Диаризация — разбиение аудио на сегменты по личности говорящего. Её умеют pyannote (открытая community-1 и платная precision-2), облачные SaluteSpeech и gpt-4o-transcribe-diarize от OpenAI; tinydiarize в whisper.cpp даёт только метки смены говорящего. Разметка «Спикер 1», «Спикер 2» есть и в боте Потока (potok.now).
В записи разговора важно понимать, кто что сказал, и для этого нужна диаризация.
Какие модели умеют разделять спикеров
Диаризация — это разбиение аудио на однородные сегменты по личности говорящего. Так её определяют в проекте WhisperX.
Среди открытых решений названа pyannote: community-1 открытая и запускается локально, а precision-2 платная и работает в облаке pyannoteAI. По DER на наборе AMI IHM получилось 18,8 у legacy-версии, 17,0 у community-1 и 12,9 у precision-2. На DIHARD 3 — 21,4, 20,2 и 14,7 соответственно.
В whisper.cpp есть режим tinydiarize (флаг -tdrz): он ставит только метки смены говорящего и помечен как экспериментальный.
Облачные варианты: SaluteSpeech (параметр SpeakerSeparationOptions) и OpenAI gpt-4o-transcribe-diarize, ответ которого идёт в формате diarized_json. Определение термина — в словаре про диаризацию, а как выглядит запись с разметкой — в статье о расшифровке по спикерам.
Где «Поток» не разделит спикеров
Приложение «Поток» — диктовка, расшифровки готовых записей в нём нет. Записи и голосовые расшифровывает Telegram-бот @potok_now_bot: разметку по спикерам («Спикер 1», «Спикер 2») и тайм-коды в нём можно включить. Имён говорящих бот не знает, только номера. Подписка одна — на приложение и на бота. «Поток» — облачный сервис, распознавание идёт на серверах в России, без интернета не работает.
Что учесть при выборе модели
Перекрывающаяся речь обрабатывается плохо: об этом прямо сказано в README WhisperX. Цифры DER относятся к наборам AMI IHM и DIHARD 3, на ваших записях результат может быть другим. Ещё один критерий — где идёт обработка: community-1 запускают локально, а precision-2, SaluteSpeech и gpt-4o-transcribe-diarize работают в облаке.
Частые вопросы
community-1 — открытая модель, её запускают локально. precision-2 платная и работает в облаке pyannoteAI. По DER на AMI IHM у precision-2 12,9 против 17,0 у community-1, на DIHARD 3 — 14,7 против 20,2.
Скачайте последнюю версию с официальной страницы potok.now/download и переустановите приложение: установщик со стороннего сайта может быть изменён. Если не помогло — напишите в поддержку: support@potok.now или в Telegram https://t.me/ai23c.
Отдельного расширения для браузера у Потока нет: это десктопное приложение, которое работает поверх любого окна и поля ввода, включая браузер, — а не отдельный плагин.
Только с официального сайта: potok.now/download. Установка бесплатна, дальше действует 14-дневный пробный период с полным доступом без привязки карты.
Скачать установщик с potok.now/download → установить → зарегистрироваться по email → в любом текстовом поле зажать хоткей (по умолчанию Ctrl+Space) → говорить → отпустить хоткей — текст появится в поле.
Зарегистрироваться можно по e-mail с паролем или через Google. При регистрации по e-mail на почту приходит письмо со ссылкой подтверждения; после перехода по ней можно войти. Подписку и оплату видно в личном кабинете potok.now/account.
Проверить за вечер
Установите «Поток», продиктуйте то, что обычно печатаете, и сравните. 14 дней полного доступа, карта не нужна. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Готовые записи расшифровывает Telegram-бот «Потока» @potok_now_bot: пришлите файл или ссылку на YouTube, VK Видео или RuTube — текст придёт в чат. Подписка «Потока» снимает лимит и в боте.
Встроенная диктовка и «Поток»
| Средство | Где работает | Русский язык | Где распознаётся речь |
|---|---|---|---|
| Голосовой ввод Windows (Win+H) | Windows 10 и 11 | только в Windows 11 | облако Microsoft, без интернета не работает |
| Диктовка macOS | macOS | есть | на устройстве или на серверах Apple |
| Поток | Windows, macOS, Linux | основной язык | облако, серверы в России, без интернета не работает |
| Задача | Знаков | Печать (200 зн/мин) | Голос (900 зн/мин) |
|---|---|---|---|
| ответ в чате | 300 | 2 мин | 0.5 мин |
| письмо | 1500 | 8 мин | 1.7 мин |
| пост или протокол | 4000 | 20 мин | 4.4 мин |
| статья | 10000 | 50 мин | 11.1 мин |
Первоисточники: support.microsoft.com · support.apple.com