Toplantı tutanağı tek bir iş gibi görünür ama iki iştir: konuşmayı metne çevirmek ve metni kararlara ve aksiyon maddelerine çevirmek. Her adım kendi biçimde hata yapar. Yanlış yazıya dökülmüş bir lehçe kelimesi yanlış bir aksiyon maddesine dönüşür; iyi özetleyen bir model bile bir sorumlu uydurabilir. Bu yazı Arapça toplantılar için hattı kuruyor ve kontrollerin nereye konacağını gösteriyor.
Hat neye benziyor?
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
Yazının geri kalanı adım adım ilerliyor.
1. Adım: Uzun bir Arapça toplantıyı nasıl yazıya dökersiniz?
Bir dizüstü bilgisayarda kaydedilmiş bir saatlik toplantı genellikle yükleme limitinden çok daha büyüktür. BroadNet Inference dosya başına 26.214.400 bayta kadar WAV veya MP3 kabul eder; bu yüzden önce 16 kHz mono’ya dönüştürüp sessizliklerden bölün. 25 MB’tan büyük uzun sesleri metne dökme yazısında paralel istekler ve metni sırasıyla birleştirme dahil betiğin tamamı var.
Arapça toplantılar için üç ayar önemlidir:
- Her parçada
language="ar"gönderin. BroadNet’in belgeleri, aksi hâlde Arapçanın Latin harflerine çevriyazılmış olarak dönebileceği konusunda uyarıyor. - Arapça ağırlıklı toplantılar için Arapça modeli kullanın:
broadnet/cohere-transcribe-arabic. Çoğunlukla desteklediği diğer dillerden birinde geçen toplantılar içinbroadnet/cohere-transcribedakikası $0.002 tutar. - Ham dökümü saklayın. Gözden geçirme ve 4. adımdaki alıntılar için ona ihtiyacınız var.
Körfez iş toplantılarında Arapça ve İngilizcenin karışması olağandır. Her zamanki karışımınızla bir kaydı test edin: hatalar İngilizce ürün adlarında ve rakamlarda ortaya çıkar. Neye kulak vermeniz gerektiğini Arapça lehçe konuşma tanıma yazısı anlatıyor.
Konuşmacı adlarını alabilir misiniz?
Düz metin bir dökümden alamazsınız. BroadNet’in transkripsiyon yanıtı tek bir text alanı içeren bir JSON’dur: konuşmacı yok, zaman damgası yok. (Parça ofsetlerinden alt yazı zamanlaması için yalnızca metin döndüren bir API ile Arapça alt yazı yazısına bakın.) Üç seçeneğiniz var:
| Durum | Ne yapmalı |
|---|---|
| Her kişi ayrı bir parçaya veya kanala kaydedilmiş | Her parçayı ayrı yazıya dökün; konuşmacıyı parça söyler |
| İki kanallı çağrı kaydı | Çağrı merkezi hattında olduğu gibi kanalları ffmpeg ile ayırın |
| Tek bir karışık parça ve konuşmacılara ihtiyacınız var | Konuşmacı ayrımı (diarization) döndüren bir sağlayıcı kullanın; satın alma rehberi bunları karşılaştırıyor |
Tek bir karışık parçada da biri bir ad söylediğinde LLM sorumluları bulabilir: “Halid teklifi perşembeye kadar gönderecek.” Yapmaması gereken şey bağlamdan bir sorumlu tahmin etmektir. Aşağıdaki istem bunu yasaklıyor.
2. Adım: Özetlemeden önce dökümü neden bölmeli?
İki nedeni var. Birincisi bağlam: bir saatlik konuşma küçük bir model için fazla uzun olabilir. BroadNet Gemma 4 VL 26B 32.768 token’lık bir bağlama sahip ve uzun bir Arapça toplantı bunu aşabilir. Kendi dökümünüzü Arapça token sayacıyla sayın; Arapça ve İngilizcede kelime başına token yazısının gösterdiği gibi Arapça genellikle kelime başına İngilizceden daha fazla token gerektirir.
İkincisi doğruluk. Uzun girdiler üzerine bir araştırma, model performansının “significantly degrades when models must access relevant information in the middle of long contexts” (BroadRouter çevirisi: modellerin uzun bağlamların ortasındaki ilgili bilgiye erişmesi gerektiğinde belirgin biçimde düştüğünü) buldu (Liu ve ark.). 70 dakikalık bir toplantının 35. dakikasında alınan bir karar tam olarak bu durumdur. Her biri 10 ila 15 dakikalık bölümleri özetleyip sonra birleştirmek, her parçayı bir istemin başına yakın tutar.
Ses için kullandığınız sessizlik noktalarından bölün; böylece bir bölüm asla cümle ortasında başlamaz.
3. Adım: Tutanağı hangi model yazmalı?
| Model | Bağlam | Tutanak için notlar | 1M token başına girdi / çıktı |
|---|---|---|---|
| Qwen3.8 27B | 262.144 | BroadNet tarafından Arapça test edildi: akıcı yazım, Körfez ve Mısır lehçelerini anlıyor; yapılandırılmış çıktı listelenmiş | $0.175 / $2.17 |
| GLM 5.3 | 1.048.576 | Yapılandırılmış çıktı listelenmiş; yalnızca metin | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1.048.576 | Oturum başına ayda $60 karşılığında sabit ücretli planda da var, her seferinde tek istek | $0.175 / $0.52 |
BroadNet’in Arapça test ettiği model olduğu için Qwen3.8 27B ile başlayın. Onu üç gerçek toplantıda başka bir modelle karşılaştırın ve bir ana dil konuşucusuna puanlatın. Arapça için LLM seçmek yazısında bir puanlama tablosu var.
Üç model de yanıt vermeden önce akıl yürütür ve akıl yürütme max_tokens sınırına sayılır. Tutanaklar uzundur; birkaç bin token bırakın, yoksa görünür yanıt boş dönebilir. Bunun nedeni.
4. Adım: Güvenilir tutanak hangi istemle çıkar?
JSON isteyin ve modelin her madde için dökümden alıntı yapmasını sağlayın. Alıntı, bir gözden geçirenin dökümün tamamını yeniden okumak yerine bir aksiyon maddesini saniyeler içinde kontrol etmesini sağlar.
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)
Sonra kodda doğrulayın. JSON’u ayrıştırın, anahtarları kontrol edin ve her quote değerinin bölümde gerçekten geçtiğini kontrol edin. Alıntısı dökümde olmayan bir madde modelin uydurmasıdır: atın ya da işaretleyin. JSON ayrıştırılamıyorsa hata mesajıyla bir kez yeniden deneyin. JSON mode ve json_schema yazısı bir doğrulama döngüsü gösteriyor; BroadNet’in belgeleri GLM 5.3 ve Qwen3.8 27B için yapılandırılmış çıktıyı listeliyor ama istek parametresinin adını vermiyor, bu yüzden ona güvenmeden önce test edin.
İngilizce tutanak için özet satırını İngilizceye çevirin ve şunu ekleyin: “Keep each quote in the original Arabic.” (Her alıntıyı orijinal Arapçasıyla koru.) Üslup, rakamlar ve karışık alfabeli metin konusunu Arapça istem mühendisliği yazısı daha ayrıntılı anlatıyor.
5. Adım: Bölümleri tek bir tutanakta nasıl birleştirirsiniz?
Tüm bölüm sonuçlarını son bir istekte gönderin ve modelden şunları isteyin:
- Toplantının tamamı için tek bir özet yazmasını.
- Yinelenen kararları ve aksiyonları birleştirmesini. Aynı görev çoğu zaman iki kez anılır.
- Her maddenin alıntısını korumasını.
- Sonraki bir bölüm bir aksiyonun sorumlusunu veya tarihini değiştiriyorsa o aksiyonu değişmiş olarak işaretlemesini.
Birleştirme girdisi küçüktür: dökümün kendisi değil, her bölümden gelen JSON. Yukarıdaki üç modelden herhangi birinde birleştirme, bağlamın çok içinde kalır.
Bir toplantı ne kadara mal olur?
| Adım | Neye ödersiniz | Fiyat |
|---|---|---|
| Transkripsiyon | Ses dakikaları | Dakikası $0.0042, saati $0.25 |
| Bölüm özetleri | Girdi olarak döküm token’ları, çıktı olarak JSON | Qwen3.8 27B: 1M başına $0.175 girdi, $2.17 çıktı |
| Birleştirme | Küçük JSON girdi ve çıktı | Aynı fiyatlar |
Transkripsiyon genellikle sabit kısımdır. LLM kısmı döküm uzunluğuna ve modelin ne kadar akıl yürüttüğüne bağlıdır. İlk birkaç gerçek toplantıdan prompt_tokens ve completion_tokens değerlerini okuyun, sonra LLM API maliyet hesaplayıcısında çarpın. Ses tarafını konuşmadan metne maliyet hesaplayıcısı hesaplar. $5 başlangıç kredisi transkripsiyon modellerini kapsar; bu yaklaşık 1,190 dakika Arapça eder. Qwen3.8 27B için bakiye yüklemeniz gerekir.
Hangi hatalardan kaçınmalısınız?
- Toplantının tamamını tek bir istemde özetlemek. Ortadaki maddeler kaybolur.
- Boşlukları modele doldurtmak. Hiç söylenmemiş sorumlular ve tarihler, yapay zekâ tutanaklarındaki en yaygın hatadır. Varsayılanı null yapın.
- Çok erken çevirmek. Arapça yazıya dökün ve Arapça çıkarın, sonra tutanağı çevirin. Önce dökümü çevirmek birebir alıntıları kaybettirir.
- Gözden geçirmeyi atlamak. Tutanak bir kayıttır. Toplantıya katılmış biri, gönderilmeden önce okumalıdır.
- Kayıtları sonsuza dek saklamak. Saklamak zorunda değilseniz tutanak onaylanınca sesi silin.
API hattı ne zaman yanlış seçimdir?
Toplantı sırasında canlı alt yazıya, tek bir karışık parçadan konuşmacı etiketlerine ya da ekibinizin bugün kullanabileceği hazır bir uygulamaya ihtiyacınız varsa, özel bir toplantı ürünü daha hızlı yoldur. Birkaçı Arapça toplantı notları satıyor; sayfalarındaki doğruluk iddiaları kendilerine ait olduğundan onları kendi kayıtlarınızla karşılaştırın. API yolu, tutanakları kendi sisteminizde, kendi biçiminizde ve kendi saklama kurallarınızla istediğinizde mantıklıdır.
BroadNet Inference bu tabloda nerede duruyor?
BroadNet iki yarıyı da tek bir OpenAI uyumlu anahtarda sunar: dakikası $0.0042 olan BroadNet Transcribe Arabic ve tutanak için Arapça test edilmiş Qwen3.8 27B. Gizlilik beyanı, bir istekten sonra istem, ses, yanıt veya döküm tutmadığını söylüyor; bu, şirket içi toplantılar için önemlidir. Konuşmacı etiketi veya zaman damgası döndürmez ve canlı transkripsiyonu yoktur; bunlara ihtiyacınız varsa başka bir sağlayıcı kullanın. Arapça konuşmadan metne rehberiyle başlayın, sonra yukarıdaki özet adımını ekleyin.
