Vorbire în text, în română și rusă, cu acordul înregistrat înainte de prima secundă de audio.

Lucrăm cu română și rusă, pentru că astea sunt limbile în care apar problemele noastre reale și pe care le putem verifica pe material propriu. Alte limbi sunt tehnic posibile prin aceiași furnizori, dar înainte să promitem ceva facem o probă pe înregistrările tale — o limbă merge sau nu merge în funcție de audio, nu de lista de pe pagina furnizorului.

În cercetare, nu în produs, și e important să nu confundăm cele două. Direcția proprie nu are demonstrație publică, nu are interfață de programare și nu are telefonie, iar pe acuratețea recunoașterii în română măsurătorile noastre arată că pierdem față de sistemele comerciale mari. Publicăm asta pentru că e concluzia noastră, obținută pe propriul nostru banc de test. Serviciul pe care îl vindem azi rulează pe furnizori, prin gateway-ul nostru.

Dreptul se stabilește pe situație, cu clientul, înainte de instalare — nu e ceva ce putem transfera noi. Ce facem noi e să îl impunem în cod: fără un acord înregistrat pentru sesiunea curentă, serverul refuză captura cu 451 și un mesaj în română. Dacă baza de date care ține acordurile nu răspunde, refuză și atunci, cu 503. Nu există configurare care să transforme lipsa acordului în trecere tăcută.

Nu. Pagina cere backendului un jeton de unică folosință pentru sesiunea de transcriere, valabil implicit 900 de secunde, și cu el deschide conexiunea. Cheia contului rămâne pe server. În plus, ruta care emite jetoane e închisă implicit și se poate deschide doar printr-o setare explicită în afara producției, pentru că e ruta care consumă bani.

Depinde mai mult de audio decât de model: microfon, suprapuneri, cifre, nume proprii, zgomot de fundal. Nu îți dăm un procent înainte să auzim materialul tău, pentru că un procent luat de pe o fișă de produs nu spune nimic despre ședințele tale. Ce facem e o probă pe înregistrări reale, cu erorile puse pe masă — de obicei se strică la cifre și la nume, nu la fraze.

Da, și rulează deja în producție într-un sens: colegul scrie răspunsul în română, iar mesajul pleacă la client în limba clientului. Regulile sunt stricte în cod — fără informații adăugate, fără prețuri sau termene inventate, fără a contrazice operatorul. Sensul invers, clientul către operator, se rezolvă azi prin transcrierea mesajelor vocale; traducerea automată a textului clientului către operator nu e pornită peste tot și o spunem înainte, nu după.

Formatul se recunoaște din conținutul fișierului, nu din extensie — WAV, OGG, MP3 și M4A sunt tratate explicit, iar mesajele vocale de pe canalele de mesagerie ajung de regulă ca OGG. Primești transcriptul, analiza dacă e cerută, și audio exportat: WAV fără dependențe, FLAC și MP3 dacă `ffmpeg` există pe server. Dacă nu există, serverul spune asta cu un cod dedicat, nu eșuează generic.

Nu. În plus, nu folosim nici ieșirea furnizorilor de voce pentru a antrena sau a testa un model concurent — le interzic explicit termenii lor de utilizare, iar noi îi respectăm și în direcția noastră de cercetare proprie, acolo unde ar fi fost comod să nu o facem.

Sesiunea se oprește cu o eroare care numește cauza, nu cu un ecran gol. Pentru analiză există o listă ordonată de modele de rezervă în cod, deci acolo indisponibilitatea degradează calitatea în loc să oprească fluxul. Pentru recunoașterea vorbirii în timp real nu avem redundanță automată între furnizori, și e o limită reală, nu o omisiune.