Il verbale di una riunione sembra un solo compito, ma sono due: trasformare il parlato in testo e trasformare il testo in decisioni e azioni. Ogni passaggio sbaglia a modo suo. Una parola dialettale trascritta male diventa un’azione sbagliata; un modello che riassume bene può comunque inventarsi un responsabile. Questo articolo costruisce la pipeline per le riunioni in arabo e mostra dove mettere i controlli.
Com’è fatta la 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
Il resto dell’articolo procede passo per passo.
Passo 1: come si trascrive una lunga riunione in arabo?
Una riunione di un’ora registrata con un portatile di solito supera di molto un limite di upload. BroadNet Inference accetta WAV o MP3 fino a 26.214.400 byte per file, quindi converti prima in 16 kHz mono e dividi in corrispondenza dei silenzi. Trascrivere audio lunghi oltre 25 MB contiene lo script completo, comprese le richieste in parallelo e l’unione del testo nell’ordine giusto.
Per le riunioni in arabo contano tre impostazioni:
- Invia
language="ar"su ogni chunk. La documentazione di BroadNet avverte che altrimenti l’arabo può tornare traslitterato in lettere latine. - Usa il modello arabo per le riunioni prevalentemente in arabo:
broadnet/cohere-transcribe-arabic. Per riunioni soprattutto in un’altra delle sue lingue,broadnet/cohere-transcribecosta $0.002 al minuto. - Conserva la trascrizione grezza. Ti serve per la revisione e per le citazioni del passo 4.
Arabo e inglese mescolati sono normali nelle riunioni di lavoro del Golfo. Prova una registrazione con il tuo mix abituale: nomi di prodotti in inglese e numeri sono i punti in cui compaiono gli errori. Riconoscimento vocale dei dialetti arabi spiega a cosa fare attenzione.
Si possono ottenere i nomi dei parlanti?
Non da una trascrizione in testo semplice. La risposta di trascrizione di BroadNet è un JSON con un solo campo text: niente parlanti e niente timestamp. (Per la temporizzazione dei sottotitoli a partire dagli offset dei chunk, leggi sottotitoli in arabo da un’API solo testo.) Hai tre opzioni:
| Situazione | Cosa fare |
|---|---|
| Ogni persona registrata su una traccia o un canale separato | Trascrivi ogni traccia per conto suo; la traccia ti dice chi parla |
| Registrazione di una chiamata su due canali | Separa i canali con ffmpeg, come nella pipeline per call center |
| Un’unica traccia mista, e ti servono i parlanti | Usa un provider che restituisca la diarization; la guida all’acquisto li confronta |
Con un’unica traccia mista, l’LLM può comunque trovare i responsabili quando qualcuno pronuncia un nome: «Khalid manderà il preventivo entro giovedì». Quello che non deve fare è indovinare un responsabile dal contesto. Il prompt qui sotto lo vieta.
Passo 2: perché dividere la trascrizione prima di riassumere?
Due motivi. Il primo è il contesto: un’ora di conversazione può essere troppo lunga per un modello piccolo. BroadNet Gemma 4 VL 26B ha un contesto di 32.768 token, che una lunga riunione in arabo può superare. Conta i tuoi con il contatore di token per l’arabo; l’arabo di solito richiede più token per parola dell’inglese, come mostra token per parola in arabo e in inglese.
Il secondo è la precisione. Una ricerca sugli input lunghi ha rilevato che le prestazioni dei modelli “significantly degrades when models must access relevant information in the middle of long contexts” (traduzione: peggiorano in modo significativo quando i modelli devono accedere a informazioni rilevanti nel mezzo di contesti lunghi) (Liu et al.). Una decisione presa al minuto 35 di 70 è esattamente questo caso. Riassumere sezioni da 10 a 15 minuti ciascuna e poi unirle mantiene ogni parte vicino all’inizio di un prompt.
Dividi negli stessi punti di silenzio che hai usato per l’audio, così una sezione non inizia mai a metà frase.
Passo 3: quale modello dovrebbe scrivere il verbale?
| Modello | Contesto | Note per i verbali | Input / output per 1M di token |
|---|---|---|---|
| Qwen3.8 27B | 262.144 | Testato da BroadNet in arabo: scrittura fluente, dialetti del Golfo ed egiziano compresi; output strutturato indicato | $0.175 / $2.17 |
| GLM 5.3 | 1.048.576 | Output strutturato indicato; solo testo | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1.048.576 | Disponibile anche con un piano flat a $60 al mese per sessione, una richiesta alla volta | $0.175 / $0.52 |
Parti da Qwen3.8 27B, perché è il modello che BroadNet ha testato in arabo. Confrontalo con un altro modello su tre riunioni reali e fai valutare i risultati da un madrelingua. Scegliere un LLM per l’arabo contiene una scheda di valutazione.
Tutti e tre i modelli ragionano prima di rispondere, e il ragionamento conta in max_tokens. I verbali sono lunghi, quindi concedi diverse migliaia di token, altrimenti la risposta visibile può tornare vuota. Perché succede.
Passo 4: quale prompt dà verbali affidabili?
Chiedi un JSON e fai citare al modello la trascrizione per ogni voce. La citazione è ciò che permette a un revisore di controllare un’azione in pochi secondi invece di rileggere tutta la trascrizione.
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)
Poi valida nel codice. Fai il parse del JSON, controlla le chiavi e verifica che ogni quote compaia davvero nella sezione. Una voce la cui citazione non è nella trascrizione è un’invenzione del modello: scartala o segnalala. Se il JSON non si riesce a interpretare, riprova una volta passando il messaggio di errore. JSON mode vs json_schema mostra un ciclo di validazione; la documentazione di BroadNet indica l’output strutturato per GLM 5.3 e Qwen3.8 27B senza nominare il parametro della richiesta, quindi testalo prima di farci affidamento.
Per un verbale in inglese, cambia in inglese la riga del riassunto e aggiungi: “Keep each quote in the original Arabic.” L’articolo sul prompt engineering in arabo approfondisce registro, numerali e testo con alfabeti misti.
Passo 5: come si uniscono le sezioni in un unico verbale?
Invia tutti i risultati delle sezioni in un’ultima richiesta e chiedi al modello di:
- Scrivere un unico riassunto dell’intera riunione.
- Unire decisioni e azioni duplicate. Lo stesso compito viene spesso nominato due volte.
- Mantenere la citazione di ogni voce.
- Segnare un’azione come modificata se una sezione successiva ne cambia il responsabile o la data.
L’input dell’unione è piccolo: il JSON di ogni sezione, non la trascrizione. Un’unione su uno qualsiasi dei tre modelli qui sopra resta ben dentro il suo contesto.
Quanto costa una riunione?
| Passaggio | Che cosa paghi | Prezzo |
|---|---|---|
| Trascrizione | Minuti di audio | $0.0042 al minuto, $0.25 all’ora |
| Riassunti delle sezioni | Token della trascrizione in input, JSON in output | Qwen3.8 27B: $0.175 in input, $2.17 in output per 1M |
| Unione | Poco JSON in input e in output | Stesse tariffe |
La trascrizione di solito è la parte fissa. La parte LLM dipende dalla lunghezza della trascrizione e da quanto ragiona il modello. Leggi prompt_tokens e completion_tokens dalle prime riunioni reali, poi moltiplica nel calcolatore dei costi delle API LLM. Il calcolatore dei costi speech-to-text si occupa della parte audio. Il credito iniziale di $5 copre i modelli di trascrizione, cioè circa 1,190 minuti di arabo; Qwen3.8 27B richiede una ricarica.
Quali errori evitare?
- Riassumere l’intera riunione in un solo prompt. Le voci della parte centrale si perdono.
- Lasciare che il modello riempia i vuoti. Responsabili e date mai pronunciati sono l’errore più comune nei verbali generati dall’AI. Fai di null il valore predefinito.
- Tradurre troppo presto. Trascrivi ed estrai in arabo, poi traduci il verbale. Tradurre prima la trascrizione fa perdere le citazioni esatte.
- Saltare la revisione. Un verbale è un documento ufficiale. Una persona che ha partecipato dovrebbe leggerlo prima che venga inviato.
- Conservare le registrazioni per sempre. Cancella l’audio una volta approvato il verbale, a meno che tu non sia obbligato a conservarlo.
Quando una pipeline via API è la scelta sbagliata?
Se ti servono sottotitoli dal vivo durante la riunione, etichette dei parlanti da un’unica traccia mista o un’app pronta che il tuo team possa usare oggi, un prodotto dedicato alle riunioni è la strada più rapida. Diversi prodotti vendono note di riunione in arabo; confrontali sulle tue registrazioni, perché le dichiarazioni di accuratezza sulle loro pagine sono loro. La strada dell’API ha senso quando vuoi i verbali dentro il tuo sistema, nel tuo formato e con le tue regole di conservazione.
Dove si colloca BroadNet Inference
BroadNet mette entrambe le metà su un’unica chiave compatibile con OpenAI: BroadNet Transcribe Arabic a $0.0042 al minuto e Qwen3.8 27B, testato in arabo, per i verbali. La sua informativa privacy dice che non conserva prompt, audio, risposte o trascrizioni dopo una richiesta, il che conta per le riunioni interne. Non restituisce etichette dei parlanti né timestamp e non offre trascrizione dal vivo, quindi usa un altro provider se ti servono. Parti dalla guida allo speech-to-text in arabo, poi aggiungi il passaggio di riassunto descritto sopra.
