Как выбрать синхронное или асинхронное распознавание SpeechKit

Для теста возьмите короткий обезличенный аудиофрагмент или текст, права на который подтверждены. Запишите эталонную расшифровку или произношение. Критичные элементы — суммы, даты, фамилии, артикулы и названия — вынесите в отдельный список для пословной проверки.

Не отправляйте разговоры без законного основания и согласованной политики обработки. Храните API-ключ только на сервере. Для каждого запуска записывайте request id, версию API, режим режим STT, формат файла, длительность и итоговый статус, но не секреты.

Пошаговая настройка

1. Создайте отдельный сервисный аккаунт и выдайте только необходимые роли.
2. Подготовьте вход в формате, указанном для выбранного режима официальной документацией.
3. Выполните минимальный запрос на коротком тестовом примере.
4. Сохраните технический ответ и отделите промежуточный результат от финального.
5. Проверьте суммы, имена и термины по эталону; сомнительные места отправьте человеку.
6. Добавьте тайм-аут, обработку отмены и ограниченный повтор временных ошибок.
7. Только после тестов подключайте реальные данные и ведите метрики качества.

Для асинхронной операции сохраните её идентификатор и опрашивайте состояние с паузой. Не создавайте новую задачу при каждом временном сбое. Для streaming не выполняйте команду по промежуточной гипотезе: текст ещё может измениться.

Готовый шаблон задания

Определи режим: короткий готовый файл, длинная запись встречи или живой звонок. Верни mode и причину, не придумывая ограничения.
Если участок нельзя уверенно распознать или произнести, не угадывай.
Сохрани исходные числа, имена и порядок реплик.
Верни статус needs_human_review для всех сомнительных мест.

Шаблон полезен как постановка задачи, но не заменяет техническую конфигурацию SpeechKit. Формат аудио, язык, модель и дополнительные параметры задаются по схеме API, а итог проверяется вашим кодом.

Пример и ожидаемый результат

Живой звонок направляется в streaming, длинный файл — в async; итог проверяется по документации выбранного API.

Сохраните исходник, эталон, ответ API и список расхождений. Для распознавания считайте ошибки по словам и отдельно по критичным сущностям. Для синтеза проведите прослушивание несколькими людьми и автоматическую сверку текста, если она предусмотрена процессом.

Как проверить качество

• Аудиоформат соответствует выбранному режиму.
• Финальный текст не подменён промежуточной гипотезой.
• Суммы, даты, имена и артикулы совпадают с эталоном.
• Неразборчивое место помечено, а не угадано.
• Ошибка API не превращается в пустой успешный результат.
• Повтор не создаёт вторую асинхронную операцию.
• В логах отсутствуют API-ключи и лишние персональные данные.

Регрессионный набор должен включать тихую и шумную запись, двух спикеров, числа, сокращения, редкие названия и паузы. После смены модели, подсказок или версии API прогоните тот же набор и сравните метрики.

Типичные ошибки

Неверный режим распознавания

Готовый длинный файл, короткая команда и живой звонок требуют разных схем. Выберите режим до написания интеграции.

Доверие к красивой расшифровке