Над столом в архивном читальном зале Красноярска, под тусклым светом лампы, лежит виниловая катушка со старой записью. На пленке — голос женщины из севера, рассказавшей одну из тех историй, которые передаются через поколения не как текст, а как ткань дыхания: паузы, всплески смеха, долгие протяжные согласные, переходы между языками и обрывки песенной интонации. Молодая исследовательница, увлечённая цифровой гуманитаристикой, слушает в наушниках этот фрагмент и чувствует, что стандартные распознаватели речи бессильны: они либо стирают важные паузы, либо превращают рассказы в сухую транскрипцию, лишённую ритма, контекстов и власти голоса. Перед ней стоит не просто техническая задача — это требование сохранить ту невидимую архитектуру смысла, которая живёт в промежутках и в самом способе произнесения.

Ситуация знакома многим, кто работает с устными традициями: данные редки, условия записи сложны, а культурная чувствительность требует, чтобы алгоритмы не доминировали над сообществом, а помогали ему управлять своими историями. Этот текст рассказывает о пути одной исследовательницы из Красноярска, которая решила обучить мультимодальную модель «понимать» не только слова, но и паузы, интонации и социальные подсказки в устной речи коренных народов Сибири. Это не инструкция к созданию бездушного автомата — это рассказ о том, как сочетать звуковую науку, машинное обучение и уважение к носителям традиции, чтобы технологии служили сохранению и передаче культурного наследия.

Первый удар по привычным методам пришёл на этапе аннотирования. Автоматическая расшифровка давала неполный текст, а вручную набранные транскрипции не отражали, насколько важна была пауза в середине предложения: та самая пауза могла означать смену референта, ритуальный градиент уважения или молчаливое подтверждение слушателя. Исследовательница поняла, что нужно работать не только с текстом и