Транскрибация аудио на русском языке — точность 98%

Whisper обучен на 680 000 часах аудио на 99 языках, но русского там было только ~5-7%. Voxtral V2 обучен на разных корпусах с более сбалансированным распределением и дополнительно дообучен на специфически русских наборах: подкастах «Медуза», «Арзамас», «Радио Свобода», лекциях Сколтеха и ВШЭ, художественной аудиокниге, телефонных разговорах. Это даёт 2-3 процентных пункта прироста точности на русском, что для часовой записи означает 30-50 правильно распознанных слов больше.

Да. Slang эпохи 2020-х (тейк, кринж, краш, флекс, чилл, пушка, рофл) распознаётся корректно. IT-термины (микросервис, monorepo, ChatGPT, vibe coding) тоже работают — модель обучалась на технических подкастах и Хабре. Заимствования (стартап, тимлид, оффер, ревью) — без проблем. Если встретится узкоспециальный термин (например медицинский «пневмоэктомия» или юридический «диспозитивность»), точность может снижаться — для таких сценариев используйте словарь терминов в настройках.

Лёгкий и средний акцент распознаются без проблем — точность остаётся 96-98%. Это касается русского с акцентом из Казахстана, Кыргызстана, Узбекистана, Армении, Грузии, Беларуси, Украины. Сильный иностранный акцент (например, у учащего русский китайца или индуса) даёт точность 90-93%. Региональные акценты внутри РФ (питерский, сибирский, кубанский) — практически не влияют на распознавание, остаётся 98%.

Да, AI автоматически переключается между языками. На технических конференциях часто звучит русский + английский («Наш бэкенд на FastAPI, мы используем Redis для кэша»). Это работает: AI определяет английский фрагмент и расшифровывает его как английский, потом возвращается к русскому. Точность может снижаться на 3-5% по сравнению с одноязычной записью. Если хотите чисто русский без переключений — укажите явно в настройках, и AI будет «принуждать» русский даже на спорных моментах.

В целом да. Точки, запятые, тире, двоеточия — расставляются по контексту. Прямая речь оформляется кавычками или тире. Заглавные буквы в начале предложений и в именах собственных. Сложные правила (вводные слова, причастные обороты, обособление приложений) — работают на 90-95% случаев. Очень спорные конструкции AI может пропустить — например, расставить запятую перед союзом «и» в сложносочинённом предложении.

Зависит от уровня деградации. На записи с диктофона Sony 2005 года в формате MP3 64 kbps mono — точность 92-94%. На сильно зашумлённой записи (фоновая музыка, эхо) — 85-90%. На записи телефонного разговора с битрейтом 8 kHz — 92-95% (телефонная связь специально оптимизирована для голоса, поэтому даже на плохом битрейте AI справляется). На искажённой плёночной записи 1990-х годов с шипением — 80-85%, тут уже лучше человек-расшифровщик.

Современный русский — точность 98%. Дореволюционный (с ятями и фитой) — никто не распознает, потому что модель обучалась на современных текстах. Старославянский, церковнославянский, классические русские тексты XVIII века — точность падает до 70-80%, и пунктуация будет современной. Для специфических исторических задач лучше брать ручного расшифровщика-филолога.

Да. Детская речь от 5 лет распознаётся с точностью 93-95% — основные сложности связаны с неустоявшимся произношением. Подростки и молодёжь до 18 лет — стандартные 96-98%. Пожилые люди (70+) с возможной слабой дикцией — 94-97%. Совсем тихая шёпотная речь или сильно «глотающая» дикция падает до 85-90%. Это касается всех языков, не только русского — Voxtral V2 устойчиво работает с возрастными голосами.