У нас есть аудиозапись встречи, на которой несколько человек обсуждают какой-то вопрос. Нам нужно получить расшифровку, текстовую расшифровку этой встречи, где будет указано, например, человек один сказал, и, соответственно, что было сказано. Потом человек два сказал, и что было сказано вторым человеком, и так далее. Вот, собственно, и все. То есть на входе аудиофайл, на выходе автоматически получается текстовая расшифровка с указанием, кто конкретно что говорил. И важно, чтобы этот результат был с минимальным количеством ошибок.