Разработка собственной системы распознавания речи (ASR) для русского языка

Описание задачи

Нужна офлайн-система распознавания речи (ASR) на русском языке, обученная с нуля — без использования сторонних или предобученных моделей (Vosk, Whisper, Yandex, Google и т.п.).

Проект выполняется в рамках требований госструктур, поэтому важны:

• прозрачность происхождения данных и модели;

• отсутствие зависимостей от иностранных вендоров;

• возможность предоставить datasheet и документацию.

l

🔹 Основные требования

1. Фреймворки: PyTorch, допустимы icefall/k2/lhotse или ESPnet.

2. Архитектура модели: Conformer-CTC (MVP-вариант).

3. Обучение:
   

   • с нуля на нашем корпусе (минимум 300–500 часов речи);

   • нормализация текста, токенизация (BPE).

5. Результат работы:
   

   • обученная модель с WER-отчётом;

   • экспорт в ONNX + int8-квантизация (для офлайн-работы на CPU);

   • CLI-демо для распознавания файлов и микрофона;

   • инструкция по запуску (Dockerfile/requirements).

7. Документация: datasheet модели (описание данных, архитектуры, метрик).

🔹 Что мы предоставляем

• доступ к части корпуса аудиоданных на русском языке;

• сервер/GPU-ренты для обучения (оплачиваются отдельно).

🔹 Бюджет и сроки

• Бюджет: $2 000 (фиксировано)

• Срок: 6–8 недель (обсуждаемо, в зависимости от организации обучения и качества данных).

🔹 Критерии отбора исполнителя

• опыт в разработке ASR (Kaldi, ESPnet, icefall, NeMo);

• примеры реализованных проектов / GitHub;

• понимание пайплайна: разметка данных, обучение, экспорт, деплой.

🔹 Этапы сдачи проекта

1. Подготовка пайплайна + обучение тестовой модели (на малом датасете).

2. Обучение основной модели на корпусе.

3. Экспорт в ONNX + int8.

4. Тестирование, документация, передача результата.