Команда Ainergy, которая разрабатывает платформу для автоматизации бизнес-процессов с помощью ИИ, провела тест скорости работы модели WhisperX. Эта нейросеть быстро переводит речь в текст — она справляется с одной минутой аудио всего за 9,5 секунд.

Чтобы проверить, как платформа справляется с реальной задачей, инженеры дали ей аудиозапись длиной 8 минут. ИИ обработал ее за 1 минуту 12 секунд. Такой результат стал возможным благодаря особому подходу к обработке звука. Вот как это работает:

1. Разделение аудио — запись разбивается на небольшие фрагменты.
2. Спектрограмма — звук превращается в «график», где видно, как меняются частота и громкость.
3. Анализ паттернов — нейросеть ищет знакомые звуки (например, части слов) и интонации.
4. Сборка текста — система соединяет распознанные элементы в осмысленные предложения, учитывая контекст.

Мы увидели, что WhisperX отлично справляется с обработкой аудио. Такая скорость открывает для наших клиентов новые возможности в самых разных сферах, — говорит Владимир Молодык, CEO Ainergy.

Сейчас команда тестирует новую версию Whisper — она может работать вдвое быстрее, чем текущая.