Главная → Блог → Как расшифровать запись встречи и получить готовые заметки

Как расшифровать запись встречи и получить готовые заметки

Запись совещания — это папка, которую никто не открывает. Все помнят, что решение принято, никто не помнит какое, а пересматривать сорок минут ради одной фразы не станет ни один человек. Расшифровка превращает запись в текст, по которому можно искать, цитировать и собирать протокол за секунды.

Что меняет текстовая версия встречи

Четыре вещи, которых запись сама по себе не даёт:

• Поиск по всем встречам сразу. Один запрос находит все обсуждения, где упоминался клиент, срок или статья бюджета.
• Заметки, которые действительно написаны. Решения и задачи вытаскиваются из текста, а не зависят от того, успел ли кто-то печатать во время разговора.
• Контекст для тех, кто не пришёл. Чтение расшифровки занимает впятеро меньше времени, чем просмотр записи.
• Долговечный след. Текст переживает переезды между платформами, видеоархивы — обычно нет.

Где лежит сама запись

До всякого кода найдите файл. Каждая платформа хранит его по-своему:

Локальные записи Zoom — самый удобный случай: файл только со звуком уже лежит рядом, конвертировать ничего не нужно.

Шаг 1. Извлеките звук и уменьшите файл

Час видеовстречи — это гигабайты, тот же час речи в mp3 — около 25 МБ. На совещании звучит речь и почти ничего больше, поэтому моно на скромном битрейте не теряет ничего важного:

ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -b:a 48k meeting.mp3

Моно 16 кГц — ровно то, с чем модель работает внутри. Файл становится настолько компактным, что двухчасовая встреча укладывается в пару запросов.

Шаг 2. Расшифруйте с таймкодами

Для встреч запрашивайте verbose_json, а не обычный текст: в сегментах есть время начала и конца, и именно оно позволяет вернуться к нужному месту записи.

from openai import OpenAI

client = OpenAI(base_url="https://voicesscribe.com/v1", api_key="ваш ключ")

with open("meeting.mp3", "rb") as f:
    r = client.audio.transcriptions.create(
        model="whisper-1", file=f,
        response_format="verbose_json",
        prompt="Продуктовый синк: роадмап, релиз третьего квартала, переезд на Kubernetes",
    )

for s in r.segments:
    print(f"[{int(s.start)//60:02d}:{int(s.start)%60:02d}] {s.text.strip()}")

В prompt кладут внутренний словарь компании: названия проектов, аббревиатуры, фамилии. На совещаниях полно терминов, которых общая модель никогда не слышала, и одна строка подсказки снимает большую часть таких ошибок.

Шаг 3. Превратите расшифровку в протокол

Сама расшифровка — сырьё. Полезный результат — короткая сводка с решениями и ответственными, а это работа для языковой модели: на вход текст, на выходе структурированные заметки.

notes = llm(f"""Ниже расшифровка встречи. Верни:
1) сводку из пяти пунктов,
2) принятые решения,
3) задачи в формате «ответственный — задача — срок».
Опирайся только на текст, ничего не додумывай.

{transcript}""")

Результату можно доверять при двух условиях: явно потребовать «только то, что есть в тексте» и сохранить таймкоды, чтобы любое утверждение можно было проверить по записи.

Кто что сказал

Честный ответ: одна сведённая дорожка не возвращается с метками говорящих. Два рабочих обхода:

• Раздельные дорожки. Zoom умеет записывать каждого участника в свой звуковой файл. Расшифруйте их по очереди — получите точное разделение по людям без всяких ухищрений.
• Перекличка в начале. Если в первую минуту все называют себя, и модель, и читатель дальше ориентируются заметно лучше.

Для протокола точная атрибуция обычно важна меньше самих решений — не стройте сложную схему до того, как убедитесь, что она нужна.

Длинные встречи и расходы

Оплата идёт за минуты аудио, поэтому рычага два: не расшифровывать лишнее и не отправлять тишину.

# режем длинную встречу на получасовые куски
ffmpeg -i meeting.mp3 -f segment -segment_time 1800 -c copy part%03d.mp3

Регулярные статусы обычно стоит расшифровывать целиком, а двухчасовые воркшопы — только тот фрагмент, где принималось решение. Рабочее правило: месяц расшифровывайте всё, посмотрите, что люди на самом деле ищут, и сузьте охват.

Частые вопросы

Читайте также

• Автоматические субтитры SRT и VTT из видео и вебинаров — Как получить готовые субтитры с таймкодами из записи вебинара или ролика: извлечение звука, форматы SRT и VTT, примеры кода и разбор частых проблем.
• Как расшифровать запись звонка в текст — Пошаговое руководство: как перевести аудиозапись телефонного разговора в текст через API за несколько минут. Примеры кода на Python и C#, разбор ошибок.
• Как повысить точность распознавания речи: восемь рабочих приёмов — Восемь изменений, которые действительно двигают качество расшифровки: подготовка звука, подсказка языка, параметр prompt, нарезка по паузам, форматы и замер ошибок.