Master's Thesis

Offline application for transcribing medical interviews into structured text

Final Thesis 3.28 MB Appendix 39.14 kB

Author of thesis: Bc. Martin Pospíšil

Acad. year: 2025/2026

Supervisor: prof. Ing. Radim Burget, Ph.D.

Reviewer: Ing. Jan Dorazil, Ph.D.

Abstract:

This thesis addresses the problem of fully local automatic transcription of clinical interviews without the need for an internet connection. The aim was to experimentally compare modern speech-to-text models, select the most suitable architecture, and subsequently design and implement a functional prototype of the MedApp application, capable of processing real audio recordings of doctor-patient interviews and producing a structured report.

In the first part of the thesis, selected variants of the Whisper model and the Vosk system were tested on fourteen recordings divided into two datasets, using the WER, CER, and RTF metrics. Five recordings consisted of acted clinical recordings, referred to as dataset A, while nine recordings were synthetic recordings created using ElevenLabs, referred to as dataset B. The tests showed that the Whisper large-v3 model achieved the best results, with an average WER of 17.7% and CER of 12.8% without contextual prompting, while also demonstrating low computational time and stable performance when running on a GPU. Based on these results, it was selected as the core of the proposed system.

The second part of the thesis focused on the implementation of a complete on-premise system comprising speech-to-text transcription, speaker diarization using the pyannote.audio 3.1 model, and generation of structured output in JSON format. The solution also includes a module for automatic interview summarization, implemented using the local language model Ollama llama3.1:8b, which creates a structured record containing key topics, a summary, and action points based on the transcript, without the need to send data outside the device.

The proposed system achieved an average WER of 8.2% and CER of 4.9% across all recordings. On the acted clinical recordings in dataset A, it achieved a WER of 15.7%, while on the synthetic recordings in dataset B, it achieved a WER of 3.9%. The average real-time factor reached RTF = 0.460. Speaker diarization using the pyannote.audio 3.1 model achieved an average DER of 2.1%. The outcome of the thesis is a functional and practically validated application prototype that enables fully local transcription of clinical interviews with automatic speaker identification and automatic generation of a structured record.

Keywords:

Automatic speech recognition, Whisper, speaker diarization, on-premise processing,
local language model, Ollama, transcription, clinical interviews, structured output, JSON

Date of defence

11.06.2026

Result of the defence

Defended (thesis was successfully defended)

znamkaAznamka

Grading

A

Process of defence

Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci Otázky oponenta: V sekci 2.4.1 uvádíte, že vyšší hodnota parametru „beam_size“ přináší lepší přesnost bez znatelného dopadu na rychlost zpracování. Proč jste tedy neprozkoumal hodnoty parametru vyšší než 8? Je teoreticky možné zpracovávat větší množství hypotéz v celém řetězci tak, aby si uživatel mohl vybrat nejvhodnější variantu přepisu a sumarizace? Rozeberte, co by takové rozšíření znamenalo z pohledu implementace a praktického využití. V praktickém využití, byl by systém centralizovaný na nemocničním serveru? Nebo na PC jednotlivých ordinací? Jaké jsou licence použitých modelů?

Language of thesis

Czech

Faculty

Department

Study programme

Audio Engineering (MPC-AUD)

Specialization

Audio Production and Recording (AUDM-ZVUK)

Composition of Committee

prof. Ing. Zdeněk Smékal, CSc. (předseda)
Ing.MgA. Edgar Mojdl, Ph.D. (místopředseda)
Dr. Ing. Libor Husník (člen)
Ing. Václav Mach, Ph.D. (člen)
Ing. Matěj Ištvánek, Ph.D. (člen)

Supervisor’s report
prof. Ing. Radim Burget, Ph.D.

Bc. Martin Pospíšil vypracoval velmi kvalitní diplomovou práci, která splňuje všechny body zadání. Autor prokázal výbornou orientaci v moderních technologiích pro zpracování řeči a textu - přistupoval k řešení velmi proaktivně, sám si zjišťoval informace nad rámec poskytnutých informací, aktivně hledal řešení problému i mimo zadaný rámec a celkově projevil schopnost samostatného výzkumu i vývoje robustního softwarového řešení. Autor práce průběžně plnil požadavky a pracoval na tématu. Práci doporučuji k obhajobě a navrhuji hodnocení stupněm A (výborně). Points proposed by supervisor: 95

Grade proposed by supervisor: A

Reviewer’s report
Ing. Jan Dorazil, Ph.D.

Student splnil zadání a vytvořil technickou zprávu přiměřeného rozsahu. Technická zpráva je logicky strukturovaná a neobsahuje téměř žádné překlepy. Hlavně v úvodní kapitole se však objevují formální nedostatky ve formátování, používání česko-anglických výrazů či doslovných překladů z angličtiny. Délka práce je v některých případech uměle navýšena opakováním stejné informace v různých formách. Použité syntetické datové množiny by si zasloužily bližší popis. Některé metriky používané pro vyhodnocení kvality přepisu či diarizace nejsou přesně definovány. Při řešení praktické části si však student podle všeho vedl výborně. Identifikoval vhodné modely a metody pro přepis, diarizaci a sumarizaci a úspěšně překonal několik problémů, které se objevily při jejich kombinaci. Výsledkem je funkční webová aplikace, která má potenciál praktického využití v lékařské ordinaci.

Navrhuji hodnocení 80 bodů. Topics for thesis defence:
  1. V sekci 2.4.1 uvádíte, že vyšší hodnota parametru „beam_size“ přináší lepší přesnost bez znatelného dopadu na rychlost zpracování. Proč jste tedy neprozkoumal hodnoty parametru vyšší než 8?
  2. Je teoreticky možné zpracovávat větší množství hypotéz v celém řetězci tak, aby si uživatel mohl vybrat nejvhodnější variantu přepisu a sumarizace? Rozeberte, co by takové rozšíření znamenalo z pohledu implementace a praktického využití.
Points proposed by reviewer: 80

Grade proposed by reviewer: B

Responsibility: Mgr. et Mgr. Hana Odstrčilová