Кто такой DimaTorzok, и почему его имя появляется в расшифровках?

Сценарий почти всегда один. Человек отправляет голосовое сообщение или загружает запись на расшифровку, получает текст — и в самом конце, там, где уже никто не говорит, обнаруживает строку: «Субтитры сделал DimaTorzok».

Этого имени нет ни в записи, ни в настройках, ни в интерфейсе. Оно появляется само — и появляется у разных людей, в разных приложениях, на разных записях.

Столкнуться с этим можно в Telegram, CapCut, DaVinci Resolve, в редакторах субтитров и на сайтах для расшифровки записей. Общее у всех этих продуктов одно: под капотом у них Whisper — открытая модель распознавания речи, которую OpenAI выложила в сентябре 2022 года.

Кто такой DimaTorzok

DimaTorzok — псевдоним человека, который делал русские субтитры к роликам на YouTube и подписывал свою работу строкой «Субтитры сделал DimaTorzok». Сообщество связывает этот ник с каналом GMD13; по публикациям в СМИ, речь идёт о субтитрах примерно 2016–2017 годов. Сам автор давно не активен, а его подпись пережила и канал, и эпоху: она осталась внутри модели, обученной на видео с субтитрами.

Никакого отношения к OpenAI, к разработке Whisper или к сервисам расшифровки этот человек не имеет. Его имя попало в модель тем же способом, что и миллионы других слов, — вместе с текстом, который кто-то когда-то выложил в интернет.

Заметили закономерность далеко не сразу. Сначала это выглядело как единичный курьёз: странная строка в конце файла, которую проще стереть, чем объяснить. Потом оказалось, что имя видят разные люди на разных записях, и в обсуждениях репозитория Whisper появился прямой вопрос — «Who is DimaTorzok?». Там же прозвучало первое внятное объяснение: это подпись переводчика из обучающих данных, которую модель приняла за часть звуковой дорожки.

Почему нейросеть вообще может придумать слово

Интуитивно распознавание речи кажется переводом звука в буквы: услышал — записал. Современные модели работают иначе. Whisper не расшифровывает звук по кусочкам, а предсказывает наиболее вероятную последовательность слов, которая могла бы соответствовать этому звуку. Ближайшая аналогия — не диктофон, а автодополнение в телефоне, только подсказки строятся не по первым буквам, а по акустическому сигналу.

На каждом шаге декодер опирается на две вещи: на звук и на уже написанный текст. Пока речь разборчива, звук доминирует — и расшифровка получается точной. Как только акустических данных становится мало, вес звука падает, а вес языковой привычки растёт. Модель всё равно обязана выдать какое-то продолжение, и она выдаёт то, что чаще всего встречалось в похожих ситуациях при обучении.

Есть и второй усилитель. По умолчанию Whisper передаёт в следующее окно уже полученный текст — так модель лучше держит контекст длинного разговора. Но если в предыдущем окне возникла выдуманная фраза, она попадает во вход следующего шага и повышает вероятность продолжения в том же духе. Отсюда знакомый эффект: одна лишняя строка, затем вторая, затем один и тот же текст повторяется десять раз подряд.

Что такое галлюцинации при распознавании речи

Галлюцинация в распознавании речи — это связный текст, которого в записи не было вообще: не искажённое слово, а добавленный фрагмент. Термин пришёл из области языковых моделей и означает не сбой программы, а уверенно сгенерированный, но не подкреплённый входными данными результат.

Полезно различать три разных явления, которые пользователи часто называют одним словом «ошибка».

1. Ошибка распознавания. Слово услышано неточно: «поставщик» превратился в «поставку». Звук есть, соответствие частичное.
2. Подмена слова. Модель выбрала другое слово, похожее по звучанию, но подходящее по смыслу фразы: «Иванов» вместо «Иванцов». Это уже влияние языковой модели, но опора на звук сохраняется.
3. Галлюцинация. В записи нет ничего — или есть шум, — а в тексте появляется законченная фраза. Связь со звуком отсутствует полностью.

Почему именно DimaTorzok

Первую версию Whisper обучили на 680 тысячах часов аудио с расшифровками, собранных в интернете. Разметка здесь «слабая»: тексты брали такими, какими их выложили люди, — включая субтитры к видео. Ровно поэтому модель хорошо держит разговорную речь, акценты и шум: она видела реальные записи, а не студийные наборы данных.

У этого подхода есть обратная сторона. В субтитрах встречается не только речь. Там есть описания звуков, названия каналов, реклама, благодарности за просмотр и подписи тех, кто эти субтитры сделал. Для модели это такой же текст, как и всё остальное, — и он тоже привязан к какому-то куску звука. Чаще всего к тому, где никто не говорит: к финальным титрам, музыкальной концовке, паузе перед выключением камеры.

Второй фактор — язык. В корпусе первой версии около 65% времени приходилось на английскую речь с английскими расшифровками и ещё 18% — на переводы на английский. На все остальные 96 языков вместе взятых оставалось примерно 17%. Русская доля в этом остатке невелика, а значит, каждый часто повторяющийся шаблон весит для русского языка больше, чем аналогичный шаблон для английского. Отсюда и результат: англоязычные пользователи чаще видят «Thank you for watching», а русскоязычные — DimaTorzok.

Что подтверждено, а что остаётся гипотезой

• Подтверждено: Whisper склонен генерировать текст на фрагментах без речи — это признаёт сама OpenAI и фиксируют независимые исследования.
• Подтверждено: обучающий корпус собирался из интернета вместе с субтитрами, и служебные строки из субтитров в нём есть.
• Подтверждено: строка с ником DimaTorzok воспроизводится у множества независимых пользователей и в разных продуктах на базе Whisper.
• Наиболее вероятное объяснение: подпись попала в корпус из субтитров конкретного автора и закрепилась из-за частого повторения в неречевых фрагментах.
• Не проверяемо снаружи: сколько именно роликов с этой подписью было в данных и почему закрепился именно этот ник, а не десятки других. Состав корпуса не публиковался.
• Неверно: утверждение, что причина установлена документально. Никакого разбора со стороны OpenAI не публиковалось.

Какие ещё странные ошибки встречаются

DimaTorzok — самый известный, но далеко не единственный случай. У каждого языка есть свой набор «призраков», и все они происходят из того же источника — служебных строк в субтитрах.

Кроме вставок и повторов встречается ещё несколько узнаваемых сюжетов:

• Внезапная смена языка. Whisper определяет язык по началу записи. Если первые секунды — шум, музыка или молчание, определение может уйти в сторону, и дальше модель добросовестно расшифровывает русскую речь как, например, японскую. Помогает явное указание языка, если сервис это позволяет.
• Приветствия и призывы подписаться в начале файла — те же субтитровые шаблоны, только из вступлений роликов.
• Фантомная пунктуация и эмодзи на музыкальных фрагментах: символы вроде ♪ в субтитрах обозначают музыку, и модель воспроизводит их как «услышанное».
• Выдуманные имена и названия на плохо слышных фрагментах: модель подставляет знакомое сочетание звуков вместо незнакомого.
• Пропуск речи. Обратная ситуация: очень тихую реплику модель может посчитать шумом и не расшифровать вовсе.

Почему это происходит именно на плохих записях

Качество записи определяет, сколько информации получает модель. Чем меньше информации, тем больше решение зависит от языковой статистики — и тем выше шанс, что вместо расшифровки появится выдуманный текст.

На практике вероятность вставок повышают вполне конкретные вещи:

• Тишина и длинные паузы — главный фактор. Особенно опасны хвосты записей, где диктофон продолжал писать после разговора.
• Музыка и фоновые звуки. Модель обучалась на роликах, где под музыку часто шли титры, — и воспроизводит эту связку.
• Очень тихий голос и удалённый микрофон: речь на грани различимости даёт слабые признаки, которых не хватает для уверенного выбора.
• Сильное сжатие. Низкий битрейт срезает высокие частоты, а вместе с ними — различия между похожими звуками. Если есть выбор, сохраняйте WAV или MP3 высокого качества.
• Несколько говорящих одновременно. Наложение голосов ломает акустическую картину: модель слышит смесь, а не реплики.
• Обрывки речи — незаконченные фразы, помехи связи, вырезанные фрагменты: модель пытается достроить фразу до осмысленной.
• Сильная реверберация больших помещений: отражения размывают границы слов.

Можно ли воспроизвести DimaTorzok специально?

Иногда да — и это самый простой способ убедиться, что явление реально. Обычно берут запись без речи: чистую тишину, комнатный шум, музыкальный фрагмент или очень тихий голос, и отправляют её на распознавание с русским языком. Гарантии нет: результат зависит от версии модели, длительности фрагмента и настроек сервиса — некоторые сервисы отсекают неречевые участки ещё до распознавания, и тогда на выходе будет пусто.

Почему повторный запуск даёт другой текст, хотя запись не менялась? Причин несколько. Whisper использует стратегию с повторными попытками: если результат не проходит внутренние проверки качества, декодирование перезапускается с большей «температурой», то есть с большей долей случайности. Кроме того, разные реализации по-разному режут запись на фрагменты, а вычисления на видеокарте не гарантируют побитово одинаковый результат. Для разборчивой речи эти различия незаметны, но на пограничных фрагментах они и решают, появится вставка или нет.

Можно ли полностью избежать таких ошибок

Полностью — нет. Пока распознавание строится на вероятностном предсказании текста, у модели остаётся возможность выдать правдоподобную, но неверную гипотезу. Это свойство архитектуры, а не дефект сборки, и обещать стопроцентную защиту было бы нечестно.

При этом частоту таких ошибок реально снижают — и за последние годы её снизили заметно. Что работает на стороне сервиса:

• Детектор речи (VAD). Запись предварительно размечается на участки с речью и без, и в модель попадают только речевые фрагменты. Это убирает главный источник галлюцинаций — тишину.
• Отказ от переноса контекста между окнами: выдуманная фраза не попадает во вход следующего шага и не тянет за собой повторы.
• Пороги уверенности. Whisper умеет оценивать вероятность того, что в окне нет речи, и отбрасывать такие сегменты. Механизм помогает, но не решает всё: часть галлюцинаций модель выдаёт с высокой уверенностью.
• Постфильтрация известных шаблонов — отсечение характерных субтитровых строк из готового текста.
• Новые версии моделей, обученные с учётом этой проблемы.

Что может сделать сам пользователь — и это по-прежнему самый сильный рычаг:

1. Обрезать начало и конец записи, если там нет речи. Пять секунд тишины в хвосте — самый частый источник лишней строки.
2. Писать звук ближе к говорящему: встроенный микрофон ноутбука в переговорной даёт заметно больше проблем, чем петличка или телефон на столе.
3. Не экономить на битрейте и не пережимать файл повторно. Исходник лучше пересланной копии.
4. Избегать музыки и посторонних звуков на фоне, когда это возможно.
5. Разделять записи с несколькими говорящими по ролям — режим с диаризацией лучше справляется с многоголосьем, чем сплошная расшифровка.
6. Добавлять имена, термины и названия компаний в глоссарий: подсказка помогает модели выбрать правильное написание вместо похожего по звучанию.
7. Проверять результат в местах, где запись была тяжёлой: границы фрагментов, паузы, реплики издалека.

Что это значит для пользователей сервисов транскрибации

Практический вывод спокойный: на нормальных записях автоматическая расшифровка работает хорошо, и галлюцинации там — редкость. Проблема касается не всего текста, а конкретных мест, и эти места легко предсказать.

Когда ошибки практически незаметны

• Разборчивая речь, микрофон рядом с говорящим.
• Интервью и подкасты, записанные в тихом помещении.
• Диктовка, голосовые заметки, монолог без фонового шума.
• Записи звонков и совещаний с нормальной связью и без наложения голосов.

Когда результат стоит проверить обязательно

• Запись с улицы, из машины, из зала — всё, где много фонового звука.
• Записи с длинными паузами и «хвостами» после окончания разговора.
• Телефонные разговоры низкого качества и пересланные сжатые файлы.
• Материалы, где цена ошибки высока: медицинские и юридические записи, финансовые условия, всё, что уходит в документ или публикацию.

Это не повод отказываться от автоматической расшифровки. Ручная расшифровка часа записи занимает несколько часов работы и тоже содержит ошибки — просто другие. Разумный режим — использовать модель для черновика и проверять места повышенного риска. В нашем сервисе для этого есть глоссарий и встроенный редактор: термины и имена задаются заранее, а любую строку можно поправить прямо в браузере. Список поддерживаемых языков тоже стоит проверить заранее — на языках с малым объёмом обучающих данных ошибок закономерно больше.

Почему эта история интересна разработчикам

DimaTorzok обсуждают не потому, что это серьёзная проблема — сама по себе лишняя строка в конце файла безобидна. Обсуждают потому, что это редкий случай, когда фундаментальное свойство больших нейросетей видно невооружённым глазом и объясняется одной фразой.

Все крупные генеративные модели устроены похоже: они предсказывают правдоподобное продолжение, а не извлекают факты из хранилища. Поэтому и ошибаются они одинаково — уверенно и связно.

• Языковые модели выдумывают ссылки, цитаты и источники. Самый известный пример — дело Mata v. Avianca в 2023 году, когда юрист приложил к иску шесть судебных решений, сгенерированных чат-ботом; ни одного из них не существовало.
• Модели с поиском могут корректно найти источник и всё равно исказить его содержание при пересказе.
• Модели распознавания речи выдумывают услышанное — ровно то, что мы разбираем в этой статье.

Разница только в модальности. Общая причина одна: обучение на больших неидеальных данных даёт модели статистику мира, а не его понимание. Поэтому в местах, где данных не хватает, статистика заполняет пробел сама.

Что в итоге

DimaTorzok — это подпись человека, делавшего субтитры к видео, которая попала в обучающие данные Whisper и закрепилась как шаблон для фрагментов без речи. Модель не шутит, не ломается и не помнит этого человека: она воспроизводит статистическую связь, выученную из данных.

Эта история хорошо показывает, где проходит граница возможностей современных систем. Качество распознавания за последние годы выросло радикально — на разборчивой записи модели работают на уровне, который ещё недавно казался недостижимым. Но они остаются вероятностными: там, где сигнала нет, вместо честного «не знаю» может появиться правдоподобная выдумка.

Отсюда и практический вывод, который не изменится с выходом следующих версий: чем лучше запись, тем меньше модели приходится догадываться. А имена, числа и всё, что попадает в документы, стоит перечитывать глазами — независимо от того, какая технология использовалась для расшифровки.