Разговор — по ролям

Записывает разговор на телефон, разделяет его по голосам и выдаёт расшифровку по ролям — чтобы потом разобрать разговор, в том числе с помощью ИИ.

Звук и текст обрабатываются на устройстве, записи никуда не загружаются.

когда: 20–21 октября 2026, 24 коммита
статус: версия 1.0.0; установлено на iPhone, проверка на устройстве идёт
роль: идея и постановка задачи, продуктовые решения, выбор дизайна и названия, тестирование и приёмка

речи в шумном кафе отнесено к правильному человеку

речи покрывает расшифровка в том же шуме — узкое место в распознавании

на 1 мин 34 с аудио в браузере, один поток

автотестов: 19 на Swift, 7 на JavaScript

цепочка

01запись
02голоса
03распознавание
04роли
05экспорт

что умеет

iPhone

запись одной кнопкой, из Быстрых команд и с кнопки действия; пауза
запись при заблокированном экране; после звонка продолжается сама, если iOS разрешает
таймер, уровень звука и сколько мегабайт уже на телефоне
запись возвращается после сбоя или закрытия приложения посреди записи
расшифровка на телефоне: число собеседников «авто» или от 2 до 8
голоса — переименовать, объединить, перенести реплику другому
плеер: перемотка по волне, ±15 с, 1× / 1,5× / 2×; нажал на реплику — слушаешь с неё
экспорт в Markdown, JSON или текст; аудио — в Telegram, AirDrop, почту или «Файлы»

Веб-версия

запись с микрофона или загрузка файла перетаскиванием
расшифровка в браузере, без сервера
разговор как многодорожечная запись: у каждого голоса своя дорожка
правка голосов и реплик — как в приложении
скачать расшифровку в Markdown, JSON или TXT и исходное аудио; скопировать для ИИ-чата
темы корпуса «Графит» и «Серебро»
два встроенных примера: четыре разных голоса и диалог в шумном кафе

как устроено

iPhone: Всё на телефоне, сервера нет. Запись — WAV 24 кГц моно, после остановки сжатие в AAC. Голоса — pyannote, WeSpeaker и кластеризация VBx через FluidAudio на Core ML / Neural Engine, речь — Parakeet. Интернет нужен один раз — скачать модели, около 1 ГБ.
общая логика: Отдельный модуль без зависимостей от iOS сопоставляет слова голосам, правит роли и делает экспорт. В веб-версию он перенесён построчно, поэтому реплики режутся одинаково.
веб: Одна страница. Модели в фоновом потоке на WebAssembly: pyannote-segmentation-3.0, WeSpeaker ResNet34, Whisper base с временем слов. Отпечатки голосов — иерархическая кластеризация, записи и кэш моделей — в IndexedDB.
сборка без Mac: GitHub Actions на macOS: тесты, сборка для симулятора, скриншоты в демо-режиме, автопроверка записи, сборка для iPhone. На Linux — тесты веб-версии.

что пришлось решать

01
Нет Mac, а приложение для iPhone.
Сборка и проверка целиком в GitHub Actions на macOS: скрипт сам выбирает свежий Xcode, симулятор снимает скриншоты, отдельный прогон проверяет запись. Готовая сборка складывается в отдельную ветку.
02
Сжатый m4a становится нечитаемым, если приложение закрыли посреди записи.
Звук пишется в WAV с первой секунды, на диске отмечено, что запись идёт. При следующем запуске заголовок чинится, запись появляется как «восстановленная»; сжатие — только после нормальной остановки.
03
В веб-версии распознаватель выбрасывал речь после смены говорящего.
Whisper получает звук кусками по репликам одного голоса, а не сплошным потоком.
04
Модели около 120 МБ во встраиваемой версии страницы, где строгие правила: только свои файлы, ограниченные типы и размеры.
Модели нарезаны на части до 14 МБ и подставляются в библиотеку через свой кэш.
05
Открытой записи русского разговора в шумном кафе с разметкой не нашлось.
Смесь собрана скриптом из открытых данных: актёрский диалог, шум столовой и приглушённый чужой разговор. Эталон, кто когда говорил, известен — качество считается, а не оценивается на глаз.

как проверялось

автотесты: 19 на XCTest для общего модуля логики — на macOS; 7 на Node.js test runner для той же логики в вебе — на Linux. Всё в GitHub Actions.
каждая сборка: На симуляторе iPhone: скриншоты 5 экранов в демо-режиме, запись 6 секунд с проверкой сжатого файла, «убийство» приложения посреди записи и проверка, что запись восстановлена.
смоук-тест: Весь конвейер на тестовом диалоге двух голосов на Mac: тест падает при пустой расшифровке или неверном числе говорящих.
сценарии: Playwright и headless Chromium: правка ролей и сохранение после перезагрузки, режим встраиваемой страницы, запись с тестового микрофона, запуск из локального файла, вёрстка на 6 ширинах — от 1440 до 290 px.
вручную: Просмотр скриншотов после каждой сборки, веб-версия на ПК, установка на iPhone.

найденные баги

баг 01исправлено

Веб-версия на ПК записывала, но не расшифровывала

Ранние тесты проходили: браузер запускали с флагом доступа к файлам. Повторили тест без флага — на локальном файле фоновый обработчик не стартовал.

Обработчик переделан в «классический» Web Worker, проверено в том же режиме без флага.

баг 02исправлено

Записи на iPhone не сжимались

На скриншоте разговора — WAV вместо M4A, а список файлов из облачной проверки показал, что сжатый файл не создаётся: кодер AAC отказывался от 64 кбит/с на этой частоте.

Битрейт перебирается по списку, в конце кодер выбирает его сам; результат короче исходника отбрасывается. Проверено: 6,4 с → M4A, 33 КБ.

баг 03исправлено