Система диаризации и идентификации голосов сотрудников

Нужно разработать систему, которая автоматически расшифровывает записи совещаний, разделяет речь по спикерам (диаризация) и определяет, кто именно из сотрудников говорит (идентификация по базе голосов). Что должна делать система: 1. Транскрибация: Преобразовывать аудио совещания в текст (русский язык). 2. Диаризация: Разделять запись на сегменты по спикерам. 3. Идентификация: Сопоставлять каждого спикера с базой голосовых отпечатков сотрудников (~60 человек). 4. Хранить базу «голосовых профилей» сотрудников. Каждый сотрудник один раз записывает несколько секунд/минут своего голоса для регистрации. 5. Возвращать готовый результат с разметкой по именам: Например: [00:00 - 00:15] Иванов И.И.: Добрый день, коллеги... [00:16 - 00:35] Петров А.С.: Давайте начнем с первого вопроса... [00:36 - 00:50] Неизвестный: А можно уточнить по срокам? Важно: - Стоимость эксплуатации должна быть низкой - Корректная обработка ситуаций, когда говорят несколько человек одновременно (overlapping speech). Варианты реализации (на ваш выбор): - Облачное решение (Сторонние сервисы по api). - Полностью своё решение на Open Source. - Гибрид. Что нужно от вас в отклике: 1. Какой стек предлагаете (модели, сервисы, библиотеки). 2. Примерная стоимость эксплуатации в месяц. 3. Сроки выполнения. 4. Опыт работы с аудио/ML/speech recognition (желательно примеры). Результат: Исходный код проекта, не важен удобный и красивый интерфейс или api, я это решение потом сам буду встраивать в свой проект