Протокол встречи выглядит как одна задача, но их две: превратить речь в текст и превратить текст в решения и задачи. Каждый шаг ломается по-своему. Неверно распознанное диалектное слово становится неверной задачей; модель, которая хорошо делает сводки, всё равно может выдумать ответственного. В этой статье мы строим конвейер для встреч на арабском и показываем, где ставить проверки.
Как выглядит конвейер?
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
Дальше — по шагам.
Шаг 1: как распознать длинную встречу на арабском?
Часовая встреча, записанная на ноутбук, обычно намного больше лимита загрузки. BroadNet Inference принимает WAV или MP3 до 26 214 400 байт на файл, поэтому сначала конвертируйте в 16 кГц моно и нарежьте по паузам. Полный скрипт, включая параллельные запросы и склейку текста по порядку, есть в статье о транскрибации длинного аудио больше 25 МБ.
Для встреч на арабском важны три настройки:
- Передавайте
language="ar"для каждого фрагмента. Документация BroadNet предупреждает, что иначе арабский может вернуться транслитерированным латиницей. - Используйте арабскую модель для встреч, которые идут в основном на арабском:
broadnet/cohere-transcribe-arabic. Для встреч в основном на другом из поддерживаемых языковbroadnet/cohere-transcribeстоит $0.002 за минуту. - Сохраняйте сырую расшифровку. Она нужна для проверки и для цитат на шаге 4.
Смесь арабского и английского — обычное дело на деловых встречах в странах Залива. Проверьте запись с вашей привычной смесью языков: ошибки проявляются как раз на английских названиях продуктов и числах. О том, на что обращать внимание, рассказывает статья о распознавании арабских диалектов.
Можно ли получить имена говорящих?
Из расшифровки простым текстом — нет. Ответ транскрибации BroadNet — JSON с одним полем text: без говорящих и без временных меток. (Тайминг субтитров по смещениям фрагментов разобран в статье об арабских субтитрах из API, который возвращает только текст.) Вариантов три:
| Ситуация | Что делать |
|---|---|
| Каждый участник записан на отдельную дорожку или канал | Распознавайте каждую дорожку отдельно; дорожка и есть говорящий |
| Двухканальная запись звонка | Разделите каналы с помощью ffmpeg, как в конвейере для колл-центра |
| Одна смешанная дорожка, и говорящие нужны | Используйте провайдера с диаризацией; их сравнивает руководство покупателя |
С одной смешанной дорожкой LLM всё равно может найти ответственных, когда кто-то называет имя: «Халид отправит коммерческое предложение до четверга». Чего модель делать не должна — так это угадывать ответственного по контексту. Промпт ниже это запрещает.
Шаг 2: зачем делить расшифровку перед сводкой?
По двум причинам. Первая — контекст: час разговора может оказаться слишком длинным для небольшой модели. У BroadNet Gemma 4 VL 26B контекст 32 768 токенов, и длинная арабская встреча может его превысить. Посчитайте свою в счётчике арабских токенов; арабскому обычно нужно больше токенов на слово, чем английскому, как показывает статья о токенах на слово в арабском и английском.
Вторая — точность. Исследование длинных входов показало, что качество модели “significantly degrades when models must access relevant information in the middle of long contexts” (перевод: «значительно падает, когда модели нужно обращаться к релевантной информации в середине длинного контекста») (Liu et al.). Решение, принятое на 35-й минуте из 70, — именно такой случай. Сводка по разделам по 10–15 минут с последующим объединением держит каждую часть близко к началу промпта.
Делите по тем же паузам, что и аудио, чтобы раздел никогда не начинался посреди предложения.
Шаг 3: какая модель должна писать протокол?
| Модель | Контекст | Заметки для протоколов | Вход / выход за 1 млн токенов |
|---|---|---|---|
| Qwen3.8 27B | 262 144 | Протестирована BroadNet на арабском: свободный текст, понимает диалекты Залива и египетский; структурированный вывод заявлен | $0.175 / $2.17 |
| GLM 5.3 | 1 048 576 | Структурированный вывод заявлен; только текст | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1 048 576 | Также доступна на безлимитном тарифе за $60 в месяц за сессию, по одному запросу за раз | $0.175 / $0.52 |
Начните с Qwen3.8 27B, потому что именно её BroadNet тестировала на арабском. Сравните её с ещё одной моделью на трёх реальных встречах и попросите носителя языка оценить результаты. Лист оценки есть в статье о выборе LLM для арабского.
Все три модели рассуждают перед ответом, и рассуждения засчитываются в max_tokens. Протоколы длинные, поэтому оставьте несколько тысяч токенов, иначе видимый ответ может прийти пустым. Почему так происходит.
Шаг 4: какой промпт даёт надёжный протокол?
Просите JSON и заставляйте модель цитировать расшифровку для каждого пункта. Именно цитата позволяет проверяющему сверить задачу за секунды, не перечитывая всю расшифровку.
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)
Затем проверьте результат в коде. Разберите JSON, проверьте ключи и убедитесь, что каждая quote действительно встречается в разделе. Пункт, цитаты которого нет в расшифровке, — выдумка модели: удалите его или пометьте. Если JSON не разбирается, повторите запрос один раз с сообщением об ошибке. Цикл проверки показан в статье JSON mode или json_schema; документация BroadNet заявляет структурированный вывод для GLM 5.3 и Qwen3.8 27B, но не называет параметр запроса, поэтому проверьте его, прежде чем полагаться.
Для протокола на английском замените строку о сводке на английский и добавьте: “Keep each quote in the original Arabic.” (перевод: «Сохраняйте каждую цитату на арабском в оригинале».) Регистр, цифры и текст со смешанными алфавитами подробнее разобраны в статье о промпт-инжиниринге на арабском.
Шаг 5: как объединить разделы в один протокол?
Отправьте результаты всех разделов в одном финальном запросе и попросите модель:
- Написать одну сводку всей встречи.
- Объединить повторяющиеся решения и задачи. Одну и ту же задачу часто упоминают дважды.
- Сохранить цитату для каждого пункта.
- Пометить задачу как изменённую, если в более позднем разделе у неё поменялся ответственный или срок.
Вход для объединения маленький: JSON от каждого раздела, а не расшифровка. Объединение на любой из трёх моделей выше остаётся далеко в пределах контекста.
Сколько стоит одна встреча?
| Шаг | За что вы платите | Цена |
|---|---|---|
| Распознавание | Минуты аудио | $0.0042 за минуту, $0.25 за час |
| Сводки по разделам | Токены расшифровки на входе, JSON на выходе | Qwen3.8 27B: $0.175 за вход, $2.17 за выход за 1 млн |
| Объединение | Небольшой JSON на входе и выходе | По тем же ставкам |
Распознавание обычно — фиксированная часть. Часть с LLM зависит от длины расшифровки и от того, сколько модель рассуждает. Возьмите prompt_tokens и completion_tokens с первых нескольких реальных встреч и умножьте в калькуляторе стоимости LLM API. Аудиочасть считает калькулятор стоимости распознавания речи. Стартовый грант $5 покрывает модели транскрибации — это около 1,190 минут арабского; для Qwen3.8 27B нужно пополнение баланса.
Каких ошибок избегать?
- Сводка всей встречи одним промптом. Пункты из середины теряются.
- Позволять модели заполнять пробелы. Ответственные и сроки, которых никто не называл, — самая частая ошибка ИИ-протоколов. Пусть null будет значением по умолчанию.
- Слишком ранний перевод. Распознавайте и извлекайте пункты на арабском, а потом переводите протокол. Если сначала перевести расшифровку, точные цитаты потеряются.
- Пропуск проверки. Протокол — это официальная запись. Человек, присутствовавший на встрече, должен прочитать его до рассылки.
- Вечное хранение записей. Удаляйте аудио после утверждения протокола, если только вы не обязаны его хранить.
Когда конвейер на API — неверный выбор?
Если вам нужны живые субтитры во время встречи, метки говорящих по одной смешанной дорожке или готовое приложение, которым команда может пользоваться уже сегодня, специализированный продукт для встреч — более быстрый путь. Несколько таких продуктов продают заметки для встреч на арабском; сравните их на своих записях, ведь заявления о точности на их страницах — их собственные. Путь через API имеет смысл, когда вы хотите получать протоколы внутри своей системы, в своём формате и со своими правилами хранения.
Где здесь BroadNet Inference
BroadNet даёт обе половины на одном OpenAI-совместимом ключе: BroadNet Transcribe Arabic за $0.0042 за минуту и протестированную на арабском Qwen3.8 27B для протоколов. В заявлении о конфиденциальности сказано, что она не хранит промпты, аудио, ответы и расшифровки после запроса, а для внутренних встреч это важно. Она не возвращает метки говорящих и временные метки и не поддерживает распознавание в реальном времени, так что если это нужно, используйте другого провайдера. Начните с руководства по распознаванию арабской речи, затем добавьте шаг сводки, описанный выше.
