Расшифровка встреч: как перестать терять договорённости

После планёрки остаётся память, и она у всех разная. Кто что пообещал, к какому числу, что решили по спорному пункту — через неделю у каждого участника своя версия, и спорить бесполезно, потому что подтвердить нечем.

Самый частый способ это лечить — включить диктофон. Способ рабочий ровно наполовину: запись появляется, а вот переслушивать час аудио ради одной фразы никто не будет. У меня в телефоне такие записи лежали месяцами. Проблема не в том, что встречу не зафиксировали. Проблема в том, что зафиксировали в формате, который невозможно использовать.

Что должно быть на выходе

Стенограмма на сорок страниц — это не решение, это та же самая запись, только текстом. Читать её никто не станет.

Полезный результат состоит из трёх слоёв, и каждый нужен для своего.

Полный текст с разделением по говорящим. Нужен редко, но когда нужен — критично. Спор «я такого не говорил» закрывается поиском по слову за десять секунд.

Короткое резюме. Полстраницы: о чём был разговор и до чего договорились. Это то, что рассылают участникам сразу после встречи.

Список договорённостей. Кто, что, к какому числу — если это звучало вслух. Отдельным блоком, чтобы можно было скопировать в задачи и не переписывать руками.

Первый слой делает машина, второй и третий — тоже, но их формат надо настраивать. У планёрки, собеседования и разговора с клиентом на выходе нужны разные вещи: где-то важны сроки, где-то возражения, где-то оценка кандидата.

Почему разделение по говорящим меняет всё

Текст без разделения выглядит как поток. Кто что сказал — неизвестно, и весь смысл фиксации теряется: договорённость без фамилии не договорённость.

Разделение по говорящим (это называют диаризацией) размечает реплики: вот один человек, вот второй, вот третий. Система не знает их имён — она различает голоса, а подписи расставляются один раз. После этого текст читается как диалог, и в нём становится видно то, чего на слух не заметно: кто говорил 70 % времени, чей вопрос остался без ответа, где решение приняли, а где просто перестали спорить.

По скорости: час записи обрабатывается заметно быстрее, чем длится сам час. Конкретное время зависит от железа, но на нормальном рабочем компьютере расшифровка готова, пока вы завариваете чай. Видеокарта ускоряет заметно, без неё считает процессор — дольше, но считает.

Почему локально важнее облака

Облачных сервисов расшифровки много, они удобные, и для планёрки о том, кто закупает воду в офис, их достаточно. Дальше начинаются профессии, где облако — это не вопрос удобства.

Юрист не может отправить запись беседы с доверителем на чужой сервер. Врач — приём пациента. Переговоры о сделке, обсуждение зарплат, разбор конфликта внутри компании, встреча с подрядчиком, где называются реальные цифры закупок, — везде вопрос «а где физически лежит эта запись» имеет ровно один правильный ответ: у вас.

Локальное распознавание отвечает на него буквально. Файл не выходит за пределы вашего компьютера или вашего сервера, не попадает в чужую базу и не участвует в обучении чужих моделей. Не нужно читать пользовательское соглашение и гадать, что там написано мелким шрифтом про хранение данных.

Второй довод приземлённее — деньги. Облако берёт абонентскую плату, и платить придётся столько, сколько вы этим пользуетесь. Локальная установка оплачивается один раз, дальше работает без счётчика. Третий довод — интернет. Расшифровка на даче, в самолёте, в закрытом контуре без выхода наружу работает так же, как в офисе, потому что сети ей не нужно вообще.

Оговорка честности ради: сама технология распознавания — открытая, это Whisper. Я её не изобретал. Моя работа в том, чтобы она встала на вашу машину, понимала ваши фамилии и термины и выдавала результат в том виде, в каком его можно сразу переслать людям.

Диктовка или внедрение — где проходит граница

У меня это два разных продукта на одном движке, и их регулярно путают. Разница не в качестве распознавания — оно одинаковое. Разница в объёме работы.

Диктовка, 5 000 ₽ — коробка. Один компьютер, один сценарий: нажали горячую клавишу, сказали, текст появился там, где стоит курсор. Ставится с флешки, интернет не нужен ни при установке, ни в работе. Расшифровку встреч она не делает — это просто набор текста голосом вместо клавиатуры.

Голос в текст, от 25 000 ₽ — внедрение. То же самое плюс расшифровка записей по говорящим, резюме и список договорённостей, словарь ваших фамилий и терминов, пакетная обработка папки целиком, субтитры в видео, установка на несколько машин, работа в закрытом контуре.

Про словарь стоит сказать отдельно, потому что это самая частая причина разочарования. Без настройки распознавание честно пишет то, что услышало, и специфические слова коверкает: фамилии сотрудников, названия продуктов, аббревиатуры, профессиональный жаргон. Человек открывает расшифровку, видит вместо фамилии коллеги похожее по звучанию слово и три перевранных термина в первом же абзаце — и делает вывод, что технология сырая. Технология нормальная, её просто не научили вашим словам.

Проверьте себя тремя вопросами. Нужно ли разбирать записи встреч, а не только диктовать? Ставим больше чем на один компьютер? Есть ли слова, которые распознавание точно переврёт? Хотя бы одно «да» — нужно внедрение. Три «нет» — берите коробку и не переплачивайте, я скажу ровно то же самое.

Коротко

• Диктофон не решает проблему: час аудио никто не переслушивает. Нужен текст, а из него — резюме.
• Полезный выход — три слоя: полный текст по говорящим, резюме на полстраницы, список договорённостей с фамилиями и сроками.
• Разделение по говорящим обязательно. Договорённость без фамилии не договорённость.
• Для юристов, медиков и переговоров локальная расшифровка — не удобство, а условие: запись не уходит с вашей машины.
• Коробка за 5 000 ₽ — только диктовка на один компьютер. Расшифровка встреч, словарь терминов и несколько машин — это уже внедрение.

Хотите проверить на своём материале — напишите на странице контактов и пришлите настоящую запись, планёрку или голосовое сообщение. Расшифрую до всякой оплаты: посмотрите на текст и на резюме и уже по ним решите, нужно вам это или нет.