распознавание речи. - страница 2

Сеня девелопер уходит → CNER Developer приходит: как мы дообучили GigaAM-v3

продолжить чтение

Транскрибация аудио в текст бесплатно и без облаков: почему мне не хватило одной модели

продолжить чтение

Открытые модели против облака: T-one, GigaAM или Deepgram: что реально тянет обычный CPU для живых субтитров в звонке

Число vCPU ничего не говорит: как я считал, нужен ли свой ASR-сервер вместо DeepgramМне понадобились живые субтитры для созвонов один на один на русском языке. Проще всего решить эту задачу через облачный API: буквально одним вызовом. Это удобный вариант, если разговоров немного, а их содержание можно передавать внешнему сервису.

продолжить чтение

Open-source ассистент для чернового монтажа видео

Привет, Хабр.Недавно я писал про edge-навигацию на руль — OLED, 2ГИС, велосипед/мотоцикл. Побочный эффект DIY: накопилось много не особо связаных между собой видосов. Медийку развивать мне хотелось, а времени на монтаж и разбор видео особо не было (на самом деле идея и базовая реализация появились давно, но сейчас это рпигодилось на практике).Так появился NeuroCut — локальный AI-ассистент для rough cut. Кидаешь видео (или несколько), пишешь brief текстом, получаешь план монтажа и экспорт:FCP7 XML для Premiere Pro / DaVinci Resolve;ZIP с готовыми MP4-клипами

продолжить чтение

Как Google Play сделал публикацию бесплатного приложения настоящим испытанием

Привет, Хабр!Если вы читали мои прошлые статьи, то знаете Гига Писаря: зажимаешь кнопку, говоришь, отпускаешь, и текст появляется там, где стоит курсор. Речь распознаёт модель GigaAM от Сбера прямо на телефоне, без интернета и без облака.До сих пор Android-версию можно было поставить только файлом с сайта. Работает, но неудобно: телефон пугает «неизвестным приложением», а для специальных возможностей приходится лезть в «ограниченные настройки».Поэтому я решил выложить Писарь в Google Play, но там есть нюанс и мне потребуется ваша помощьТребуются Google тестеры

продолжить чтение

Собираю робота на Raspberry Pi 5 для дочери. Но говорящей колонкой тут не отделаться! Вызов принят, погнали. (Часть 2)

Лягушка, ты меня узнала?Посмотреть “Часть 1” можно здесь.

продолжить чтение

Почему одного Whisper оказалось мало: ASR на 100 песнях для домашней игры

Хотел сделать конкурс на Новый годК Новому году мы с друзьями договорились, что каждый подготовит по конкурсу. Мне хотелось сделать что‑нибудь музыкальное, а идеи нашлись в воспоминаниях о двух корпоративах: с одного я принёс желание сочинить песню для нашей компании, с другого позаимствовал механику конкурса. Так появилась What The Track, в которой нужно угадать последнее слово оборванной строки песни.

продолжить чтение

Если у вас Android, жизнь стала чуточку легче

Привет, Хабр!Если вы читали прошлые статьи, то знаете Гига Писаря: зажимаешь клавишу, говоришь, отпускаешь, и текст появляется там, где стоит курсор. Распознаёт речь модель GigaAM от Сбера, прямо на устройстве, без интернета.Сначала был мак, потом Windows, а про Android я даже не думал. Диктовка я думал актуальнее на компе, клавиатура, рабочие письма, документы, телефон был где-то за гранью моего виденияСообщение, которого я не ждалИ тут мне пишет Denio1337 «Я тут сделал Писаря для Android. Что скажете?»

продолжить чтение

Гига Писарь Большое обновление для мака, в котором мы навели красоту и перестали вам мешать

Привет, Хабр!Это обновление для тех, кто диктует на маке, и оно самое заметное за всё время. Окно настроек Гига Писаря переделано полностью: новое устройство, картинки вместо таблиц, анимация, открываешь, и кажется, что это раздел системных настроек, а не отдельная программа.Рассказываю, что изменилось, и немного о том, кто всё это делает, спойлер, уже не только я.Коротко, если вы тут впервые

продолжить чтение

Локальный анализ звонков без GPU. Что происходит на пути от аудио до резюме

Я хотел проверить не то, насколько хорошо локальная LLM пишет резюме на красивом тестовом диалоге, а что произойдет с ней на обычном телефонном звонке с музыкой, автоответчиком, перебиваниями и плохим звуком.Я сделал desktop приложение на Tauri, Rust, React и SQLite. Оно распознаёт речь, разделяет спикеров, считает тональность, эмоции и риски, а в конце локальная модель пишет резюме и рекомендации. Всё считается на компьютере, интернет нужен только чтобы скачать модели. При парсинге звонков часто бывают имена, адреса и номера договоров, и отправлять их во внешний API не хочется.

продолжить чтение