Un acta de reunión parece una tarea, pero son dos: convertir la voz en texto y convertir el texto en decisiones y tareas. Cada paso falla a su manera. Una palabra dialectal mal transcrita se convierte en una tarea equivocada; un modelo que resume bien puede, aun así, inventarse un responsable. Este artículo construye el pipeline para reuniones en árabe y muestra dónde colocar las comprobaciones.
¿Cómo es el pipeline?
recording (.m4a, .mp4, .webm)
→ ffmpeg: 16 kHz mono, split at silences
→ speech to text, language=ar, one request per chunk
→ join the transcript, clean obvious noise
→ split the transcript into sections
→ LLM: summary, decisions, action items, open questions (JSON) per section
→ LLM: merge the sections into one set of minutes
→ human review → send
El resto del artículo lo recorre paso a paso.
Paso 1: ¿cómo se transcribe una reunión larga en árabe?
Una reunión de una hora grabada en una laptop suele superar con creces un límite de carga. BroadNet Inference acepta WAV o MP3 de hasta 26,214,400 bytes por archivo, así que primero convierta a 16 kHz mono y divida en los silencios. Transcribir audio largo de más de 25 MB tiene el script completo, incluidas las solicitudes en paralelo y la unión del texto en orden.
Tres ajustes importan en reuniones en árabe:
- Envíe
language="ar"en cada fragmento. La documentación de BroadNet advierte que, de lo contrario, el árabe puede volver transliterado en letras latinas. - Use el modelo árabe en reuniones mayoritariamente en árabe:
broadnet/cohere-transcribe-arabic. Para reuniones sobre todo en otro de sus idiomas,broadnet/cohere-transcribecuesta $0.002 por minuto. - Conserve la transcripción original. La necesita para la revisión y para las citas del paso 4.
Mezclar árabe e inglés es normal en las reuniones de negocios del Golfo. Pruebe con una grabación que tenga su mezcla habitual: los nombres de productos en inglés y los números son donde aparecen los errores. Reconocimiento de voz en dialectos árabes explica a qué prestar atención.
¿Se pueden obtener los nombres de los hablantes?
No de una transcripción en texto plano. La respuesta de transcripción de BroadNet es un JSON con un solo campo text: sin hablantes y sin marcas de tiempo. (Para el tiempo de los subtítulos a partir de los desfases de cada fragmento, vea subtítulos en árabe desde una API solo de texto.) Tiene tres opciones:
| Situación | Qué hacer |
|---|---|
| Cada persona grabada en una pista o canal separado | Transcriba cada pista por su cuenta; la pista le indica quién habla |
| Grabación de llamada de dos canales | Separe los canales con ffmpeg, como en el pipeline de call center |
| Una sola pista mezclada y necesita los hablantes | Use un proveedor que devuelva diarización; la guía de compra los compara |
Con una sola pista mezclada, el LLM aún puede identificar responsables cuando alguien dice un nombre: “Khalid enviará la cotización antes del jueves”. Lo que no debe hacer es adivinar un responsable por el contexto. El prompt de abajo lo prohíbe.
Paso 2: ¿por qué dividir la transcripción antes de resumir?
Por dos razones. La primera es el contexto: una hora de conversación puede ser demasiado larga para un modelo pequeño. BroadNet Gemma 4 VL 26B tiene un contexto de 32,768 tokens, que una reunión larga en árabe puede superar. Cuente los suyos con el contador de tokens en árabe; el árabe suele necesitar más tokens por palabra que el inglés, como muestra tokens por palabra en árabe vs inglés.
La segunda es la precisión. Una investigación sobre entradas largas encontró que el rendimiento de los modelos “significantly degrades when models must access relevant information in the middle of long contexts” (Traducción: se degrada de forma significativa cuando los modelos deben acceder a información relevante en medio de contextos largos) (Liu et al.). Una decisión tomada en el minuto 35 de 70 es justamente eso. Resumir secciones de 10 a 15 minutos cada una y luego combinarlas mantiene cada parte cerca del inicio de un prompt.
Divida en los mismos puntos de silencio que usó para el audio, para que una sección nunca empiece a mitad de frase.
Paso 3: ¿qué modelo debe redactar el acta?
| Modelo | Contexto | Notas para actas | Entrada / salida por 1M de tokens |
|---|---|---|---|
| Qwen3.8 27B | 262,144 | Probado por BroadNet en árabe: redacción fluida, entiende los dialectos del Golfo y egipcio; salida estructurada listada | $0.175 / $2.17 |
| GLM 5.3 | 1,048,576 | Salida estructurada listada; solo texto | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1,048,576 | También con tarifa plana a $60 al mes por sesión, una solicitud a la vez | $0.175 / $0.52 |
Empiece con Qwen3.8 27B, porque es el modelo que BroadNet probó en árabe. Compárelo con otro modelo en tres reuniones reales y pida a un hablante nativo que los califique. Cómo elegir un LLM para árabe incluye una hoja de puntuación.
Los tres modelos razonan antes de responder, y el razonamiento cuenta dentro de max_tokens. Las actas son largas, así que deje varios miles de tokens, o la respuesta visible puede llegar vacía. Por qué ocurre.
Paso 4: ¿qué prompt da actas fiables?
Pida JSON y haga que el modelo cite la transcripción en cada punto. La cita es lo que permite a un revisor comprobar una tarea en segundos en lugar de releer toda la transcripción.
import json, os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
SYSTEM = """You write meeting minutes from an Arabic meeting transcript section.
Return JSON only, with these keys:
"summary": 2-4 sentences in Modern Standard Arabic,
"decisions": [{"text": ..., "quote": ...}],
"actions": [{"task": ..., "owner": ..., "due": ..., "quote": ...}],
"open_questions": [{"text": ..., "quote": ...}]
Rules:
- "quote" is the exact words from the transcript that support the item.
- "owner" is a name only if the transcript says who will do it. Otherwise null.
- "due" only if a date or day is said. Keep it as said, e.g. "الخميس". Otherwise null.
- Keep names, numbers and amounts exactly as in the transcript. Never guess."""
def minutes_for(section):
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=4000,
messages=[{"role": "system", "content": SYSTEM},
{"role": "user", "content": section}])
return json.loads(r.choices[0].message.content)
Luego valide con código. Analice el JSON, revise las claves y compruebe que cada quote aparece realmente en la sección. Un punto cuya cita no está en la transcripción es invención del modelo: elimínelo o márquelo. Si el JSON no se puede analizar, reintente una vez con el mensaje de error. Modo JSON vs json_schema muestra un bucle de validación; la documentación de BroadNet lista salida estructurada para GLM 5.3 y Qwen3.8 27B sin nombrar el parámetro de la solicitud, así que pruébela antes de depender de ella.
Para un acta en inglés, cambie la línea del resumen a inglés y añada: “Keep each quote in the original Arabic.” (Mantenga cada cita en el árabe original.) El artículo de ingeniería de prompts en árabe trata con más detalle el registro, los numerales y el texto con alfabetos mezclados.
Paso 5: ¿cómo se combinan las secciones en un acta?
Envíe todos los resultados de las secciones en una solicitud final y pida al modelo que:
- Escriba un resumen único de toda la reunión.
- Combine decisiones y tareas duplicadas. La misma tarea a menudo se menciona dos veces.
- Conserve la cita de cada punto.
- Marque una tarea como modificada si una sección posterior cambia su responsable o su fecha.
La entrada de la combinación es pequeña: el JSON de cada sección, no la transcripción. Una combinación en cualquiera de los tres modelos anteriores queda muy por debajo de su contexto.
¿Cuánto cuesta una reunión?
| Paso | Qué se paga | Precio |
|---|---|---|
| Transcripción | Minutos de audio | $0.0042 por minuto, $0.25 por hora |
| Resúmenes por sección | Tokens de transcripción de entrada, JSON de salida | Qwen3.8 27B: $0.175 de entrada, $2.17 de salida por 1M |
| Combinación | JSON pequeño de entrada y salida | Las mismas tarifas |
La transcripción suele ser la parte fija. La parte del LLM depende de la longitud de la transcripción y de cuánto razone el modelo. Lea prompt_tokens y completion_tokens de las primeras reuniones reales y multiplique en la calculadora de costos de API de LLM. La calculadora de costos de voz a texto se ocupa del audio. El crédito inicial de $5 cubre los modelos de transcripción, lo que equivale a unos 1,190 minutos de árabe; Qwen3.8 27B requiere una recarga.
¿Qué errores conviene evitar?
- Resumir toda la reunión en un solo prompt. Se pierden los puntos del medio.
- Dejar que el modelo rellene huecos. Los responsables y fechas que nunca se dijeron son el error más común en las actas hechas con IA. Haga que null sea el valor predeterminado.
- Traducir demasiado pronto. Transcriba y extraiga en árabe, y luego traduzca el acta. Traducir primero la transcripción hace perder las citas exactas.
- Saltarse la revisión. Un acta es un registro. Una persona que asistió debe leerla antes de que se envíe.
- Conservar las grabaciones para siempre. Borre el audio una vez aprobada el acta, salvo que esté obligado a conservarlo.
¿Cuándo un pipeline con API no es la opción adecuada?
Si necesita subtítulos en vivo durante la reunión, etiquetas de hablante a partir de una sola pista mezclada o una app lista que su equipo pueda usar hoy, un producto dedicado a reuniones es el camino más rápido. Varios venden notas de reuniones en árabe; compárelos con sus propias grabaciones, ya que las cifras de precisión de sus páginas son las que ellos mismos declaran. La vía de la API tiene sentido cuando quiere las actas dentro de su propio sistema, en su formato y con sus propias reglas de retención.
Dónde encaja BroadNet Inference
BroadNet reúne ambas mitades en una sola clave compatible con OpenAI: BroadNet Transcribe Arabic a $0.0042 por minuto, y Qwen3.8 27B, probado en árabe, para las actas. Su declaración de privacidad dice que no conserva prompts, audio, respuestas ni transcripciones después de una solicitud, lo que importa en reuniones internas. No devuelve etiquetas de hablante ni marcas de tiempo, y no tiene transcripción en vivo, así que use otro proveedor si necesita eso. Empiece con la guía de voz a texto en árabe y luego añada el paso de resumen descrito arriba.
