Не публікуйте SRT одразу після розшифрування

1. Якщо в записі є гуцульська говірка. Не плутайте локальний виміряний орієнтир із готовим сервісом: донавчена OmniASR-CTC-1B має 28,76% WER на агрегаті 40-спікерного корпусу й 43,63% на радіопідмножині. Це причина тестувати саме ризиковий уривок, не причина оголосити API-переможця. Джерело
2. Назвіть потрібний вихід. Якщо у відео важливо, хто саме говорить, не обирайте chirp_2 як готову діаризацію: поточна документація Google каже, що її немає. Scribe v2 та MAI-Transcribe-2 документують позначених спікерів і word-level timestamps; для Azure поточна preview-нота попереджає про збої діаризації приблизно від 15 хвилин. Точна таблиця
3. Якщо ви підтримуєте локальний процес. Не обирайте відкритий чекпойнт за назвою. У парному записі на 750 FLEURS Ukrainian кліпах Orukeet v0.1.0 r3 має 5,39% WER проти 6,00% у Parakeet; це аргумент лише для схожого читаного аудіо. Інша таблиця показує, що лідер на читаному й телефонному аудіо може програвати Whisper на спонтанному. Це не готовий SRT-сервіс.
4. Збережіть оригінал. Працюйте з копією аудіо та визначте формат експорту до завантаження.
5. Підготуйте контекст. Випишіть імена, бренди, абревіатури й терміни, які не можна розпізнати навмання.
6. Перевірте короткий фрагмент. Порівняйте слова, цифри, паузи, два голоси й шум. Якщо у відео є гуцульська або інша регіональна вимова, включіть її: дослідження гуцульського корпусу показує, що локальна модель може радикально змінити WER після донавчання. Це не тест вашого API, тому власний уривок необхідний.
7. Вичитайте весь текст. Пройдіться по іменах, сумах, назвах, запереченнях і місцях з накладанням голосів.
8. Звірте таймінг після правок. Відкрийте готовий SRT у цільовому програвачі; текст, що став довшим після виправлення, може більше не вміщатися в кадр.

Джерела функцій: Google Cloud V2; Azure MAI-Transcribe. Вони не дають українських балів точності чи готовності SRT.