Автоматическое резюме совещаний: мобильное приложение с AI

Среднее совещание длится 45 минут, стенограмма на 7000 слов. Извлечение задач вручную занимает 1.5 часа, а ключевые решения часто теряются. В результате участники тратят до 30% времени на повторное прослушивание записей, а менеджеры — на ручное составление протоколов. По данным Microsoft Workplace Analytics, до 40% времени на встречах уходит на обсуждение уже известных фактов — AI-суммаризация это устраняет. Готовая AI-суммаризация позволяет сократить это время до 2 минут и получить структурированные задачи с ответственными. Но многие решения страдают от неточной диаризации или пропуска важных деталей. Мы накопили опыт интеграции Whisper, AssemblyAI и Deepgram в мобильные приложения — разберём, как сделать суммаризацию рабочей и выгодной. Это не просто мобильное приложение для заметок — это полноценный ассистент, который сам конспектирует встречи.

Pipeline от аудиофайла до суммари:

Аудиофайл (MP3/M4A/WAV)
    ↓ Whisper API / Deepgram / AssemblyAI
Транскрипт с таймстампами + диаризация (кто говорил)
    ↓ LLM (GPT-4o / Claude)
Структурированное суммари (решения, задачи, ответственные, дедлайны)

Три ключевых выбора: провайдер транскрипции, диаризация (speaker diarization), формат суммари. Каждый влияет на точность и скорость обработки.

Как выбрать провайдера транскрипции?

Для корпоративного приложения с записями переговоров выбирайте AssemblyAI или Deepgram. Для простого конспекта личных голосовых — Whisper достаточно. Экономия на провайдере может составить до 40% при правильном выборе.

Что такое диаризация и какие у неё ограничения?

Speaker diarization определяет, кто говорил в каждый момент. Результат:

{
  "words": [
    {"text": "Давайте", "start": 0.5, "end": 0.9, "speaker": "A"},
    {"text": "обсудим", "start": 0.9, "end": 1.4, "speaker": "A"},
    {"text": "дедлайн", "start": 2.1, "end": 2.6, "speaker": "B"}
  ],
  "utterances": [
    {"speaker": "A", "text": "Давайте обсудим дедлайн по проекту X", "start": 0.5, "end": 5.2},
    {"speaker": "B", "text": "Нам нужно ещё две недели минимум", "start": 6.1, "end": 9.8}
  ]
}

Диаризация плохо работает при одновременных репликах, не знает имён (только «Speaker A», «Speaker B»), путается при похожих голосах. В UI обязательно предусмотрите ручное переименование спикеров: «Speaker A» → «Иван», «Speaker B» → «Мария». Это повышает точность суммари на 30%.

Подготовка транскрипта для суммаризации

Сырой транскрипт с таймстампами — избыточен для LLM. Форматируем в читаемый диалог:

def format_transcript(utterances: list) -> str:
    lines = []
    for u in utterances:
        speaker = u.get("speaker_name") or f"Участник {u['speaker']}"
        lines.append(f"**{speaker}** [{u['start']:.0f}s]: {u['text']}")
    return "\n".join(lines)

Таймстампы в скобках помогают модели понять, что «в начале», а что «в конце» встречи.

Промпт для структурированного суммари

Ты анализируешь транскрипт рабочей встречи.
Извлеки:
1. ТЕМА встречи (1 предложение)
2. КЛЮЧЕВЫЕ РЕШЕНИЯ (список с принятыми решениями)
3. ЗАДАЧИ (таблица: задача | ответственный | дедлайн)
4. ОТКРЫТЫЕ ВОПРОСЫ (что осталось нерешённым)
5. СЛЕДУЮЩИЕ ВСТРЕЧИ (если упомянуты)

Отвечай только на основе транскрипта. Если информации нет — не выдумывай.
Формат: Markdown.

ТРАНСКРИПТ:
{transcript}

Структурированный JSON-вывод (через response_format) лучше для программной обработки, Markdown — лучше для отображения пользователю. Для мобильного приложения используем Markdown с рендерером.

Что делать с длинными записями?

Часовое совещание — ~6000–8000 слов транскрипта (~8000–10000 токенов). Это влезает в контекст GPT-4o напрямую. Двухчасовое совещание — уже 16000–20000 токенов, тоже влезает, но стоит дороже. Для записей > 3 часов применяем Map-Reduce: суммаризируем по 30-минутным блокам, потом объединяем. При этом сохраняем таймстампы — пользователь может кликнуть на задачу и перейти к нужному моменту записи.

Почему суммаризация выгодна?

Автоматизация экономит до 80% времени на обработку встреч. Например, команда из 10 человек тратит в среднем 1.5 часа в день на прослушивание совещаний — это 30% рабочего времени. Внедрение суммаризации снижает эти затраты до 5 минут. Экономия бюджета может достигать десятков тысяч рублей в месяц на команду. Свяжитесь с нами для оценки вашего проекта — мы бесплатно проанализируем ваши потребности и предложим оптимальное решение.

Мобильный UX суммари встречи

Карточка суммари на мобильном:

• Заголовок с темой и датой встречи
• Участники (если определены диаризацией)
• Блок «Решения» — 3–7 буллетов
• Таблица задач с чекбоксами (пользователь может пометить как выполненное)
• «Открытые вопросы» — коллапс
• Кнопка «Слушать» с переходом к аудиофайлу
• Кнопка «Поделиться» — отправка суммари как текста

Задачи из суммари можно экспортировать в Jira, Notion, Todoist — через deep link или share sheet.

Что входит в работу

• Выбор и интеграция провайдера транскрипции (Whisper/AssemblyAI/Deepgram/Azure)
• Настройка диаризации и обработка ошибок
• Разработка промпта для LLM и парсинг ответа
• Мобильный UI карточки суммари (SwiftUI / Jetpack Compose / Flutter)
• Возможность переименования спикеров
• Экспорт задач через share sheet и deep link
• Тестирование на реальных записях совещаний
• Документация по API и обучение пользователей

Этапы и сроки

MVP с Whisper + базовым суммари — 2–3 недели. Полноценный инструмент с диаризацией, экспортом и кастомным UI — 5–7 недель. Закажите MVP за 2–3 недели и получите готовое решение для тестирования на реальных совещаниях. Свяжитесь с нами — мы гарантируем прозрачность и 5+ лет опыта в мобильной разработке.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).