Из часов аудио — фрагменты, которые вы можете снова найти.

Автоматическое обнаружение и транскрибация могут ошибаться. Наличие захватов и покрытие проверяются для каждого источника.

Что фактически обнаруживается, а что нет

Хорошо обнаруживаются рекламы, которые сообщают что-то проверяемое: телефон, сайт, цену, призыв к действию. По конструкции пропускаются: имиджевые рекламы, которые представляют собой только бренд плюс слоган, спонсорства передач, перекрестное продвижение между станциями одной группы, социальные сообщения, спетые джинглы (Whisper транскрибирует их как поэзию или шум), рекламы короче 5 секунд и те, у которых транскрипция ухудшена слабым захватом.

Измеренная точность, на реальных данных

Собственный аудит от 25 мая 2026 года, на живой базе данных с 5018 захватами и 7428 сегментами, дал 111 реклам после расширения. Распределение оценок: 80 сегментов выше 0,50 (четко идентифицированные рекламы), 29 между 0,40 и 0,50, 193 между 0,30 и 0,40 — вручную проверенные как в большинстве своем пропущенные реальные рекламы — 278 между 0,20 и 0,30, 33 между 0,10 и 0,20 и 6815 ниже 0,10, то есть музыка. Оценка recall при пороге того времени, 0,40: 30–50%. Позднее порог был снижен до 0,30 именно на основе этого измерения, что увеличивает recall и увеличивает также число false-positive для проверки.

Почему это не полное измерение точности

Чтобы опубликовать цифру точности и recall в строгом смысле слова, понадобилось бы 60+ минут вручную размеченного аудио на станцию, сравненого с выходом системы. Исследование запланировано, не сделано. У нас есть распределение оценок на реальных данных плюс ручная проверка по выборкам — меньше, чем benchmark, больше, чем впечатление, и важно не путать эти два понятия.

Временное покрытие — реальное ограничение

В аудированной окне захваты покрывали три интервала из примерно 80 возможных часов — остальное, монитор был выключен. Именно это, а не детектор, является главной причиной того, что база содержала 111 реклам, а не тысячи. Полезный результат требует непрерывной работы на сервере, а не на ноутбуке. Деталь, зависящая от рынка, и верная: между 00:00 и 05:00 результат в виде нуля реклам — не ошибка: молдавские радиостанции в этот интервал дают музыку без рекламы.

Способность к транскрибации — узкое место

На Mac с Apple Silicon, на CPU, `large-v3-turbo` с одним worker’ом работает примерно вдвое медленнее реального времени: около 2 обработанных сегментов в минуту против 4, создаваемых 4 постами. Очередь заполняется, давление передаётся назад, и захват замедляется — правильное поведение, потому что мы не теряем аудио. Для 10 постов непрерывно нужен GPU, 2–4 worker’а или более длинные сегменты, по 60–120 секунд.

Что хранится и сколько

WAV-аудио на диске, с очисткой по умолчанию файлов старше 48 часов; транскрипции, сегменты, рекламные объявления и кластеры остаются в базе данных. То есть аудиодоказательство рекламы доступно два дня, если срок не изменён, а текст остаётся.

Права на записи — не установлены

В проекте нет ни одного документа о правах или лицензировании: единственное упоминание лицензии — `license = { text = "Private" }` в конфигурации пакета. Потоки в эталонной конфигурации — это публичные потоки прослушивания некоторых станций из Молдовы. Запись и хранение эфира для анализа — не то же самое, что его прослушивание, и тот, кто оплачивает мониторинг, должен иметь законное основание для захвата и хранения — для каждой станции. Это выясняется до первой установки, а не после; мы не можем передать право, которого у нас нет.