# Транскрибация речи

## Теория перед выполнением

Прочитайте [STFT и log-mel](../notes/02_spectral_analysis.md) и
[CTC, encoder-decoder и оценку ASR](../notes/03_speech_recognition.md).

## Цель

Построить pipeline «аудиофайл → нормализованный текст» на предобученной модели и
понять, когда нужен fine-tuning.

## Что сделать

1. Подготовить 20–30 коротких записей с эталонными текстами: собственную речь либо
   открытый датасет из `DATASETS.md`.
2. Привести аудио к ожидаемым sample rate/channels без потери исходников.
3. Запустить компактную предобученную ASR-модель, например Whisper.
4. Реализовать разбиение длинной записи на chunks и объединение результата.
5. Посчитать WER и CER до и после нормализации регистра/пунктуации.
6. Исследовать ошибки на шуме, числах, именах и профессиональных терминах.
7. Сформулировать, помогут ли prompt, словарь, более крупная модель или fine-tuning.

## Результат

CLI `transcribe <audio>`, JSON с сегментами/таймкодами, отчёт с WER/CER и каталогом
типичных ошибок.

## Критерии приёмки

- Метрики считаются относительно скрытой от подбора части записей.
- Исходный и нормализованный тексты не смешиваются при оценке.
- Для длинной записи не теряются и не дублируются слова на границах chunks.
- Разрешение на обработку голосов и лицензия датасета документированы.

## Дополнительное задание

Если доступно достаточно размеченного аудио и GPU, адаптировать маленькую модель
или её часть к узкой терминологии и сравнить с исходной моделью на одном test-set.