Опубликовано: 14.08.2026 | Источник: CNews (новости)

ИИ-преобразование речи в текст для ВКР: архитектура, метрики и реальный кейс

18 марта 2026 года «МойОфис» анонсировал «Голосовые заметки ИИ» — решение, которое превращает устную речь в структурированный текст за считанные секунды. Для студента технического направления это не просто новостной повод, а готовый предмет исследования: можно разобрать архитектуру транскрибаторов, сравнить подходы, применить методы оценки качества. Ниже — как этот кейс превращается в актуальную ВКР, какие главы и метрики использовать, и как не утонуть в формальностях при защите.

Почему кейс «МойОфис» попадает в тренды ВКР

Распознавание речи перестало быть лабораторной технологией. Теперь это встроенная функция офисных продуктов: врач диктует протокол, юрист — проект договора, студент — лекцию. В дипломных работах появляются задачи, связанные с адаптацией моделей, задержками, точностью и интеграцией с документооборотом. Руководители ожидают, что выпускник понимает не только программный код, но и умеет сравнивать решения, выбирать архитектуру и измеримо доказывать пользу внедрения.

LSI-контекст: автоматическое транскрибирование, микросервисная архитектура, REST API, модели на базе Faster-Whisper, метрика WER (Word Error Rate), стандарты ГОСТ 34.601-89, ISO/IEC 25010, мониторинг через OpenTelemetry, запуск в Kubernetes, CI/CD-пайплайны.

Три темы для ВКР на основе статьи

Тема 1. Разработка сервиса транскрибации лекций с открытой архитектурой

Актуальность: «МойОфис» сделал ставку на мгновенное структурирование речи — значит, рынок требует решений, которые можно внедрять в учебные платформы и корпоративные корпоративные порталы.

Цель: спроектировать и реализовать прототип сервиса преобразования аудио в текст с заданным форматом.

Задачи:

• сравнить существующие API (Vosk, Whisper, SpeechKit) и локальные модели;
• обосновать выбор REST API и очереди задач для асинхронной обработки;
• спроектировать схему БД для хранения транскриптов и метаданных;
• провести нагрузочное тестирование и замерить время ответа.

Структура глав:

• Глава 1. Анализ технологий распознавания речи и требований.
• Глава 2. Проектирование архитектуры: схема компонентов, API, модель данных.
• Глава 3. Тестирование, оценка качества и экономический эффект.

Тема 2. Оценка качества систем распознавания речи в условиях деловой переписки

Актуальность: заявление «МойОфис» о структурированном тексте «выбранного формата» поднимает вопрос — как измерить точность? В дипломе можно исследовать факторы: шум, акцент, специальная терминология.

Цель: разработать методику тестирования транскрибаторов с метриками WER, MER и оценкой пригодности для медицинских или юридических документов.

Задачи:

• собрать корпус аудио с разными акустическими условиями;
• реализовать скрипт для автоматического расчёта WER;
• провести эксперименты минимум на двух моделях;
• сформулировать выводы о минимальном качестве для документов.

Структура глав:

• Глава 1. Методы и подходы к оцениванию систем распознавания.
• Глава 2. Разработка тестового стенда и набора данных.
• Глава 3. Эксперименты, статистическая обработка, рекомендации.

Тема 3. Интеграция голосового ввода в корпоративный документооборот

Актуальность: «МойОфис Голосовые заметки ИИ» — пример импортозамещающего офисного ПО. Для малого бизнеса актуальна задача встраивания транскрибации в 1С или внутренний портал.

Цель: разработать модуль преобразования устных указаний в структурированный текст для системы документооборота.

Задачи:

• проанализировать требования к форматам документов ГОСТ Р 7.0.97;
• разработать схему интеграции через REST API с сервисом транскрибации;
• реализовать интерфейс загрузки аудио и редактирования результата;
• оценить уменьшение времени создания документа.

Структура глав:

• Глава 1. Обзор систем документооборота и способов ввода данных.
• Глава 2. Проектирование ИС: архитектура, сценарии использования, ER-модель.
• Глава 3. Реализация, тестирование, расчёт эффективности.

Что писать в аналитической главе диплома

Используйте статью как пример сдвига рынка: отечественные вендоры внедряют ИИ не как «экспериментальную фичу», а как стандарт офисных продуктов. В аналитике нужно сравнить это решение с открытыми аналогами. Для чего пригодится такая таблица.

Вывод из сравнения — обоснование стека для ВКР: если важна конфиденциальность и нужно дообучение, выбираем локальную модель с открытым кодом. Если нужна скорость внедрения в рамках учебного проекта — можно опираться на публичный API. В дипломе это оформляется как раздел «Сравнительный анализ существующих решений» с обязательными ссылками на источники, включая страницу «МойОфис».

Проектная часть: архитектура сервиса транскрибации

Не копируйте «секретную» архитектуру «МойОфис» — её никто не публиковал. Лучше спроектируйте свою. Для типового диплома достаточно 4 компонентов:

• Клиент (Web/мобильный) — отправка аудио и показ результата;
• API Gateway — приём файлов, авторизация, маршрутизация;
• Очередь + воркер — асинхронная обработка длинных записей (Kafka или RabbitMQ);
• Микросервис транскрибации — модель распознавания + пост-обработка через LLM для форматирования.

Схему можно нарисовать в UML (диаграмма компонентов), но не забывайте про стандарт: для технического проекта в пояснительной записке лучше использовать описание в соответствии с ГОСТ 19.701-90. Покажите в тексте, как частота дискретизации и кодек влияют на размер очереди и время обработки.

POST /api/v1/upload
{
  "audio_name": "meeting_2026-08-01.ogg",
  "template": "protocol"
}

Response 202 Accepted
{
  "task_id": "9f7b...",
  "status": "queued"
}

Такой пример в дипломе демонстрирует владение REST-проектированием и понимание асинхронных паттернов. Также можно показать фрагмент Dockerfile или docker-compose для локального запуска модели.

Тестирование и метрики: как измерить «преобразование за секунды»

Чтобы ваша работа выглядела убедительно, в главе тестирования приведите два вида измерений: качество распознавания и производительность.

• WER (Word Error Rate) — процент ошибок на уровне слов. Норма для офисной транскрибации — ниже 10–12%. Используйте его в дипломе как основную метрику.
• Задержка (p95) — время от окончания речи до получения полного текста. У «МойОфис» заявлено «за секунды», значит для вашего прототипа хорошая цель — не более 2–3 секунд на минутный фрагмент.
• Нагрузочное тестирование с помощью k6 или JMeter: 100 параллельных запросов, оценка утилизации CPU/GPU.
• RTO/RPO для раздела надёжности, если это ВКР по ИС. Можно указать, что при отказе воркера транскрипты из очереди не теряются, а RTO составляет не больше 5 минут за счёт рестарта Kubernetes.

Для мониторинга в дипломной работе уместно использовать OpenTelemetry — только добавьте пару абзацев о трассировке запросов от загрузки файла до выдачи результата.

Типичные ошибки студентов

Чек-лист перед сдачей

FAQ

Сложно ли реализовать транскрибатор для диплома?

Зависит от уровня подготовки. Если вы работаете с Python впервые, возьмите готовую библиотеку Vosk или Faster-Whisper. Распознавание запускается в 15—20 строк кода. Сложность в том, чтобы сделать из этого сервис: добавить веб-интерфейс, обработку ошибок и тесты. Для ВКР достаточно MVP, зато у вас будет реальный работающий код.

Требуют ли на защите наличие кода?

Обычно достаточно демонстрации интерфейса и диаграмм. Но если тема связана с разработкой, комиссия может попросить показать структуру проекта и фрагменты реализации. Лучше подготовить 2—3 ключевых файла (главный модуль распознавания, схема БД, API-эндпоинт).

Как оформить UML-диаграммы так, чтобы их приняли?

Диаграмма компонентов должна отображать связи между модулями. Диаграмма классов — для моделей данных. Подписывайте каждый элемент, используйте цветовое кодирование. В пояснительной записке обязательно сделайте ссылку на рисунок: «На рисунке 5. представлена схема...».

Где брать тестовые аудиозаписи для замеров?

Можно записать собственные голосовые заметки, но лучше взять открытые датасеты: Common Voice, LibriSpeech. Для русской речи подойдёт SOVA dataset. Обязательно укажите источник данных в методике.

Чему вы научитесь в процессе работы

• Проектировать системную архитектуру — выделите компоненты, очереди, БД и роли;
• Оценивать качество ИИ-моделей — замерять WER, понимать, откуда берутся ошибки;
• Обосновывать выбор стека — сравнить проприетарный SaaS и open-source;
• Писать техническую документацию — ТЗ, пояснительная записка, руководство пользователя;
• Работать с DevOps-инструментами — Docker, Kubernetes, CI/CD, если решите добавить деплой.

Практические выводы

Кейс «МойОфис» удобен в качестве «точки старта» для ВКР. В нём есть тайминг («за секунды»), формат («структурированный текст выбранного формата») и импортозамещение. Всё это — готовые критерии для вашей работы. Не стремитесь повторять коммерческое решение полностью: возьмите одну задачу, например, преобразование врачебных аудиозаметок в протокол осмотра, и доведите её до прототипа.

Вы научитесь главному — переводить расплывчатую идею «сделать ИИ» в инженерную спецификацию: метрики, диаграммы, сравнение, тесты. Именно этого ждут комиссия и будущий работодатель.

Вывод по использованию статьи в списке литературы

Включите исходный материал в список источников как: «МойОфис» представляет ИИ-решение для преобразования за секунды устной речи в структурированный текст выбранного формата // CNews.ru. — 18.03.2026. Такая ссылка показывает, что ваш диплом опирается на отраслевые публикации текущего года.

Источник: «МойОфис» представляет ИИ-решение для преобразования за секунды устной речи в структурированный текст выбранного формата (опубликовано 18.03.2026).