Еще бенчмарк по голосовым ассистентам, но уже со стороны качества работы LLM AssemblyAI выкатили Voice Standard Bench – 50+ LLM на реальных голосовых задачах В общем, после транскрибации почти всегда идёт LLM-вызов – почистить диктовку, сделать саммари звонка, вытащить имена и номера заказов. На объёмах этот шаг съедает заметную часть бюджета, потому что туда по привычке ставят фронтир-модель. В итоге что в бенче: – 4 задачи: саммаризация, извлечение данных, коррекция текста, чистка диктовки – 4 длины: 30 сек (голосовое), 2 мин, 15 мин (звонок в поддержку), 60 мин (митинг) – на входе реальный выход STT – с «эээ», оговорками и ошибками распознавания – качество, скорость и цена за час аудио рядом – судьи – Claude Opus 5.5 и GPT-5.6 Sol, диктовка проверяется механически по эталону Лучшие: – Overall: GPT-6 Astra – 92, GPT-6 Luna – 90 (самая дешёвая в пределах 8 пунктов от топа), GPT-4.1 – 84 (самая быстрая) – Саммари: Opus 5.5 – 98, GLM-5.3 Flash – 91 за копейки – Диктовка: Gemini 4 Argon – 100, GLM-5.3 Flash – 96 – лидер по качеству стоит в 15–77 раз дороже модели, отстающей всего на 2 пункта. Только на часовых записях разрыв сжимается до ~4× – GPT-6 Luna – около полцента за час аудио, но платишь задержкой – gemma-4-31b на 30 секундах отвечает быстрее секунды с качеством 93 (у Luna – 1.7 сек) – Qwen3.5 4B Fast – самая быстрая, но на 15-минутных звонках качество падает Прикол, что опенсорс почти не выигрывает по цене – Luna и так стоит копейки, а экономия на открытых моделях – доли цента ценой 10+ пунктов качества на всём, что длиннее 2 минут. Зато по скорости на коротких входах открытые модели на их железе рвут всех: те же модели у других хостеров отвечают 10–20 сек. Бенчмарк открыт на GitHub, и его можно прогнать на своих транскриптах и записях. Выбрать уже под себя. Короче, фронтир в голосовых сценариях нужен в основном на длинных митингах. Для голосовых сообщений, коротких звонков и диктовки хватает маленькой быстрой модели, а сэкономленное лучше потратить на нормальный подбор модели для своих данных. https://www.assemblyai.com/blog/voice-standard-bench

Нормальные AI-транскрибаторы для созвонов 😀 Пока искала себе ноуттейке, наткнулась на свежий разбор HubSpot, утащила сюда самые интересные варианты. Отдельно проверила русский язык) ✖️Fathom — транскрибация, саммари, фоллоу-ап, CRM Цена: есть free, платные — от $16/мес Русский: есть ✖️Fellow — саммари, постановка задач, интеграции с Asana/Jira/ClickUp Цена: free, платные — от $7/мес Русский: есть ✖️Rev — AI-транскрипция + при необходимости проверка человеком. Цена: от $0.25/мин Русский: есть на платных тарифах ✖️Descript — больше для тех, кто потом еще режет созвоны в контент. Цена: free, платные — от $16/мес Русский: нет Если и есть отличия, то совсем незначительные берите то, что нравится внешне и не сильно бьет по карману)) Кстати, зацените как рекламируются их конкуренты в гугле 😅️️️️ Fireflies у меня были, но уж больно бесячие, постоянно слали сообщения на почту, отказалась от использования

Amanu Бесплатная программа для автоматической записи и расшифровки звонков. Работает с любыми: Zoom, Google Meet, Telegram, WhatsApp. Запускает и останавливает запись сама, раскладывает реплики по людям и пишет выжимки встреч. Что умеет • Автозапись звонков (старт/стоп сами) • Расшифровка с диаризацией — реплики по говорящим, а не единый поток • Качественные выжимки встреч • Все локально, без интернета, либо через твои подписки и API-ключи • Каждая встреча — отдельная папка: аудио, расшифровка, саммари • Windows 11 24H2+ и macOS 14.2+ Заявлено, что для выжимок использует мощные модели на полную, а не экономит токены github.com/gsamat/amanu #asr #desktop MAX

Что за проклятый таймлайн. Пока одни разрабатывают все более эффективные ИИ транскрибаторы, другие разрабатывают анти-ИИ транскрибаторы. Компания Deveillance выкатила два интересных проекта: Spectre I - это девайс, который издает неслышимый звук в радиусе 2 метров от вас. Он накладывается на звук вашего голоса и всякие там умные устройства не могут его распознать. Kalypta - это локальная модель, которую вы ставите на свое устройство. Все, что улавливает ваш микрофон на созвонах, передается со специальным звуком и мешает распознаванию. Сейчас можно потестить Калипту, но они ищут бета тестеров с MacOS. (а я убежденный форточник) Пока можно послушать демку записи. Правда, звучит она ужасно - как будто звонишь из жопы. 🥴 Но они обещают улучшить этот мерзкий звук так, чтобы твои собеседники хотя бы не хотели тебя расстрелять на созвонах.

Встречайте виндоус-версию нашей программы для автоматической записи и расшифровки звонков! Работает с любыми звонками: zoom, google meet, телеграм, вацап... Запускает и останавливает запись автоматически. Расшифровывает встречи, определяет говорящих, так что реплики разложены по людям, а не слиты в один поток. Пишет качественные выжимки встреч. Многие программы экономят на токенах, а эта использует самую мощную модель, чтобы ничего не потерять. Умеет делать всё это локально, без доступа к интернету. Можно подключить мощные платные модели, умеет использовать подписки (!) и API ключи. Все данные хранятся локально на компьютере. Одна встреча — одна папка, внутри аудиофайл, расшифровка, выжимка. Очень удобно натравить нейросети. Программа полностью бесплатная, с открытым исходным кодом. Легкая установка, файл сертифицирован Microsoft. Ура! ❧ Claude оказалась довольно бесполезна для разработки и тестирования виндоус-софта из-за супер ограниченной песочницы. Codex с computer use работает идеально. Весь процесс миграции занял неделю. Из них 3 дня я доказывал Microsoft, что достоин их сертификата разработчика и без computer use я бы точно сдался; потом потратил примерно 70% недельных лимитов 100 долларовой подписки на миграцию, тестирование и доводку напильником. На фото — ноутбук под Windows, на котором я тестировал эту программу :) Скачивайте тут!

Вас тоже напрягают записывальщики митингов, которых все таскают по созвонам? (меня да). А ведь еще часто записывают, ничего мне не говоря, через wispr или granola. Как и следовало ожидать нашлись люди, которые придумали продукт для противостояния этому. Локально крутится LLM, которая адверсариально натренирована против wispr и прочих voice2text моделей. Она в риалтайме добавляет adversarial noise к вашему аудиостриму, который ломает распознавалки речи на другой стороне. Из минусов - это сейчас иногда превращает вашу речь в что-то, что трудно распарсить и человеку, кек)) Теперь voice2text модели придется регулярно перетренировывть, чтобы они были робастными к таким атакам! Ну а вообще респект ребятам, довести до ума, убрать явный шум и будет полезный продукт, для поддержания privacy звонков. Сам продукт @ai_newz

Сделал бесплатную программку для автоматической записи и расшифровки онлайн-встреч. Работает с любыми звонками: zoom, google meet, телеграм, вацап... Запускает и останавливает запись автоматически. Расшифровывает встречи, определяет говорящих, так что реплики разложены по людям, а не слиты в один поток. Пишет качественные выжимки встреч. Многие программы экономят на токенах, а эта использует самую мощную модель, чтобы ничего не потерять. Умеет делать всё это локально, без доступа к интернету. Можно подключить мощные платные модели, умеет использовать подписки (!) и API ключи. Все данные хранятся локально на компьютере. Одна встреча — одна папка, внутри аудиофайл, расшифровка, выжимка. Очень удобно натравить нейросети. Программа полностью бесплатная, с открытым исходным кодом. Легкая установка, нотаризованный Apple бинарник. Работает на macOS; если вы заинтересованы в Windows-версии — чирканите мне письмо на amanu-windows@samat.me. ❧ Даже со всеми нейросетями, разработка заняла почти месяц (неделя активной работы, дальше по мелочи) — вы не представляете, сколько краевых случаев вылезло, пока я тестировал приложение на себе.

'"Такой же но лучше"' Транскрибаторы голоса для компьютера одинаковы. Пользователь нажимает горячую клавишу, включается запись с микрофона. Whisper расшифровывает речь, любой LLM убирает мусор и расставляет запятые, результат отправляется в активное окно. Вайбкодер такое напишет за вечер, и оно будет работать лично для него. Индихакер соптимизирует лендинг подобного проекта под какой-то хитрый поисковый запрос и будет зарабатывать 100 или 1000 долларов в месяц. Американский #стартапдня Wispr Flow с этим продуктом привлек на днях инвестиции по оценке 2 миллиарда долларов. Ниже несколько мыслей, чем он отличается от той поделки, что могу сделать я. Во-первых, своя модель. Wispr утверждает, что распознает в разы лучше, чем тот же Whisper – причем можно поверить, что это преимущество не пропадет со временем. Даже если открытые модели достигнут идеала, останется ещё разница в хостинге. Вайбкодер либо использует ресурсы ноутбука клиента, либо переплачивает за чужие токены. У большого проекта сервера будут свои и это улучшит юнит-экономику при тех же возможностях. Во-вторых, дистрибуция. Большинство пользователей всё же не программируют инструменты для себя, они покупают готовое. Wispr был первым или одним из первых и занял место в рейтингах и головах людей. Менеджер по закупкам большой компании всегда предпочтет лидера рынка, а не новичка. “Никого ещё не уволили за контракт с IBM”. Текущая выручка стартапа уже видимо недалеко от 100 миллионов долларов в год. В-третьих, экосистема. Интеграции с корпоративной авторизацией и разнообразные сертификаты по безопасности уже есть, встроенные продукты по обработке полученных голосовых записей неизбежно будут появляться. Поддержать инструкцию “преврати это в корректный юридический документ” – и вот уже Wispr и электронного юриста продает. Да, понятно, надо много всего сделать, чтобы за это деньги взять, а не ссылаться на “AI может ошибаться”, но нога-то уже втиснута. Контракт “о простеньком транскрибаторе” с корпорацией есть, когда будущий сложный продукт будет готов, допродать его станет проще. Разработка никогда не была по-настоящему узким местом. AI лишь подчеркнул это максимально явно. https://wisprflow.ai/ #ai #сша #мегараунд #технология

✔️ OpenAI представила новые модели распознавания речи GPT Transcribe предназначена для работы с аудиофайлами и обрабатывает их примерно в 34 раза быстрее реального времени. GPT Live Transcribe оптимизирована для потоковой расшифровки звука с минимальной задержкой. Оба решения доступны через API, умеют учитывать текстовый контекст и заданные ключевые слова, а также поддерживают мультиязычный ввод. По данным тестов Artificial Analysis на бенчмарке AA-WER, GPT Transcribe демонстрирует уровень ошибок в словах (WER) на отметке 3,3%. Это на 0,7 пп лучше результата ее предшественницы - GPT-4o Transcribe. Несмотря на улучшенные метрики, изделие OpenAI пока не дотягивает до лидеров. В рейтинге AA-WER первое место у Fun-Realtime-ASR-Preview от Alibaba Group с показателем 1,7% второе - у ElevenLabs Scribe v2 (2,2%), за ней следуют MAI-Transcribe-1.5 (2,4%), Mistral Voxtral Small (2,8%) и Gemini 3.1 Pro (2,8%). Вместе с релизом OpenAI снизила тарифы - минута обработки аудио обойдется в $0,0045, а для GPT Live Transcribe - $0.017. @ai_machinelearning_big_data #news #ai #ml

Если вы работаете удаленно, наверняка в рабочем процессе есть созвоны. Многие команды используют инструменты транскрибации видео, чтобы потом можно было работать с текстом, зафиксировать договоренности или приложить к задаче. Подобные решения обычно работают со своим облаком, что не очень секьюрно в плане данных, может противоречить политикам конфиденциальности. Но вот попалось опенсорсное решение, которое можно развернуть полностью локально - Meetily. Транскрибирует локально с помощью Whisper или Parakeet. Резюме по тексту можно тоже локально делать через Ollama, но можно и через внешнее API. Для Windows и Mac есть комьюнити-версия для скачивания, для Linux можно собрать себе самому. Есть также более функциональная PRO-версия. #tools