запишите точное имя модели: без него результат нельзя воспроизвести.

Не путайте ошибку формата с ошибкой распознавания

Простой пример проекта читает WAV и отдельно проверяет, что это одноканальный PCM-файл без сжатия. Другой официальный пример для SRT вызывает FFmpeg, приводит вход к частоте 16 кГц, одному каналу и потоку s16le. Поэтому сообщение о неподдерживаемом файле ещё не говорит о качестве русской модели.

Сохраните исходник отдельно. Если конвертация нужна, сделайте техническую копию и зафиксируйте параметры. После неё проверьте длительность, начало и конец: обрезанный последний фрагмент нельзя исправить выбором другой модели. Для общего процесса пригодится инструкция по конвертации аудио для расшифровки.

Для TXT достаточно проверить порядок и полноту фраз. Для SRT дополнительно прослушайте несколько границ реплик и длинные субтитры. Сам факт, что файл открывается, не подтверждает синхронизацию. Если нужен SRT, сверяйте выход с чек-листом структуры и таймкодов.

Примите результат по контрольным точкам

Выберите пять мест: начало, середину, конец, фрагмент с именем и фрагмент с числом. В каждом месте сравните звук и текст. Удобно помечать отдельно три типа проблем: неверное слово, пропущенная речь и техническая граница. Так можно понять, помогает ли другая модель, или запись сначала нужно улучшить.

Не исправляйте автоматически фамилии по догадке. Если имя не представлено в записи и нет проверяемого списка участников, оставьте пометку редактору. Числа, даты, адреса и артикулы тоже требуют первичного источника. Офлайн-обработка уменьшает передачу файла вовне, но не заменяет правила доступа к готовому тексту и резервным копиям.

Для сравнения моделей используйте один и тот же фрагмент и одну таблицу ошибок. Не меняйте одновременно модель, громкость, формат и шумоподавление. Иначе невозможно понять, какое изменение повлияло на результат. Сохраните команду, имя модели, исходный файл и исправленную версию текста.