fix

app/clients/deepgram_client.py

@@ -21,12 +21,19 @@ async def transcribe(
     diarize: bool,
     smart_format: bool,
 ) -> str:
-    """Přepíše audio Deepgramem a vrátí prostý transkript (channels[0].alternatives[0].transcript)."""
+    """Přepíše audio Deepgramem.
+
+    Když je zapnutá diarizace, vrátí přepis se štítky mluvčích (z `utterances`),
+    např. `Mluvčí 0: ...`. Bez diarizace vrátí plochý transkript.
+    """
     params = {
         "model": model,
         "language": language,
         "diarize": "true" if diarize else "false",
         "smart_format": "true" if smart_format else "false",
+        # utterances rozseká přepis na promluvy s přiřazeným mluvčím — nutné, aby
+        # v textu bylo vidět rozlišení mluvčích (samotný `transcript` je plochý).
+        "utterances": "true" if diarize else "false",
     }
     headers = {
         "Authorization": f"Token {api_key}",
@@ -48,9 +55,36 @@ async def transcribe(
 
     data = resp.json()
     try:
-        channels = data["results"]["channels"]
+        results = data["results"]
-        alternative = channels[0]["alternatives"][0]
+        # 1) Preferuj diarizovaný výstup z utterances (se štítky mluvčích).
+        diarized = _format_utterances(results.get("utterances"))
+        if diarized:
+            return diarized
+        # 2) Fallback na plochý transkript.
+        alternative = results["channels"][0]["alternatives"][0]
         return alternative.get("transcript", "") or ""
     except (KeyError, IndexError, TypeError) as exc:
         log.error("Unexpected Deepgram response shape: %s", exc)
         raise UpstreamError("Neočekávaná struktura odpovědi z Deepgramu.") from exc
+
+
+def _format_utterances(utterances) -> str:
+    """Sloučí Deepgram utterances do přepisu se štítky mluvčích (`Mluvčí N: ...`).
+
+    Po sobě jdoucí promluvy stejného mluvčího spojí do jednoho řádku.
+    """
+    if not utterances:
+        return ""
+    lines: list[str] = []
+    prev_speaker = None
+    for utt in utterances:
+        text = (utt.get("transcript") or "").strip()
+        if not text:
+            continue
+        speaker = utt.get("speaker")
+        if speaker != prev_speaker:
+            lines.append(f"Mluvčí {speaker}: {text}")
+            prev_speaker = speaker
+        else:
+            lines[-1] += " " + text
+    return "\n".join(lines)

app/clients/openai_client.py

@@ -20,7 +20,8 @@ async def transcribe(
     """Přepíše audio přes OpenAI Whisper (/audio/transcriptions) a vrátí text."""
     headers = {"Authorization": f"Bearer {api_key}"}
     files = {"file": (filename or "audio.mp3", audio, content_type or "application/octet-stream")}
-    form = {"model": model}
+    # temperature=0 => deterministický přepis, méně halucinací na tichu/šumu.
+    form = {"model": model, "temperature": "0"}
     if language:
         form["language"] = language
     url = f"{OPENAI_BASE_URL}/audio/transcriptions"

app/prompts.py

@@ -1,31 +1,43 @@
 """Defaultní prompt pro slučování přepisů (Czech Transcript Merger).
 
-Přebráno z původní .NET implementace CallCenterController. Volající může poslat
+Vychází z původní .NET implementace, ale je upravený tak, aby:
-vlastní `combine_prompt` v POST; když ho nepošle, použije se tento.
+- zachoval VŠECHNY repliky obou zdrojů (sjednocení, ne průnik),
+- využil rozlišení mluvčích z Deepgramu (Text1 chodí se štítky `Mluvčí N:`),
+- ignoroval typické halucinace Whisperu na tichu/šumu.
+
+Volající může poslat vlastní `combine_prompt` v POST; jinak se použije tento.
 """
 
 DEFAULT_COMBINE_PROMPT = (
-    "Jsi \"Czech Transcript Merger\". Tvým úkolem je z *Text1* (Deepgram) a *Text2* "
+    "Jsi \"Czech Transcript Merger\". Ze dvou přepisů TÉHOŽ českého hovoru — *Text1* "
-    "(OpenAI) vytvořit jediný, co nejpřesnější český přepis téhož hovoru."
+    "(Deepgram, obsahuje rozlišení mluvčích ve tvaru „Mluvčí 0:\", „Mluvčí 1:\") a "
-    "PRAVIDLA SLOUČENÍ"
+    "*Text2* (OpenAI Whisper, plynulejší, ale bez mluvčích a někdy s halucinacemi) — "
-    "1) Plynulost & běžná mluva: upřednostňuj Text1."
+    "vytvoř jediný, co nejpřesnější a ÚPLNÝ přepis.\n"
-    "2) Strukturované údaje (NEZKRESLUJ, NEVYMÝŠLEJ): upřednostňuj Text2 pro: jména a "
+    "\n"
-    "příjmení, firmy/brand, SPZ, čísla (tel., částky, datum/čas), e-maily, URL/domény, "
+    "PRAVIDLA:\n"
-    "adresy, čísla objednávek, kódy."
+    "1) ÚPLNOST je priorita: zachovej VŠECHNY repliky z obou zdrojů (sjednocení). "
-    "3) Pokud si Text1 a Text2 odporují:"
+    "Nikdy nevynechávej reakce mluvčích jen proto, že jsou jen v jednom zdroji — typicky "
-    "   - pro údaje z bodu (2) zvol Text2, *pokud* je formátově i významově věrohodný; "
+    "krátké odpovědi volajícího („Ne, teď to nejde.\", „Ano.\", „Děkuji.\") bývají jen "
-    "jinak použij lépe vypadající variantu z Text1 nebo bezpečně oprav na gramaticky "
+    "v jednom přepisu, přesto je zařaď.\n"
-    "správnou podobu beze změny významu."
+    "2) Rozlišení mluvčích: použij strukturu mluvčích z Text1. Každou repliku uveď "
-    "   - pro běžné věty a obraty preferuj Text1."
+    "štítkem na začátku řádku. Když je z kontextu jasné, kdo je kdo, přejmenuj mluvčí na "
-    "4) Oprav zjevné chyby rozpoznání (např. „panešance“ → „pane Švance“, "
+    "„Asistent:\" (volá bot/firma) a „Volající:\"; jinak ponech „Mluvčí 0:\" / „Mluvčí 1:\". "
-    "„CS Technologys“ → „CS Technologies“, „Samalepa.cz“ → „Samolepak.cz“). Zachovej "
+    "Když začátek není jistý, první mluví Asistent.\n"
-    "diakritiku a přirozenou češtinu."
+    "3) Plynulost & běžná mluva: upřednostňuj znění z Text1; Text2 použij pro doplnění "
-    "5) Odstraň duplicity, záseky a šum (např. náhodná slova typu „Přiším.“, opakování "
+    "chybějících pasáží a upřesnění.\n"
-    "„slyšíme se, slyšíme se“ zkrať na přirozené)."
+    "4) Strukturované údaje (NEZKRESLUJ, NEVYMÝŠLEJ) — jména/příjmení, firmy/brand, SPZ, "
-    "6) Nepřidávej obsah, který není v žádném zdroji. Dovoleny jsou jen minimální "
+    "čísla (tel., částky, datum/čas), e-maily, URL/domény, adresy, čísla objednávek, kódy: "
-    "gramatické a stylistické úpravy pro srozumitelnost."
+    "vyber tu variantu, která je formátově i významově věrohodnější (často Text2). "
-    "7) Když je to z kontextu jasné, můžeš rozlišit mluvčí „Asistent:“ / „Volající:“. "
+    "Oprav zjevné chyby rozpoznání (např. „CS Technoloužís\"/„CS Technologys\" → "
-    "Není-li to jisté, ponech bez štítků."
+    "„CS Technologies\", „bojce bota\" → „voicebota\", „I služby\" → „e-služby\"). "
-    "😎 VÝSTUP: *Pouze finální sloučený text* (žádné vysvětlení, žádné značky, žádný "
+    "Zachovej diakritiku a přirozenou češtinu.\n"
-    "JSON, žádné kódy). Když nevíš, kým začít, tak na prvním místě je asistent."
+    "5) Ignoruj zjevné HALUCINACE Whisperu: nesmyslné či nesouvisející útržky (zvlášť na "
+    "konci hovoru na tichu/šumu, opakující se nebo mimo kontext) do výstupu NEDÁVEJ. "
+    "V pochybnostech se opři o Text1.\n"
+    "6) Odstraň duplicity, záseky a šum; opakování zkrať na přirozené.\n"
+    "7) Nepřidávej obsah, který není ani v jednom zdroji. Povoleny jsou jen minimální "
+    "gramatické a stylistické úpravy pro srozumitelnost.\n"
+    "\n"
+    "VÝSTUP: pouze finální sloučený přepis, po řádcích se štítky mluvčích. Žádné "
+    "vysvětlení, žádné poznámky, žádný JSON."
 )

app/routers/transcribe.py

@@ -31,9 +31,16 @@ router = APIRouter(tags=["transcribe"])
 
 
 class TranscribeResult(BaseModel):
-    gpt: str = Field(..., description="Přepis z OpenAI (model whisper-1).")
+    gpt: str = Field(..., description="Přepis z OpenAI (model whisper-1), plynulý, bez mluvčích.")
-    deepgram: str = Field(..., description="Přepis z Deepgramu.")
+    deepgram: str = Field(
-    merge: str = Field(..., description="Sloučený, co nejpřesnější výsledný přepis.")
+        ...,
+        description="Přepis z Deepgramu. Při zapnuté diarizaci se štítky mluvčích "
+        "(`Mluvčí 0: ...`).",
+    )
+    merge: str = Field(
+        ...,
+        description="Sloučený, co nejpřesnější a úplný přepis se štítky mluvčích.",
+    )
 
 
 async def _read_upload(file: UploadFile) -> tuple[bytes, str, str]:
@@ -65,7 +72,11 @@ async def transcribe(
     whisper_model: str = Form(DEFAULT_WHISPER_MODEL, description="OpenAI přepisový model."),
     chat_model: str = Form(DEFAULT_CHAT_MODEL, description="OpenAI chat model pro sloučení."),
     language: str = Form(DEFAULT_LANGUAGE, description="Jazyk audia (ISO kód, např. cs)."),
-    diarize: bool = Form(True, description="Deepgram diarizace (rozlišení mluvčích)."),
+    diarize: bool = Form(
+        True,
+        description="Deepgram diarizace — rozlišení mluvčích. Při zapnutí vrací `deepgram` "
+        "přepis se štítky `Mluvčí N:` (interně zapne i utterances).",
+    ),
     smart_format: bool = Form(True, description="Deepgram smart formatting."),
     creds: Credentials = Depends(get_credentials),
 ) -> TranscribeResult:

documentation/transcribe.md

@@ -23,18 +23,28 @@ jsou form fields v POST. API klíče jsou v X- hlavičkách. Výstup je vždy JS
 | `whisper_model` | text | `whisper-1` | OpenAI přepisový model |
 | `chat_model` | text | `gpt-4o` | OpenAI chat model pro sloučení |
 | `language` | text | `cs` | Jazyk (ISO kód) |
-| `diarize` | bool | `true` | Deepgram diarizace |
+| `diarize` | bool | `true` | Deepgram diarizace (rozlišení mluvčích) |
 | `smart_format` | bool | `true` | Deepgram smart formatting |
 
 Nezadá-li se `combine_prompt`, použije se výchozí prompt z `app/prompts.py`.
 
+### Rozlišení mluvčích a kvalita
+
+- Při `diarize=true` (výchozí) Deepgram interně zapne i `utterances` a přepis `deepgram`
+  se vrací se štítky mluvčích, např. `Mluvčí 0: ...` / `Mluvčí 1: ...`. Plochý přepis bez
+  mluvčích (samotné `alternatives[0].transcript`) se použije jen jako fallback.
+- `gpt` (Whisper) je plynulý, ale **bez mluvčích** a občas halucinuje na tichu/šumu —
+  proto se volá s `temperature=0`.
+- `merge` sjednotí oba zdroje: použije strukturu mluvčích z Deepgramu, doplní chybějící
+  repliky z Whisperu a ignoruje zjevné halucinace (řídí výchozí `combine_prompt`).
+
 ### Odpověď
 
 ```json
 {
-  "gpt": "přepis z OpenAI (whisper-1)",
+  "gpt": "Dobrý den, tady je asistentka ...",
-  "deepgram": "přepis z Deepgramu",
+  "deepgram": "Mluvčí 0: Dobrý den, tady je asistentka ...\nMluvčí 1: Ne, teď to nejde.",
-  "merge": "sloučený, co nejpřesnější výsledný přepis"
+  "merge": "Asistent: Dobrý den, tady je asistentka ...\nVolající: Ne, teď to nejde."
 }
 ```