---
title: "Verbali di riunioni in arabo dall’audio con un’API | BroadRouter"
description: "Trasforma le registrazioni di riunioni in arabo in verbali con decisioni e azioni: trascrivi, pulisci, riassumi con un LLM in JSON e verifica nomi e date."
url: https://broadrouter.com/it/blog/arabic-meeting-minutes-from-recordings/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/arabic-meeting-minutes-from-recordings/) (aggiornato il 2026-11-15).

# Verbali di riunioni in arabo dalle registrazioni: una pipeline API

A cura del team di BroadNet Inference · 6 min di lettura · Pubblicato 2026-11-15

Per creare verbali di riunioni in arabo con un’API, trascrivi la registrazione con un modello speech-to-text per l’arabo, dividi le trascrizioni lunghe in sezioni, chiedi a un LLM decisioni, azioni e domande aperte in JSON, poi unisci le sezioni. Fai citare al modello la trascrizione per ogni azione e scrivi il verbale in arabo standard moderno o in inglese.

## Punti chiave

-   Un verbale sono due lavori: speech-to-text, poi riassunto. Scegli e testa ciascun modello separatamente.
-   Le riunioni lunghe vanno divise due volte: l’audio per rientrare nel limite di upload, e la trascrizione per mantenere accurato il riassunto.
-   Chiedi un JSON con una citazione dalla trascrizione per ogni decisione e azione, così chi rivede può controllarle una per una.
-   Una trascrizione in testo semplice non ha etichette dei parlanti. Non lasciare che il modello indovini chi è responsabile di un compito, a meno che non venga detto un nome.
-   Su BroadNet un’ora di audio in arabo costa $0.25 da trascrivere; Qwen3.8 27B, testato da BroadNet in arabo, scrive il verbale.

**In questa pagina**

1.  Com’è fatta la pipeline?
2.  Passo 1: come si trascrive una lunga riunione in arabo?
3.  Si possono ottenere i nomi dei parlanti?
4.  Passo 2: perché dividere la trascrizione prima di riassumere?
5.  Passo 3: quale modello dovrebbe scrivere il verbale?
6.  Passo 4: quale prompt dà verbali affidabili?
7.  Passo 5: come si uniscono le sezioni in un unico verbale?
8.  Quanto costa una riunione?
9.  Quali errori evitare?
10.  Quando una pipeline via API è la scelta sbagliata?
11.  Dove si colloca BroadNet Inference

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?

```text
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](https://broadrouter.com/it/blog/transcribe-long-audio-files-api/) 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-transcribe` costa $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](https://broadrouter.com/it/blog/arabic-dialect-speech-recognition/) 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](https://broadrouter.com/it/blog/arabic-subtitles-srt-api/).) 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](https://broadrouter.com/it/blog/transcribe-call-center-recordings/) |
| Un’unica traccia mista, e ti servono i parlanti | Usa un provider che restituisca la [diarization](https://broadrouter.com/it/glossary/diarization/); la [guida all’acquisto](https://broadrouter.com/it/blog/arabic-speech-to-text-api-buyers-guide/) 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](https://broadrouter.com/it/models/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](https://broadrouter.com/tools/arabic-token-counter/); l’arabo di solito richiede più token per parola dell’inglese, come mostra [token per parola in arabo e in inglese](https://broadrouter.com/it/blog/tokens-per-word-arabic-english/).

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.](https://arxiv.org/abs/2307.03172)). 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](https://broadrouter.com/it/models/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](https://broadrouter.com/it/models/glm-5.3/) | 1.048.576 | Output strutturato indicato; solo testo | $0.78 / $3.46 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/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](https://broadrouter.com/it/blog/choosing-an-llm-for-arabic/) 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](https://broadrouter.com/it/guides/reasoning-tokens-empty-response/).

## 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.

```python
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](https://broadrouter.com/it/blog/structured-output-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](https://broadrouter.com/it/blog/arabic-prompt-engineering/) 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:

1.  Scrivere un unico riassunto dell’intera riunione.
2.  Unire decisioni e azioni duplicate. Lo stesso compito viene spesso nominato due volte.
3.  Mantenere la citazione di ogni voce.
4.  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](https://broadrouter.com/tools/llm-api-cost-calculator/). Il [calcolatore dei costi speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) 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](https://broadrouter.com/it/guides/arabic-speech-to-text-api/), poi aggiungi il passaggio di riassunto descritto sopra.

Strumenti gratuiti sul tema (in inglese)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

[Token](https://broadrouter.com/it/glossary/token/)

Un token è l’unità di testo che un modello linguistico legge e scrive: una parola, una parte di parola, un segno di punteggiatura o una sequenza di byte prodotta dal tokenizer del modello. Le API LLM contano, limitano e di solito fatturano l’uso in token.

[Speech-to-text (riconoscimento vocale)](https://broadrouter.com/it/glossary/speech-to-text/)

Lo speech-to-text, detto anche riconoscimento automatico del parlato (ASR), è la tecnologia che converte l’audio parlato in testo scritto. Un’API speech-to-text riceve un file o uno stream audio e restituisce una trascrizione, di solito a prezzo per minuto di audio. L’accuratezza si misura con il word error rate e varia con accento, dialetto e qualità della registrazione.

[Output strutturato (structured output)](https://broadrouter.com/it/glossary/structured-output/)

L’output strutturato è una funzionalità delle API LLM che vincola la risposta di un modello a un formato indicato dallo sviluppatore, di solito un JSON Schema, così il codice può interpretarla in modo affidabile. È più rigoroso della JSON mode, che garantisce un JSON valido ma non una struttura precisa.

[Tool calling (chiamata di strumenti)](https://broadrouter.com/it/glossary/tool-calling/)

Il tool calling, detto anche function calling, è una funzionalità delle API LLM in cui il modello restituisce una richiesta strutturata di eseguire una funzione definita dallo sviluppatore, con argomenti JSON. L’applicazione esegue la funzione e rimanda il risultato; il modello non esegue mai codice da solo.

[Prompt engineering (ingegneria dei prompt)](https://broadrouter.com/it/glossary/prompt-engineering/)

Il prompt engineering è il processo con cui si scrivono, strutturano e testano le istruzioni date a un modello linguistico, perché produca in modo costante un output che rispetta i tuoi requisiti. Comprende messaggi di ruolo, istruzioni chiare, esempi, formattazione e la misura dei risultati su casi di test.

[Speaker diarization (diarizzazione del parlato)](https://broadrouter.com/it/glossary/diarization/)

La speaker diarization è il compito di dividere una registrazione audio in segmenti per parlante, rispondendo a "chi ha parlato e quando". Etichetta ogni tratto di parlato con un ID anonimo come SPEAKER\_00 e di solito si combina con una trascrizione per mostrare chi ha detto ogni battuta.

[Arabo dialettale (dialectal Arabic)](https://broadrouter.com/it/glossary/dialectal-arabic/)

L’arabo dialettale è l’arabo parlato ogni giorno in una regione o in una città, come l’arabo egiziano, del Golfo, levantino o maghrebino. I dialetti differiscono dall’arabo standard moderno per suoni, parole e grammatica, non hanno un’ortografia standard e si scrivono sempre più online, il che li rende più difficili per i modelli linguistici.

[Concorrenza (concurrency)](https://broadrouter.com/it/glossary/concurrency/)

La concorrenza è il numero di richieste che un client ha in corso nello stesso momento. Le API LLM spesso la limitano per chiave o per piano, separatamente dalle richieste al minuto, perché ogni richiesta aperta occupa capacità GPU finché la sua risposta non è terminata.

## Domande frequenti

### Come ottengo il verbale di una riunione da una registrazione in arabo?

Trascrivi l’audio con un’API speech-to-text per l’arabo, inviando language=ar. Poi manda la trascrizione a un LLM con un prompt che chieda in JSON un breve riassunto, le decisioni, le azioni con responsabili e scadenze, e le domande aperte. Rivedi il risultato prima di inviarlo.

### Il verbale può essere in inglese se la riunione era in arabo?

Sì. Trascrivi in arabo, poi chiedi all’LLM di scrivere il verbale in inglese mantenendo nomi, cifre e citazioni esattamente come sono stati detti. Conserva le citazioni in arabo, così un revisore bilingue può controllare la traduzione.

### Come gestisco il dialetto nei verbali?

Lascia il dialetto nella trascrizione, perché è quello che è stato detto. Chiedi all’LLM di scrivere il verbale in arabo standard moderno e di mantenere tra virgolette le parole dialettali quando il significato conta, come per un impegno o un rifiuto.

### Un’API può dire chi ha detto cosa?

Solo se restituisce le etichette dei parlanti. La trascrizione di BroadNet restituisce testo semplice. Se ogni partecipante è registrato su una traccia o un canale separato, trascrivi ogni traccia per conto suo e sai chi parla; altrimenti usa un provider con diarization.

### Quale modello dovrebbe riassumere una riunione lunga?

Scegli un modello con contesto sufficiente per la tua trascrizione più lunga e un buon arabo. Su BroadNet, Qwen3.8 27B è il modello testato in arabo, con un contesto di 262.144 token; GLM 5.3 e DeepSeek V4.1 Flash accettano 1.048.576 token. Provane due su tre riunioni reali.

### È sicuro inviare riunioni interne a un’API?

Controlla prima le condizioni di conservazione del provider. BroadNet dichiara di non conservare prompt, audio, risposte o trascrizioni dopo una richiesta. Rimuovi comunque tutto ciò che non serve al verbale, come numeri di telefono personali letti ad alta voce.

## Continua a leggere

-   [Trascrivere audio lunghi oltre 25 MB: dividere, inviare, ricucire](https://broadrouter.com/it/blog/transcribe-long-audio-files-api/)
-   [API speech-to-text per l’arabo: come sceglierla nel 2026](https://broadrouter.com/it/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Trascrivere le chiamate del call center: pipeline pronta per l’arabo](https://broadrouter.com/it/blog/transcribe-call-center-recordings/)
-   [JSON mode o json\_schema: output strutturato che regge in produzione](https://broadrouter.com/it/blog/structured-output-json-schema/)
-   [Scegliere un’API LLM per l’arabo: cosa testare](https://broadrouter.com/it/blog/choosing-an-llm-for-arabic/)
-   [Prompt engineering in arabo: registro, RTL, cifre e testo misto](https://broadrouter.com/it/blog/arabic-prompt-engineering/)
-   [Riassumere testi in arabo con un LLM: prompt, lunghezza e valutazione](https://broadrouter.com/it/blog/arabic-text-summarization-llm/)
-   [Sottotitoli in arabo (SRT) da un’API speech-to-text: cosa serve](https://broadrouter.com/it/blog/arabic-subtitles-srt-api/)
-   [Aggiungere i diacritici all’arabo con un LLM: prompt, controlli, DER](https://broadrouter.com/it/blog/arabic-diacritization-llm/)
-   [Correzione grammaticale e ortografica dell’arabo con un LLM: guida](https://broadrouter.com/it/blog/arabic-grammar-spelling-correction-llm/)
-   [Guida: API speech-to-text in arabo, passo dopo passo](https://broadrouter.com/it/guides/arabic-speech-to-text-api/)
-   [Guida: Perché un modello di ragionamento restituisce una risposta vuota](https://broadrouter.com/it/guides/reasoning-tokens-empty-response/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-arabic-meeting-minutes-from-recordings&utm_content=page-cta) ·

**Fonti**

-   [Riferimento API di BroadNet Inference: campi della trascrizione e risposta solo testo, modelli con output strutturato, ragionamento e max\_tokens (verificato il 2026-11-15) (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [Pagina dei prezzi di BroadNet Inference: prezzi al minuto e la nota "Tested in Arabic" su Qwen3.8 27B (verificata il 2026-11-15) (in inglese)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [Informativa privacy di BroadNet Inference: nessun prompt, audio o trascrizione conservati (verificata il 2026-11-15) (in inglese)](https://www.broadnet.ai/inference-privacy)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172; verificato il 2026-11-15)](https://arxiv.org/abs/2307.03172)
-   [Guida speech-to-text di OpenAI: evitare di dividere l’audio a metà frase (verificata il 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
