Реализация AI-автоматизации протоколирования совещаний

Автоматизация протоколирования встреч с AI

Ручное протоколирование совещаний отнимает 15–25% времени участников. Компании теряют до 15% бюджета на неэффективные встречи и ручное протоколирование. В типичной организации с 50 встречами в неделю на протоколирование уходит до 20 человеко-часов, а до 30% задач теряются или дублируются. При этом в протоколах теряются важные решения, сроки срываются, ответственность размывается. Мы решаем эту проблему через пайплайн: аудиозапись → диаризация → транскрипция → NLP-извлечение → структурированный протокол. Всё работает в реальном времени или постфактум, интегрируется с Zoom, Google Meet, MS Teams, Slack, Jira и Notion. Наше решение обеспечивает точность извлечения задач в 2-3 раза выше, чем готовые сервисы, за счёт кастомной NLP-обработки.

С какими проблемами сталкиваются команды?

• Нет единого источника правды. Участники помнят встречу по-разному. Решения пересматриваются, задачи дублируются.
• Транскрибация без диаризации. Простые сервисы вроде Otter.ai не разделяют реплики спикеров — протокол нечитаем.
• Интеграция с Task-трекерами. Даже если транскрипция есть, задачи приходится переносить в Jira/Notion руками.

Мы закрываем все три точки. Наш пайплайн использует Whisper large-v3 (качество транскрипции русского языка — WER ~4.5% на чистых записях), pyannote.audio 3.1 для диаризации (DER ~8% на многоканальных конференциях) и GPT-4o для извлечения структуры. В сложных сценариях вместо GPT-4o можно развернуть локальную LLaMA 3 70B — конфиденциальные данные не покидают периметр.

Как мы настраиваем AI-протоколирование под вашу инфраструктуру?

Типовой проект занимает 4–6 недель и включает:

1. Аудит текущих встреч — собираем примеры записей, выявляем типичные паттерны (регулярные митинги, code review, one-on-one).
2. Выбор модели — для коротких встреч (до 1 часа) достаточно Whisper + GPT-4o, для длинных (3+ часа) используем чанкование по VAD + параллельную обработку.
3. Настройка интеграций — через API Zoom Recording, Google Workspace Events, Microsoft Graph. На выходе — webhook, который запускает пайплайн.
4. Формат протокола — Markdown для Confluence, кастомные шаблоны для Notion, автоматическое создание задач в Jira с дедлайнами из транскрипта.

Разберём один кейс. Клиент — финтех-компания с 200+ сотрудниками, еженедельные all-hands на 150 человек. Ручное протоколирование занимало 8 человеко-часов в неделю. Мы развернули пайплайн на их Kubernetes с GPU T4. Результат:

• Время обработки 1 часа записи — 12 минут (включая диаризацию и NLP).
• Точность распознавания имён — 97% после fine-tuning Whisper на корпоративных терминах.
• Экономия — 7 часов в неделю только на подготовке протоколов.

Почему готовые решения не подходят для сложных сценариев?

Сравним ключевые параметры:

Для стартапов с 5–10 встречами в неделю готовые сервисы ок. Но для enterprise с конфиденциальными данными, специфичной терминологией и требованиями к compliance — наше решение даёт контроль и точность.

Что входит в реализацию?

• Пайплайн транскрипции + диаризации — код на Python с поддержкой CUDA, покрытый тестами.
• NLP-модуль извлечения решений и задач — промпты, протестированные на 500+ транскриптах.
• Интеграции — Zoom/Teams/Google Meet на вход, Notion/Confluence/Jira/Slack на выход.
• Документация — README, архитектурная схема, инструкция по эксплуатации.
• Обучение команды — воркшоп на 2 часа.
• Гарантия 3 месяца — исправление багов, адаптация под обновления API.

Оценим ваш проект бесплатно. Свяжитесь — расскажем, как сократить время на протоколирование в 5–10 раз. Получите консультацию нашего AI-инженера.

Подробности реализации

Транскрибация с диаризацией

import whisper from pyannote.audio import Pipeline import torch class MeetingTranscriber: def __init__(self): self.whisper = whisper.load_model("large-v3", device="cuda") self.diarizer = Pipeline.from_pretrained( "pyannote/speaker-diarization-3.1", use_auth_token="HF_TOKEN" ) def transcribe_with_speakers(self, audio_path: str) -> list[dict]: diarization = self.diarizer(audio_path) segments_by_speaker = [ {"speaker": turn.speaker, "start": turn.start, "end": turn.end} for turn, _, _ in diarization.itertracks(yield_label=True) ] result = self.whisper.transcribe(audio_path, language="ru", word_timestamps=True) transcript = [] for seg in result["segments"]: speaker = self._find_speaker(seg["start"], segments_by_speaker) transcript.append({ "speaker": speaker, "start": seg["start"], "end": seg["end"], "text": seg["text"].strip() }) return transcript def _find_speaker(self, timestamp: float, diar_segments: list) -> str: for s in diar_segments: if s["start"] <= timestamp <= s["end"]: return s["speaker"] return "UNKNOWN" 

NLP-обработка и извлечение структуры

from openai import AsyncOpenAI import json client = AsyncOpenAI() async def extract_meeting_structure(transcript: list[dict]) -> dict: formatted = "\n".join([ f"[{seg['speaker']} | {int(seg['start']//60):02d}:{int(seg['start']%60):02d}] {seg['text']}" for seg in transcript ]) response = await client.chat.completions.create( model="gpt-4o", messages=[{ "role": "system", "content": """Ты — ассистент для протоколирования встреч. Проанализируй транскрипт и верни JSON: { "summary": "краткое резюме 2-3 предложения", "participants": ["SPEAKER_00 = Иван Петров", ...], "agenda_items": [{"topic": "...", "discussion": "..."}], "decisions": [{"decision": "...", "context": "..."}], "action_items": [{"task": "...", "owner": "...", "deadline": "..."}], "next_meeting": "дата/условие следующей встречи если обсуждалась" }""" }, { "role": "user", "content": f"Транскрипт встречи:\n\n{formatted[:8000]}" }], response_format={"type": "json_object"} ) return json.loads(response.choices[0].message.content) 

Генерация протокола и экспорт

def format_meeting_minutes(structure: dict, transcript: list[dict]) -> str: date = datetime.now().strftime("%d.%m.%Y") duration_min = int(transcript[-1]["end"] / 60) if transcript else 0 md = f"""## Протокол встречи от {date} **Продолжительность:** {duration_min} минут **Участники:** {", ".join(structure.get("participants", []))} ### Краткое резюме {structure.get("summary", "")} ### Принятые решения """ for d in structure.get("decisions", []): md += f"- **{d['decision']}**\n _{d.get('context', '')}_\n\n" md += "### Задачи\n\n" md += "| Задача | Ответственный | Срок |\n|--------|--------------|------|\n" for item in structure.get("action_items", []): md += f"| {item['task']} | {item.get('owner', '—')} | {item.get('deadline', '—')} |\n" return md class MinutesExporter: async def to_notion(self, minutes: str, database_id: str): ... async def to_confluence(self, minutes: str, space_key: str): ... async def to_jira_tasks(self, action_items: list, project_key: str): ... async def to_slack(self, summary: str, channel_id: str): ... async def to_email(self, minutes: str, recipients: list[str]): ... 

Интеграция через webhook (пример для Zoom)

@app.post("/webhook/zoom/recording") async def zoom_recording_webhook(payload: dict): if payload["event"] == "recording.completed": recording_url = payload["payload"]["object"]["recording_files"][0]["download_url"] meeting_id = payload["payload"]["object"]["uuid"] asyncio.create_task(process_meeting_recording(meeting_id, recording_url)) return {"status": "ok"} 

Сроки

Базовый пайплайн (транскрипция + NLP + Markdown) — 1–2 недели. Полноценная система с интеграциями Zoom/Teams/Notion/Jira — 4–6 недель. Точные сроки зависят от количества источников записей и требований к кастомизации.

Мы работаем на рынке AI-автоматизации более 5 лет, реализовали 30+ проектов для финансового сектора, ритейла и IT-продуктов. Предоставляем гарантию на работоспособность пайплайна.

Для получения консультации и оценки вашего проекта свяжитесь с нами. Закажите бесплатный аудит ваших встреч — мы покажем, сколько времени вы сэкономите.