Распознавание узбекской речи в продакшене работает: чистую речь и типовые фразы модель берёт из коробки. Ломается оно на телефонном канале, на переключении с узбекского на русский внутри фразы, на диалектах, именах и суммах. Причина — в данных: открытые корпуса состоят из начитанного текста, а не из звонков; в Uzbek Speech Corpus 105 часов записей 958 дикторов, и авторы получили на нём 17,4% ошибок по словам на тестовой выборке, а телефонных диалогов в корпусах нет. Лечится это не сменой модели, а данными: размеченными реальными звонками, словарём терминов и обработкой переключений «узбекский ↔ русский». Отдельная задача — задержка: голосовой агент — это конвейер из распознавания, понимания, ответа и синтеза, и потоковое распознавание вместо ожидания конца фразы убирает самую заметную паузу. В Zukko.AI — платформе ИИ-агентов для бизнеса — для узбекского, русского и английского работают свои модели распознавания речи, на которых построены голосовой AI-агент и анализ звонков. Выбирая вендора, спрашивайте, на каких данных доучена модель и какая задержка на телефонном канале.
Работает ли распознавание узбекской речи в продакшене
Голосовой агент для контакт-центра — это не «модель, которая обзванивает». Это конвейер: распознавание речи, понимание запроса, ответ и синтез — и всё это должно укладываться в задержку, при которой человек не чувствует паузы. Распознавание узбекской речи здесь и есть узкое место: акценты, переключение на русский в середине фразы, банковская терминология.
Причина — в данных. Открытые корпуса узбекской речи есть, но это начитанный текст, а не разговоры контакт-центра: в Uzbek Speech Corpus 105 часов записей 958 дикторов, и авторы получили на нём 17,4% ошибок по словам на тестовой выборке (Musaev и др., 2021); в корпусе FeruzaSpeech — 60 часов одного диктора с расшифровкой кириллицей и латиницей (Povey, 2024). Телефонных диалогов в них нет — такие данные команда собирает и размечает сама.
Что работает из коробки
Базовая модель неплохо берёт чистую студийную речь и стандартные фразы. Для FAQ-сценариев — «остаток по карте», «часы работы», «адрес отделения» — этого почти достаточно. Проблемы начинаются на телефонном канале: сжатый звук, шум, перебивания.
Что пришлось дотягивать
Точность на доменной лексике мы поднимали не сменой модели, а данными: размеченные реальные звонки, словарь терминов, обработка кодовых переключений «узбекский ↔ русский». Отдельно боролись за латентность — стриминговое распознавание вместо ожидания конца фразы убирает самую заметную паузу.
В голосовом AI выигрывает не самая большая модель, а самый короткий и предсказуемый путь от звука до ответа.
| Участок конвейера | Базовая модель из коробки | Что пришлось дотягивать |
|---|---|---|
| Чистая студийная речь | Распознаётся стабильно | Ничего — базовой модели достаточно |
| Телефонный канал | Точность падает: сжатый звук, шум, перебивания | Дообучение на размеченных реальных звонках |
| Доменная лексика (банк, логистика, клиника) | Термины путаются и «выравниваются» под общие слова | Словарь терминов и разметка отраслевых диалогов |
| Переключение «узбекский ↔ русский» | Фраза теряется на стыке языков | Отдельная обработка кодовых переключений |
| Задержка до ответа | Ожидание конца фразы даёт слышимую паузу | Стриминговое распознавание вместо пакетного |
Что ломает распознавание узбекской речи в проде
В таблице — пять причин, по которым распознавание, уверенное на чистой записи, ошибается на живом звонке: как каждая проявляется и что с ней делают.
| Что ломает | Как проявляется | Что с этим делают |
|---|---|---|
| Переключение узбекский ↔ русский внутри фразы | Теряется часть фразы после стыка языков — там, где звучат суммы и названия услуг | Отдельная обработка кодовых переключений, примеры смешанной речи в разметке |
| Диалекты и акценты | Слова региональной речи заменяются похожими литературными | Разметка звонков из разных регионов, проверка на записях заказчика |
| Телефонный канал 8 кГц | Сжатый звук, шум и перебивания: модель, уверенная на чистой записи, пропускает слова | Дообучение на реальных телефонных записях |
| Имена собственные и суммы | Фамилии, названия услуг и числа записываются с ошибкой, термины «выравниваются» под общие слова | Словарь терминов и имён, разметка отраслевых диалогов |
| Латиница и кириллица на выходе | Один и тот же текст приходит в разной графике, поиск и отчёты расходятся | Единая графика расшифровки, приведение текста к одному письму |
Как та же задача выглядит со стороны бизнеса — что попадает в расшифровку и как подключить запись — разобрано в статье о транскрибации звонков на узбекском. В Zukko.AI для узбекского, русского и английского работают свои модели распознавания речи; на них опираются голосовой AI-агент и анализ звонков.
Вывод для тех, кто выбирает голосового вендора
Спрашивайте не «какая у вас модель», а «на каких данных она доучена под наш язык и нашу отрасль» и «какая задержка на телефонном канале». Для банков СНГ это и есть два решающих вопроса. Точные цифры по вашему контуру подтверждаются на демо. Как этот стек работает внутри платформы — на странице распознавания узбекской речи в Zukko.AI.
Частые вопросы
Почему распознавание узбекской речи сложнее, чем русской
Данных для обучения меньше, а речь живая: сильные акценты, диалектные различия и переключение на русский в середине фразы. Добавьте телефонный канал со сжатым звуком и шумом — и универсальная модель, которая хорошо звучит на студийной записи, начинает терять слова. Поэтому качество решают не параметры модели, а размеченные реальные звонки.
Что даёт замена модели на более крупную
Меньше, чем ожидают. Крупная модель поднимает общее качество, но не знает вашу отраслевую лексику и добавляет задержку. Точность на доменных словах даёт дообучение на размеченных реальных звонках и словарь терминов, а не размер модели сам по себе. Поэтому сначала проверяют данные и канал, и только потом спорят о размере модели.
Какая задержка допустима в голосовом диалоге
Ориентир простой: человек не должен чувствовать паузу после того, как договорил. Поэтому считают не время работы модели, а весь путь — распознавание, понимание, ответ и синтез. Стриминговое распознавание убирает самый заметный кусок ожидания: система начинает разбирать фразу, пока человек ещё говорит, а не после того, как он замолчал.
Как AI справляется со смешанной узбекско-русской речью
Кодовые переключения обрабатываются отдельно: система не заставляет говорящего держаться одного языка, а распознаёт стык и продолжает фразу. Без такой обработки модель теряет вторую половину предложения — именно там чаще всего звучат цифры, суммы и названия услуг. Для Узбекистана это обычная речь, а не исключение, поэтому проверять её нужно в первую очередь.
Что спросить у вендора голосового AI перед запуском
Три вещи: на каких данных модель доучена под ваш язык и отрасль, какая задержка именно на телефонном канале и что происходит при нетиповом запросе. Просите проверку на ваших записях — точные цифры по контуру подтверждаются на демо, а не в презентации. Отдельно уточните, в какой графике приходит расшифровка: латиницей или кириллицей.
Нужны ли собственные модели или достаточно готовых
Зависит от сегмента. Малому и среднему бизнесу обычно хватает готовых моделей с настройкой под каталог и сценарий — запуск занимает от 2 часов. Для enterprise с требованиями по данным и контуру речевой стек разворачивается отдельно, и объём работ обсуждается на этапе внедрения — до 30 дней. В Zukko.AI работают свои модели распознавания речи для узбекского, русского и английского.
Есть ли открытые данные для распознавания узбекской речи
Есть, но их немного, и это начитанный текст. В открытом корпусе USC — 105 часов записей 958 дикторов (2021), в FeruzaSpeech — 60 часов одного диктора с расшифровкой кириллицей и латиницей (2024). Телефонных диалогов контакт-центра в них нет, поэтому данные под свой канал и свою отрасль команды собирают и размечают сами.