Выравнивание громкости перед обработкой

Ключевая находка по записям с микрофоном на столе: без выравнивания тихий
дальний участник сливается с громким и разделение разваливается. Замер на
трёх разговорах: доля второго участника выросла с 1.8 до 24.3 процента,
переключений между репликами - с 21 до 71 процента.

Работает только выравнивание: шумоподавление, полосовой фильтр и компандер
не дали ничего. Параметры подобраны замером, f=400:g=3 давал 8.6 процента
вместо 43.2. На распознавание не влияет - расшифровки фрагментов совпали
дословно.

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>

app/main.py

@@ -63,11 +63,12 @@ def _process(job_id: str, worker: Pipeline, pool) -> None:
             # задачи выстраиваются в очередь вместо параллельной работы.
             from app.worker import run_job
 
-            result = pool.submit(run_job, str(upload), speakers, worker.ffmpeg).result()
+            result = pool.submit(run_job, str(upload), speakers, worker.ffmpeg,
+                                 settings.normalize).result()
         else:
             with tempfile.TemporaryDirectory() as tmp:
                 wav = Path(tmp) / "audio.wav"
-                to_wav16k(upload, wav, worker.ffmpeg)
+                to_wav16k(upload, wav, worker.ffmpeg, settings.normalize)
                 result = worker.transcribe(wav, num_speakers=speakers)
         result["filename"] = job["filename"]
         store.mark_done(job_id, result)
@@ -325,7 +326,7 @@ async def benchmark(file: UploadFile = File(...)) -> dict:
             while chunk := await file.read(1 << 20):
                 out.write(chunk)
         wav = Path(tmp) / "audio.wav"
-        to_wav16k(src, wav, pipeline.ffmpeg)
+        to_wav16k(src, wav, pipeline.ffmpeg, settings.normalize)
         samples = read_wav(wav)
 
     return run_benchmark(samples, models_dir=settings.models_dir,