Программисты — удалённая работа в Москве

Системное программирование. Разработка с нуля. Техническое задание на транскрибацию аудио/видео с диаризацией 1. Общая информация Необходимо разработать свой сервис транскрибации с высокой точностью диаризации (не менее 95%) и разбивкой по таймкодам (в точности до секунд). Прежде всего рассматриваем вариант, в котором сервис может использоваться пользователями локально без загрузки файлов в облако или в веб, чтобы сохранить конфиденциальность загружаемых данных (работа с чувствительными данными). Примеры - macwhisper / aTrain (но у них пока страдает качество диаризации) Как референс - транскрибатор в рамках этого приложения - https://www.supervisor-ai.ru/ (именно то, что всё происходит на устройстве, плюс real-time, плюс сохраняется только текст). Доп фича: real-time транскрибация Доп фича: возможность включения записи и транскрибации для очных встреч, например с телефона, без необходимости подключать программу для созвонов 2. Типы файлов Типы медиафайлов: - Аудио (.mp3 / .wav / .aac и пр.) - Видео (.mp4 / .mov / .avi и пр.) Чаще видео, чем аудио, но необходима поддержка обоих типов медиафайлов. Продолжительность одного файла (в среднем): 30-90 минут, преимущественно 60 минут Среднее количество файлов в месяц: у одного пользователя от 4 до 50. Также на первых этапах работы подразумевается загрузка большого объема видеофайлов Максимальный размер файла (МБ/ГБ): 4 гб 3. Языки и акценты Основной язык аудио/видео: русский и английский 4. Диаризация (распознавание спикеров) Необходима ли диаризация (разделение по говорящим)? ☐ Да, качество диаризации не менее 90-95% Ожидаемое количество спикеров на записи: ☐ 2 (чаще 2, но в редких случаях может быть 3) 5. Выходной формат результата: ☐ Текст (.txt) ☐ Word (.docx) ☐ JSON. Хотели бы получать возврат результатов в виде структурированных данных. По аналогии с yandex speech kit - https://yandex.cloud/ru/docs/speechkit/stt/api/transcribation-api#get-result-response. Чтобы по отдельным фразам можно было видеть время начала, время конца и спикера. Это может быть полезно в дальнейшем, и работу не усложнит, потому что на стороне распознавания данные структурированные Нужна ли разбивка по таймкодам? ☐ Да (с точностью до секунд) 6. Автоматизация / API Как вы планируете передавать файлы? ☐ Через веб-интерфейс Нужно ли предоставить API для загрузки и получения результата? ☐ Возможно в будущем 7. Безопасность и конфиденциальность Насколько критична конфиденциальность данных? ☐ Строго (обязательные NDA, шифрование, хранение в пределах юрисдикции) Нужны ли специальные меры хранения и обработки данных? ☐ Да (уточните): никакая информация (аудио, текст) не должны покидать устройство пользователя, загружаться куда-либо или отправляться 9. Дополнительно Примеры файлов отправлю по запросу Сроки выполнения (если ограничены): пока не ограничены Иные особенности / пожелания: real-time транскрибация возможность включения записи и транскрибации для очных встреч, например с телефона, без необходимости подключать программу для созвонов Со ссылками удобнее смотреть здесь: https://docs.google.com/document/d/13QBA8yVpFCQyBzokjS9NmXJCPprN-vda/edit?usp=sharing&ouid=105912551128539341807&rtpof=true&sd=true.