Сумма: 100000
Количество заявок: 0
12.11.26 (включительно)
Наличная оплата
Идея
Задачи ИКТ
Робототехника
Нейротехнологии и искусственный интеллект
Цель и описание задачи (проекта)
Цель проекта — создать сервис автоматической транскрибации, который переводит аудиозаписи звонков в текст. Сервис работает как самостоятельный инструмент: файл передаётся через REST API или загружается вручную, а в ответ возвращается готовая текстовая расшифровка. Сервис отвечает только за распознавание речи. Он не забирает записи из хранилищ, а полученный текст не сохраняет в базы знаний и не передаёт в другие системы. Сервис должен принимать аудио в распространённых форматах (WAV, MP3, OGG/Opus, GSM) и распознавать речь на казахском и русском языках, в том числе смешанную речь. Результат содержит текст с пунктуацией, разбивку на реплики говорящих и временные метки. Его можно получить в форматах TXT, JSON, SRT и DOCX. Решение разворачивается полностью в контуре заказчика (on-premise). Оно должно быстро обрабатывать записи разной длины и качества, в том числе телефонного, и легко подключаться к существующим системам компании без серьёзных доработок.
ПО/ИС
Записи звонков контакт-центра накапливаются, но почти не используются: чтобы понять разговор, его приходится прослушивать целиком, а ручная расшифровка часа записи отнимает у сотрудника несколько часов. Типовые системы распознавания плохо понимают казахскую и смешанную речь, телефонный звук и медицинские термины. Облачные сервисы использовать нельзя, потому что в записях есть персональные и медицинские данные пациентов. Сервис должен принимать аудиофайлы, распознавать их без участия человека и возвращать текстовую расшифровку. Файлы загружаются через REST API или вручную через веб-интерфейс в форматах WAV, MP3, OGG/Opus и GSM, моно и стерео. Задания ставятся в очередь с повторными попытками, а их статус можно узнать через API. Сервис распознаёт казахскую и русскую речь, в том числе смешанную, и определяет язык для каждого сегмента. Он разделяет реплики оператора и клиента, расставляет пунктуацию, нормализует числа и даты и учитывает словарь медицинских терминов. Результат возвращается в JSON с сегментами, говорящими, таймкодами и оценкой уверенности, а выгрузить его можно в TXT, SRT или DOCX. Решение работает полностью в контуре заказчика: ни аудио, ни текст не передаются третьим лицам. Целевые показатели на телефонных записях такие: точность распознавания (WER) не хуже 15% для русского и 25% для казахского языка; точность разделения говорящих (DER) не хуже 15%. Час записи должен обрабатываться за 6 минут на одном GPU, а пропускная способность — составлять не менее 2 000 часов аудио в месяц. Результат готов не позднее чем через час после загрузки, доступность — 99% в рабочее время. Решение соответствует Закону РК «О персональных данных и их защите», данные хранятся на территории РК. Доступ есть только у авторизованных пользователей, трафик и данные шифруются, персональные данные в тексте можно маскировать, а срок хранения записей настраивается.
После внедрения сервиса время на расшифровку звонков сократится с часов до минут: час записи будет обрабатываться примерно за 6 минут. Затраты на ручную расшифровку и прослушивание заметно снизятся, а сотрудники смогут заняться профильными задачами. Расшифровываться смогут все звонки, а не только выборочные. Все расшифровки будут выходить в едином формате с понятным качеством, разметкой по говорящим и таймкодами. С текстом разговоров станет просто работать: читать его, находить нужные фрагменты и проверять содержание. Обработка останется полностью в контуре заказчика, а значит, будут соблюдены требования к защите персональных и медицинских данных. Сервис позволит обрабатывать большие объёмы аудио без найма дополнительных людей, а его API станет основой для дальнейшей автоматизации: поиска, аналитики и контроля качества.
Шахворостова Маргарита Николаевна
Whatsapp
