Вечером в лаборатории на окраине Красноярска я снова включаю старый диктофон — не потому что он технологичнее, а потому что его кольцевой шум, треск и система питания словно рассказывают историю о самих записях. Передо мной лежит папка с часами разговоров: рассказы охотников, детские игры на новомосковском сленге, семейные саги на диалекте, который тает вместе с поколениями. Автоматический транскриптор выдает сухие строки текста: слова без интонаций, смех, паузы и крики превращаются в бессмысленные маркеры. Меня больше всего тревожит не то, что модель ошибается в отдельных словах, а то, что она не замечает того, что делает рассказы живыми — эмоций, пауз, шепотов, заиканий, смены ритма. Как сохранить в архивах не только слова, но и голос — вместе с его телесностью, непредсказуемостью и культурной нагрузкой?

Это не простая задача машинного обучения; это проблема методологии, этики и коммуникации с живыми носителями языка. В статье я опишу, какие препятствия и неожиданные решения встретились на пути, какие инструменты оказались полезны, и как можно выстроить рабочий процесс, чтобы автоматическая транскрипция не убивала жизнь в устных нарративах, а помогала исследовать и передавать их дальше.

Ночной архив и шорохи записи

Работа начинается с записи. В краевой экспедиции я часто ловлю момент, когда рассказчик внезапно отходит от главной линии сюжета и повторяет одно слово с разными интонациями — это не баг, это семантическая игра, способ проверки аудитории, ритуал подтверждения принадлежности. Телефонная запись, сделанная по невнимательности, утратит эту слоистость: шум мотора, эхо, фоновые разговоры. Первое правило сохранения нюанса — думать о качестве звука как о культурном ресурсе, а не только как о техническом параметре.

Я перестал гоняться за «чистотой»: если невозможно сделать идеальный шумоподавленный файл, нужно фиксировать дополнительные контексты. В начале каждой сессии я записываю метаданные голосом: где, когда, кто присутствует, какое время суток, какой был уровень алкоголя, есть ли дети в комнате. Эти «переходные» комментарии потом помогают понять, почему в одном фрагменте голос дрогнул, а в другом звучал торжественно.

Кроме того, я ввел практику многотарифной записи: две дорожки одновременно — одна в высоком качестве (при возможности), другая — полевой мобильный файл. Такой дубль позволяет сравнить, какие акустические элементы теряются и какие остаются ключевыми для восприятия эмоции. Когда модель обучается на парах «плохое — хорошее», она лучше учится отделять сигнал от шума и фокусироваться на интонации.

Трудности модели: от фонем до пауз

Современные модели распознавания речи впечатляют, но они редко натренированы на редких диалектах и на парalinguistic elements — невербальных сигналах, которые