# Анализ аудио 15694: начало фразы не вошло в окно Whisper Проверено 21 октября 2026. Ожидаемая фраза, подтверждённая пользователем: «Посчитай количество полей в форме». Анализ локальный; код, настройки и runtime не изменялись. Новые вызовы модели не выполнялись — использованы результаты из архива. ## Подтверждённые факты | Вход / путь | Backend | Текст | |---|---|---| | Live final, доставленный в чат | Whisper Turbo | и количество полей в форме. | | Повторное распознавание final.wav | Whisper Turbo | и количество полей в форме. | | Полный ingress_output | Whisper Turbo | Почтаю количество полей в форме. | | Полный ingress_input | Whisper Turbo | Почтаю количество полей в форме. | | Полный browser_output | Whisper Turbo | Почтуем количество полей в форме. | | Повторное распознавание final.wav | LinTO | И что и количество полей в форме. | | Полный ingress_output | LinTO | Почтаю количество полей в форме. | Все четыре файловых вызова Turbo используют одинаковые сохранённые параметры: ru, beam_size=1, temperature=0, condition_on_previous_text=false, vad_filter=false. Float32/16 kHz final поступил модели без изменений — подтверждено хешем. ## Точное сопоставление аудио - ingress_output: 90 880 отсчётов, 5,680 с, PCM16/16 kHz. - final: 34 432 отсчёта, 2,152 с, float32/16 kHz. - final **по каждому отсчёту** равен диапазону `[18752, 53184)` ingress_output, то есть **1,172–3,324 с**, после точного PCM16→float32. - Три partial длиной 0,520 / 1,192 / 1,864 с — точные префиксы final. Все четыре окна имеют offset_samples=0. Разрывов и перестановки внутри окон нет. - Перед границей final есть начало заметного сигнала: примерно 1,130–1,172 с, 42 мс. RMS этого участка −23,92 dBFS против −56,10 dBFS фонового участка 0–1 с. Это оценка энергии по сэмплам, не результат Silero и не фонетическая разметка. - browser_output целиком побитово найден в ingress_input, со смещением 5120 отсчётов / 106,667 мс. В общей части транспорт PCM не повредил. - Проверены CRC ZIP, SHA-256 PCM семи WAV и исходные WAV/PCM хеши всех шести результатов ручного распознавания. Сбор complete=true, dropped=0. ## Где находится наиболее вероятная причина Сокращённый вход существует уже перед вызовом модели. Чат получил сохранённый ASR final без изменения первого слова. Оконные снимки совпадают между собой; перемещения начала rolling window в этой короткой фразе не было. В live bridge `py_faster_whisper_stt_whisper_to_nats` начало фразы выделяет Segmenter. Обычные параметры — предзапас 200 мс, активация 160 мс, порог начала 0,65. Предзапас возвращается перед подтверждённой речью. Выбранное начало фразы оказалось позже акустического начала в этой записи. По совокупности источников основной кандидат — поздняя граница VAD и недостаточный предзапас перед ней. Проверено наличие отсечения; ещё не доказано, что добавление конкретного префикса само по себе даст точное «Посчитай». Вероятности Silero и его предшествующее рекуррентное состояние в ZIP не записаны. Существует и отдельная ошибка качества: даже целый файл даёт «Почтаю», а не «Посчитай». Поэтому нельзя обещать идеальный текст одним увеличением буфера. ## Проверяемый следующий шаг, без реализации Сравнить на Turbo с прежними настройками и одинаковым концом 3,324 с: исходный final; тот же диапазон с дополнительными 100/200/400 мс **реального** предшествующего PCM; отдельный контроль с равным количеством нулей перед final. Так можно отличить пользу возвращённых звуков от влияния длины/тишины контекста. Если реальный префикс улучшает результат, проверить предзапас 400–500 мс вместо 200 мс на наборе тихих начал, пауз и фоновых звуков. Порог и условия активации сначала оставить прежними. Только после проверки выбирать изменение. Полный ingress_output не следует автоматически распознавать второй раз: он содержит окно записи, которое может включать несколько фраз и паузы. ## Источники - Архив: `локальный источник - [Числовые проверки и хеши](). - [График границы](). - [Полный ingress_output без изменений](#archive-availability). - [Исходный final без изменений](#archive-availability). - [Участок ingress_output 0,900–3,324 с, без обработки](#archive-availability). - Bridge: `src/streaming_asr/vad.py:7,25,52` — предзапас, активация и выдача начала. - Worker: `src/streaming_asr/worker.py:584,667,714,781` — накопление, снимок, диагностика и публикация final. - Изученный checkout voice: d09ff808; развёрнутый Worker — 4d36d58 (компонент без изменений между этими SHA по предыдущей проверке поставки).