Как устроен py-faster-whisper
Файл и голосовой поток используют разные сценарии. В одном случае нужно вернуть результат по всей записи, в другом - выдавать черновой текст в ходе разговора.
Что можно сравнивать
Для файлового тракта отдельно измеряют подготовку аудио, распознавание и диаризацию. Для потока важны задержки до первого текста и финала реплики. Единый RTF помогает сравнить пропускную способность, но скрывает момент, когда пользователь впервые увидел результат.
Сентябрьский Benchmark сохранял время, RTF и косвенные показатели разметки спикеров. Эти поля помогают разбирать подозрительные случаи. Для WER и DER отдельно нужны эталоны текста и границ.