会议纪要看起来是一项任务,其实是两项:把语音变成文字,再把文字变成决策和待办事项。每一步都有自己的失败方式。一个方言词转写错了,就会变成一条错误的待办事项;一个很会总结的模型,照样可能凭空编出一个负责人。本文为阿拉伯语会议搭建这条流水线,并说明检查应该放在哪里。
流水线是什么样的?
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
本文其余部分逐步讲解。
第 1 步:长时间的阿拉伯语会议怎么转写?
用笔记本电脑录的一小时会议,文件通常远远超过上传限制。BroadNet Inference 每个文件接受最大 26,214,400 字节的 WAV 或 MP3,所以要先转换成 16 kHz 单声道,并在静音处切分。转写超过 25 MB 的长音频提供了完整脚本,包括并行请求和按顺序拼接文本。
对阿拉伯语会议来说,有三项设置很重要:
- 每个分段都传
language="ar"。 BroadNet 的文档提醒,否则阿拉伯语可能会以拉丁字母音译的形式返回。 - 以阿拉伯语为主的会议使用阿拉伯语模型:
broadnet/cohere-transcribe-arabic。如果会议主要使用它支持的其他语言,broadnet/cohere-transcribe每分钟 $0.002。 - 保留原始转写文本。 审阅时需要它,第 4 步的引用也需要它。
在海湾地区的商务会议中,阿拉伯语夹杂英语是常态。用你们平时的语言混合情况录一段来测试:英文产品名和数字正是容易出错的地方。阿拉伯语方言语音识别介绍了该重点听什么。
能拿到说话人的名字吗?
纯文本转写拿不到。BroadNet 的转写响应是只有一个 text 字段的 JSON:没有说话人,也没有时间戳。(如果需要根据分段偏移量生成字幕时间轴,请看用纯文本 API 生成阿拉伯语字幕。)你有三个选择:
| 情况 | 做法 |
|---|---|
| 每个人录在单独的音轨或声道上 | 逐条音轨分别转写;音轨本身就告诉你说话人是谁 |
| 双声道通话录音 | 用 ffmpeg 拆分声道,做法同呼叫中心流水线 |
| 只有一条混合音轨,又需要说话人 | 使用返回说话人分离结果的服务商;选购指南对它们做了比较 |
只有一条混合音轨时,如果有人说出了名字,大模型仍然能找到负责人:“哈立德周四前把报价发过来。”它绝不能做的,是根据上下文猜测负责人。下面的提示词明确禁止这样做。
第 2 步:为什么要先把转写文本分段再总结?
有两个原因。第一是上下文:一小时的发言对小模型来说可能太长了。BroadNet Gemma 4 VL 26B 的上下文是 32,768 token,一场长的阿拉伯语会议可能会超出。用阿拉伯语 token 计数器数一下你的转写文本;正如阿拉伯语与英语每个词的 token 数所示,阿拉伯语每个词通常比英语需要更多 token。
第二是准确性。一项关于长输入的研究发现,模型性能 “significantly degrades when models must access relevant information in the middle of long contexts”(译文:当模型必须使用位于长上下文中间的相关信息时,性能会显著下降)(Liu 等)。在 70 分钟会议的第 35 分钟做出的决策,正是这种情况。每 10 到 15 分钟总结一段,然后再合并,能让每一部分都靠近提示词的开头。
在切分音频时用过的同一批静音点上切分,这样每一段都不会从句子中间开始。
第 3 步:该用哪个模型撰写纪要?
| 模型 | 上下文 | 撰写纪要相关说明 | 每 1M token 输入 / 输出 |
|---|---|---|---|
| Qwen3.8 27B | 262,144 | 经 BroadNet 阿拉伯语测试:书面表达流畅,能理解海湾和埃及方言;列明支持结构化输出 | $0.175 / $2.17 |
| GLM 5.3 | 1,048,576 | 列明支持结构化输出;仅文本 | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1,048,576 | 也提供固定价格套餐,每个会话每月 $60,一次一个请求 | $0.175 / $0.52 |
从 Qwen3.8 27B 开始,因为它是 BroadNet 做过阿拉伯语测试的模型。再挑一个模型和它对比,用三场真实会议测试,并请母语者打分。为阿拉伯语挑选大模型提供了一份评分表。
这三个模型都会先思考再回答,而思考内容计入 max_tokens。会议纪要很长,所以要留出几千个 token,否则可见的回答可能会是空的。参见为什么会这样。
第 4 步:什么样的提示词能得到可靠的纪要?
要求输出 JSON,并让模型为每一项引用转写原文。有了引用,审阅者几秒钟就能核对一条待办事项,而不必重读整份转写文本。
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)
然后在代码里校验。解析 JSON,检查各个键,并确认每个 quote 确实出现在该段文本中。引用不在转写文本里的条目就是模型编造的:删掉或标记出来。如果 JSON 解析失败,带上错误信息重试一次。JSON mode 与 json_schema 展示了一个校验循环;BroadNet 的文档列出 GLM 5.3 和 Qwen3.8 27B 支持结构化输出,但没有写明请求参数,所以依赖它之前先测试。
如果要用英文写纪要,把摘要那一行改成英文,并加上一句:“Keep each quote in the original Arabic.”(每条引用保留阿拉伯语原文。)阿拉伯语提示词工程一文更深入地介绍了语体、数字写法和混合文字的文本。
第 5 步:怎么把各段合并成一份纪要?
在最后一个请求中发送所有分段的结果,让模型:
- 为整场会议写一份摘要。
- 合并重复的决策和待办事项。同一个任务常常被提到两次。
- 保留每一项的引用。
- 如果后面的分段改变了某个待办事项的负责人或日期,就把它标记为已变更。
合并的输入很小:是各段的 JSON,而不是转写文本。用上面三个模型中的任何一个来合并,都远在其上下文范围之内。
一场会议要花多少钱?
| 步骤 | 计费对象 | 价格 |
|---|---|---|
| 转写 | 音频分钟数 | 每分钟 $0.0042,每小时 $0.25 |
| 分段总结 | 输入转写文本 token,输出 JSON | Qwen3.8 27B:每 1M 输入 $0.175,输出 $2.17 |
| 合并 | 少量 JSON 输入和输出 | 同上 |
转写通常是固定的部分。大模型部分取决于转写文本的长度和模型思考了多少。从最初几场真实会议中读取 prompt_tokens 和 completion_tokens,再用 LLM API 成本计算器乘出来。语音转文字成本计算器负责音频部分。$5 的初始额度覆盖转写模型,约合 1,190 分钟阿拉伯语音频;Qwen3.8 27B 需要充值。
应该避免哪些错误?
- 用一个提示词总结整场会议。 中间部分的条目会丢失。
- 让模型填补空白。 从没说过的负责人和日期,是 AI 会议纪要中最常见的错误。把 null 设为默认值。
- 翻译得太早。 先用阿拉伯语转写和提取,再翻译纪要。先翻译转写文本,会丢掉原话引用。
- 跳过审阅。 会议纪要是正式记录。发出之前,应由一位参会者通读一遍。
- 永久保留录音。 纪要获批后就删除音频,除非你必须保留。
什么时候不该用 API 流水线?
如果你需要会议进行中的实时字幕、从一条混合音轨中得到说话人标签,或者一个团队今天就能用的现成应用,专门的会议产品会更快。有好几款产品提供阿拉伯语会议记录;用你自己的录音比较它们,因为它们页面上的准确率说法只是它们自己的说法。当你希望纪要在自己的系统里、用自己的格式、遵循自己的保留规则时,API 路线才合理。
BroadNet Inference 处在什么位置
BroadNet 把两半工作放在同一个 OpenAI 兼容密钥上:每分钟 $0.0042 的 BroadNet Transcribe Arabic,以及经过阿拉伯语测试、用来撰写纪要的 Qwen3.8 27B。它的隐私声明说,请求结束后不保留任何提示词、音频、回答或转写文本,这对内部会议很重要。它不返回说话人标签或时间戳,也没有实时转写;如果你需要这些,请使用其他服务商。先从阿拉伯语语音转文字指南开始,再加上上面的总结步骤。
