Три разные беды
Ровный фоновый шум — вентиляция, улица, гул кафе — распознаванию мешает умеренно. Модель обучена на живых записях и такой фон переживает.
Эхо хуже: в комнате с гладкими стенами каждый согласный звучит дважды, и текст начинает сыпаться именно на согласных.
Дальний микрофон хуже всего. Громкость падает пропорционально квадрату расстояния, и вместе с ней падает всё остальное.
Что чинится обработкой
Ровный шум давится шумоподавлением в любом звуковом редакторе, и это иногда помогает. Но агрессивное шумоподавление съедает и речь тоже — текст становится хуже, а не лучше.
Тихую запись можно усилить. Если исходник не в клиппинге, простое увеличение громкости даёт заметный прирост разборчивости.
Что не чинится
Эхо и наложение голосов. Информации, которой нет в записи, взять неоткуда — ни человеку, ни программе.
Речь тише фонового шума. Если человека не разобрать ухом, не разберёт и модель.
Как проверить, не тратя денег
Послушайте минуту записи сами, вполуха. Если приходится напрягаться, чтобы разобрать слова, расшифровка будет требовать много правок.
Если расшифровать совсем не удалось, минуты вернутся целиком — за неудачу мы денег не берём.