Uma ata de reunião parece uma tarefa só, mas são duas: transformar fala em texto e transformar texto em decisões e ações. Cada etapa falha de um jeito. Uma palavra dialetal mal transcrita vira uma ação errada; um modelo que resume bem ainda pode inventar um responsável. Este post monta o pipeline para reuniões em árabe e mostra onde colocar as verificações.
Como é o 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
O resto do post segue passo a passo.
Passo 1: como transcrever uma reunião longa em árabe?
Uma reunião de uma hora gravada num notebook costuma ser muito maior que um limite de upload. A BroadNet Inference aceita WAV ou MP3 de até 26.214.400 bytes por arquivo, então converta antes para 16 kHz mono e divida nos silêncios. Transcrever áudios longos com mais de 25 MB tem o script completo, incluindo requisições em paralelo e a junção do texto na ordem certa.
Três configurações importam para reuniões em árabe:
- Envie
language="ar"em todos os chunks. A documentação da BroadNet avisa que, sem isso, o árabe pode voltar transliterado em letras latinas. - Use o modelo de árabe para reuniões conduzidas em árabe:
broadnet/cohere-transcribe-arabic. Para reuniões principalmente em outro dos idiomas dele, obroadnet/cohere-transcribecusta $0.002 por minuto. - Guarde a transcrição bruta. Você vai precisar dela para a revisão e para as citações do passo 4.
Árabe e inglês misturados são normais em reuniões de negócios no Golfo. Teste uma gravação com a sua mistura habitual: nomes de produtos em inglês e números são onde os erros aparecem. Reconhecimento de fala em dialetos árabes explica no que prestar atenção.
Dá para obter os nomes dos falantes?
Não a partir de uma transcrição em texto puro. A resposta de transcrição da BroadNet é um JSON com um único campo text: sem falantes e sem timestamps. (Para o tempo das legendas a partir dos offsets dos chunks, veja legendas em árabe a partir de uma API só de texto.) Você tem três opções:
| Situação | O que fazer |
|---|---|
| Cada pessoa gravada numa faixa ou canal separado | Transcreva cada faixa sozinha; a faixa diz quem fala |
| Gravação de chamada em dois canais | Separe os canais com o ffmpeg, como no pipeline de call center |
| Uma única faixa mista, e você precisa dos falantes | Use um provedor que devolva diarização; o guia de compra compara as opções |
Com uma única faixa mista, o LLM ainda consegue achar responsáveis quando alguém diz um nome: “O Khalid vai mandar o orçamento até quinta-feira.” O que ele não pode fazer é adivinhar um responsável pelo contexto. O prompt abaixo proíbe isso.
Passo 2: por que dividir a transcrição antes de resumir?
Dois motivos. Primeiro, o contexto: uma hora de conversa pode ser longa demais para um modelo pequeno. O BroadNet Gemma 4 VL 26B tem contexto de 32.768 tokens, que uma reunião longa em árabe pode ultrapassar. Conte os seus com o contador de tokens para árabe; o árabe costuma precisar de mais tokens por palavra que o inglês, como mostra tokens por palavra em árabe e em inglês.
Segundo, a precisão. Uma pesquisa sobre entradas longas concluiu que o desempenho dos modelos “significantly degrades when models must access relevant information in the middle of long contexts” (tradução: piora significativamente quando os modelos precisam acessar informações relevantes no meio de contextos longos) (Liu et al.). Uma decisão tomada no minuto 35 de 70 é exatamente esse caso. Resumir seções de 10 a 15 minutos cada e depois juntá-las mantém cada parte perto do início de um prompt.
Divida nos mesmos pontos de silêncio que você usou para o áudio, assim uma seção nunca começa no meio de uma frase.
Passo 3: qual modelo deve escrever a ata?
| Modelo | Contexto | Notas para atas | Entrada / saída por 1M de tokens |
|---|---|---|---|
| Qwen3.8 27B | 262.144 | Testado pela BroadNet em árabe: escrita fluente, dialetos do Golfo e egípcio compreendidos; saída estruturada listada | $0.175 / $2.17 |
| GLM 5.3 | 1.048.576 | Saída estruturada listada; só texto | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1.048.576 | Também num plano de preço fixo a $60 por mês por sessão, uma requisição por vez | $0.175 / $0.52 |
Comece pelo Qwen3.8 27B, porque é o modelo que a BroadNet testou em árabe. Compare-o com outro modelo em três reuniões reais e peça a um falante nativo que avalie. Como escolher um LLM para árabe tem uma planilha de avaliação.
Os três modelos raciocinam antes de responder, e o raciocínio conta em max_tokens. Atas são longas, então reserve alguns milhares de tokens, ou a resposta visível pode voltar vazia. Por que isso acontece.
Passo 4: qual prompt gera atas confiáveis?
Peça JSON e faça o modelo citar a transcrição em cada item. A citação é o que permite a um revisor conferir uma ação em segundos, em vez de reler a transcrição inteira.
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)
Depois valide no código. Faça o parse do JSON, confira as chaves e verifique se cada quote aparece de fato na seção. Um item cuja citação não está na transcrição é invenção do modelo: descarte ou sinalize. Se o JSON não fizer parse, tente de novo uma vez passando a mensagem de erro. JSON mode vs json_schema mostra um loop de validação; a documentação da BroadNet lista saída estruturada para o GLM 5.3 e o Qwen3.8 27B sem nomear o parâmetro da requisição, então teste antes de depender disso.
Para uma ata em inglês, troque a linha do resumo para inglês e acrescente: “Keep each quote in the original Arabic.” O post sobre engenharia de prompt em árabe aprofunda registro, numerais e textos com alfabetos misturados.
Passo 5: como juntar as seções numa única ata?
Envie todos os resultados das seções numa requisição final e peça ao modelo para:
- Escrever um resumo único da reunião inteira.
- Juntar decisões e ações duplicadas. A mesma tarefa costuma ser mencionada duas vezes.
- Manter a citação de cada item.
- Marcar uma ação como alterada se uma seção posterior mudar o responsável ou a data.
A entrada da junção é pequena: o JSON de cada seção, não a transcrição. Uma junção em qualquer um dos três modelos acima fica bem dentro do contexto.
Quanto custa uma reunião?
| Etapa | O que você paga | Preço |
|---|---|---|
| Transcrição | Minutos de áudio | $0.0042 por minuto, $0.25 por hora |
| Resumos das seções | Tokens da transcrição na entrada, JSON na saída | Qwen3.8 27B: $0.175 de entrada, $2.17 de saída por 1M |
| Junção | Pouco JSON na entrada e na saída | As mesmas tarifas |
A transcrição costuma ser a parte fixa. A parte do LLM depende do tamanho da transcrição e de quanto o modelo raciocina. Leia prompt_tokens e completion_tokens das primeiras reuniões reais e depois multiplique na calculadora de custo de API de LLM. A calculadora de custo de fala para texto cuida do lado do áudio. O crédito inicial de $5 cobre os modelos de transcrição, o que dá cerca de 1,190 minutos de árabe; o Qwen3.8 27B exige uma recarga.
Quais erros evitar?
- Resumir a reunião inteira num único prompt. Itens do meio se perdem.
- Deixar o modelo preencher lacunas. Responsáveis e datas que nunca foram ditos são o erro mais comum em atas feitas por IA. Faça de null o padrão.
- Traduzir cedo demais. Transcreva e extraia em árabe, depois traduza a ata. Traduzir a transcrição primeiro perde as citações exatas.
- Pular a revisão. Uma ata é um registro. Uma pessoa que participou deve lê-la antes de ela ser enviada.
- Guardar gravações para sempre. Apague o áudio quando a ata for aprovada, a menos que você seja obrigado a guardá-lo.
Quando um pipeline de API é a escolha errada?
Se você precisa de legendas ao vivo durante a reunião, rótulos de falante a partir de uma única faixa mista ou um app pronto que a sua equipe possa usar hoje, um produto dedicado a reuniões é o caminho mais rápido. Vários vendem notas de reunião em árabe; compare-os nas suas próprias gravações, já que as alegações de precisão nas páginas deles são deles. O caminho da API faz sentido quando você quer as atas dentro do seu próprio sistema, no seu formato e com as suas regras de retenção.
Onde entra a BroadNet Inference
A BroadNet coloca as duas metades numa única chave compatível com a OpenAI: o BroadNet Transcribe Arabic a $0.0042 por minuto e o Qwen3.8 27B, testado em árabe, para as atas. A declaração de privacidade diz que ela não guarda prompts, áudio, respostas nem transcrições depois de uma requisição, o que importa para reuniões internas. Ela não devolve rótulos de falante nem timestamps e não tem transcrição ao vivo, então use outro provedor se precisar disso. Comece pelo guia de fala para texto em árabe e depois acrescente a etapa de resumo acima.
