Протокол встречи без ручной расшифровки

Час записи совещания раньше превращался в три часа ручной работы над текстом. Нейросети сжимают это до нескольких минут, но с оговорками: от качества звука и от выбора сервиса зависит почти всё.

Фото: Helloquence, CC0, StockSnap

Как нейросеть превращает голос в текст

Работа делится на два этапа. Сначала модель распознавания речи переводит звук в сплошной текст, затем языковая модель наводит порядок: делит на реплики, выделяет главное, собирает выводы. Первый этап называют ASR, второй чаще всего делает чат-бот вроде YandexGPT или GigaChat.

Среди инструментов есть российские решения: распознавание речи от Яндекса (SpeechKit), SaluteSpeech от Сбера, встроенные расшифровки, которые бывают у отдельных сервисов видеосвязи (наличие функции стоит проверять на сайте). Есть и зарубежные модели, например открытая Whisper от OpenAI, на основе которой работают многие приложения. Условия, цены и доступность в России у всех меняются, поэтому актуальные тарифы и ограничения стоит проверять на сайте самого сервиса.

Формат файла обычно не проблема: поддерживаются популярные аудио и видео форматы, а вот длина записи и размер файла у некоторых сервисов ограничены.

Отдельная функция, которая сильно экономит время, называется диаризацией. Это разделение реплик по говорящим: «Спикер 1», «Спикер 2». Без неё стенограмма превращается в сплошное полотно, где непонятно, кто что пообещал.

Насколько точна расшифровка русской речи

Точных цифр, которые подходили бы под любую запись, нет, и к громким заявлениям вида «точность 99%» стоит относиться осторожно. Такие числа обычно получены на чистых студийных записях. Реальное совещание почти всегда хуже: люди перебивают друг друга, говорят на фоне шума, употребляют жаргон и английские термины.

Что заметно снижает качество:

• эхо в переговорной и удалённый микрофон на другом конце стола;
• одновременная речь нескольких людей;
• сильный акцент, быстрая скороговорка;
• названия компаний, фамилии, внутренние сокращения и профессиональные термины.

Если встреча проходит онлайн, запись обычно получается лучше, чем с телефона, лежащего посреди стола. Хороший петличный микрофон или даже обычная гарнитура улучшают результат сильнее, чем смена сервиса.

Полезный приём: заранее добавить в сервис словарь терминов, если такая функция есть. Некоторые системы позволяют загрузить список названий и фамилий, и они перестают превращаться в случайные слова.

От стенограммы к протоколу и списку задач

Сырая расшифровка читается тяжело, поэтому её нужно переработать. Самый простой путь: вставить текст в чат-бот и дать чёткое задание. Чем конкретнее запрос, тем полезнее результат.

Рабочая структура запроса выглядит так: указать тип встречи, попросить краткое резюме на пять-семь строк, отдельным списком принятые решения, затем задачи с ответственными и сроками, и наконец открытые вопросы. Если срок или исполнитель в записи не прозвучали, стоит попросить бота так и написать: «не определён», а не придумывать.

Именно здесь чаще всего возникают ошибки. Языковая модель может приписать задачу не тому человеку, перепутать сроки или «додумать» решение, которого не было. Поэтому готовый протокол нужно сверять с записью, хотя бы по задачам и датам.

Длинные записи лучше обрабатывать по частям. Если загрузить трёхчасовую стенограмму целиком, модель может потерять детали из середины. Разбивка на блоки по темам даёт более ровный итог, а затем из блоков собирается общее резюме.

Конфиденциальность: что происходит с записью

Это самый серьёзный вопрос, особенно для бизнеса. Запись совещания может содержать коммерческую тайну, персональные данные сотрудников и клиентов, финансовые показатели. Загрузка такого файла в облачный сервис означает передачу данных третьей стороне.

Прежде чем выбрать инструмент, стоит выяснить:

• где хранятся данные и на территории какой страны находятся серверы;
• использует ли сервис загруженные записи для обучения своих моделей;
• можно ли удалить файл и расшифровку, и как быстро это происходит;
• что написано в политике обработки персональных данных.

Для персональных данных в России действуют требования закона, поэтому компаниям стоит согласовывать выбор сервиса со службой безопасности или юристом. Общий совет: участников встречи нужно предупреждать, что идёт запись и расшифровка.

Есть и альтернатива: запуск распознавания на собственном компьютере или сервере. Открытые модели вроде Whisper позволяют обрабатывать звук локально, без отправки в облако. Для этого нужен мощный компьютер и немного технических навыков, зато файл не покидает организацию.

Где технология применяется и что дальше

Расшифровка речи давно вышла за пределы офисных встреч. В медицине врачи используют голосовые помощники для заполнения записей приёма, чтобы меньше времени тратить на бумаги. Колл-центры автоматически разбирают разговоры операторов с клиентами и ищут типичные жалобы. Журналисты расшифровывают интервью, юристы обрабатывают записи заседаний, преподаватели делают конспекты лекций.

В образовании студенты получают текстовые версии лекций, а люди с нарушениями слуха пользуются автоматическими субтитрами в реальном времени. Банки и телеком-компании применяют голосовую аналитику, чтобы проверять качество обслуживания.

Ближайшие перспективы связаны с тем, что расшифровка перестаёт быть отдельной операцией. Помощники начнут сами подключаться к видеозвонку, вести заметки, напоминать о задачах и создавать их в таск-трекере. Главное изменение в том, что итогом станет не текст, а готовое действие: письмо участникам, задача в системе, событие в календаре.

Вместе с этим вырастет и цена ошибки. Чем больше автоматизации, тем важнее правило: ИИ делает черновик, а человек проверяет и подтверждает. Для протокола встречи это означает пять минут вычитки вместо трёх часов набора, и такой обмен выглядит вполне выгодным.

Короткий порядок действий

Рабочая схема для обычной встречи укладывается в несколько шагов. Сначала предупредить участников о записи и включить её в нормальном качестве. После встречи загрузить файл в выбранный сервис и получить стенограмму с разделением по говорящим. Затем передать текст языковой модели с понятным запросом на протокол и задачи.

Последний шаг: сверить имена, сроки и цифры, отправить протокол участникам и удалить исходные файлы, если они больше не нужны. Так технология экономит время и не создаёт лишних рисков.