Year: 2026
Type: dissertation
Abstract: Tato práce se zabývá problematikou plně lokálního automatického přepisu klinických rozhovorů bez nutnosti připojení k internetu. Cílem bylo provést experimentální porovnání moderních modelů pro převod řeči do textu, zvolit nejvhodnější architekturu a následně navrhnout a implementovat funkční prototyp aplikace MedApp, který dokáže zpracovat reálné audiozáznamy rozhovorů lékaře s pacientem a vytvořit strukturovaný výpis. V první části práce byly na čtrnácti nahrávkách rozdělených do dvou sad otestovány vybrané varianty modelu Whisper a systém Vosk pomocí metrik WER, CER a RTF. Pět nahrávek tvoří hrané klinické záznamy (sada A) a devět syntetické nahrávky vytvořené pomocí ElevenLabs (sada B). Testy ukázaly, že model Whisper large-v3 dosahuje nejlepších výsledků s průměrnou hodnotou WER 17,7 % a CER 12,8 % bez kontextové nápovědy a zároveň vykazuje nízký výpočetní čas a stabilní výkon při běhu na GPU. Na základě těchto výsledků byl zvolen jako jádro navrženého systému. Druhá část práce se zaměřila na implementaci kompletního on-premise systému zahrnující převod řeči do textu, diarizaci mluvčích pomocí modelu pyannote.audio~3.1 a generování strukturovaného výstupu ve formátu JSON. Součástí řešení je rovněž modul pro automatické shrnutí rozhovoru, realizovaný pomocí lokálního jazykového modelu Ollama llama3.1:8b, který na základě přepisu vytvoří strukturovaný záznam s klíčovými tématy, shrnutím a akčními body bez nutnosti odesílání dat mimo zařízení. Navržený systém dosáhl průměrné hodnoty WER 8,2 % a CER 4,9 % napříč všemi nahrávkami, přičemž na hraných klinických nahrávkách sady A dosáhl WER hodnoty 15,7 % a na syntetických nahrávkách sady B hodnoty 3,9 %. Průměrný faktor reálného času dosáhl RTF = 0,460. Diarizace modelem pyannote.audio 3.1 dosáhla průměrné chyby DER 2,1 %. Výsledkem práce je funkční, prakticky ověřený prototyp aplikace umožňující plně lokální přepis klinického rozhovoru s automatickou identifikací mluvčích a automatickým vytvořením strukturovaného záznamu.
Author: Pospíšil, Martin
Language: Czech
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7164787567