Расшифровка встреч Zoom, Meet и Teams с ИИ: как получить протокол

Расшифровать встречу и получить из неё протокол — две разные задачи, и путают их чаще всего. Расшифровка даёт текст с таймкодами; протокол — это решения, задачи, владельцы и сроки, вытащенные из текста и проверенные человеком. Автоматизировать можно обе части, но по-разному: текст делает распознавание речи, структуру — модель с жёсткой схемой ответа, ответственность за ошибку остаётся на человеке, который подписывает протокол.

Ниже три рабочие схемы — от встроенных транскриптов Zoom, Google Meet и Teams до локального Whisper, — и то, где каждая ломается. Первый контур на одной встрече собирается за вечер, если запись уже есть.

Почему расшифровка не равна протоколу

Транскрипт — это поток речи: «так, значит, до пятницы надо, ну, отправить им счёт, да». В нём нет ни владельца, ни дедлайна в явном виде, ни понимания, что решено, а что просто обсуждалось. Модель, которой дали такой текст и попросили «сделай протокол», уверенно достроит недостающее: придумает имя, подставит дату, объединит две реплики в одно решение. Именно поэтому разбор идёт не «как получится», а по схеме полей, и каждое поле подтверждается цитатой.

Второе различие — формат. Для чтения человеком хватает текста; для работы нужен список задач с идентификаторами, чтобы каждая строка ушла в таск-трекер и вернулась отметкой о выполнении. Если этого шага нет, протокол остаётся красивым документом, который никто не открывает.

Схема 1. Встроенные транскрипты: Zoom, Google Meet, Teams

Самый дешёвый путь — не распознавать речь самому, а взять готовый транскрипт сервиса. Он сделан на той же звуковой дорожке, что слышали участники, и обычно уже размечен по говорящим.

В Google Meet транскрипт включается в самой встрече и сохраняется в Google Диск организатора, в папке «Google Meet», отдельной подпапкой на каждую встречу; по умолчанию транскрипты включены для всех редакций Workspace, кроме Education со студенческой лицензией (справка Google Meet). Практический вывод: транскрипт принадлежит не тому, кто вёл встречу, а организатору — и доступ к папке решает, попадёт ли текст в вашу автоматизацию.

В Zoom аудиотранскрипция работает для записей в облако: после обработки рядом с записью появляется файл расшифровки в формате VTT, а сам текст можно выводить поверх видео как субтитры; функция требует платного аккаунта уровня Pro и выше (справка Zoom). Локальная запись такой расшифровки не получает — только облачная.

В Microsoft Teams транскрипт встречи доступен программно: Microsoft Graph отдаёт список транскриптов онлайн-встречи, дальше файл скачивается по идентификатору (List transcripts в Graph). Это единственный из трёх вариантов, где транскрипт сразу приходит в контур как данные, а не как документ в чьём-то диске.

Ограничение схемы одно и общее: транскрипт есть только там, где его включили и где хватает тарифа. Встречи в переговорной, записанные на диктофон, звонки в мессенджерах и вебинары на сторонней платформе в неё не попадают.

Схема 2. Локальный Whisper: запись своими руками

Whisper — открытая модель распознавания речи с лицензией MIT, её можно запустить на своём компьютере или сервере (репозиторий Whisper). Это ответ на два случая: запись сделана вне сервиса и запись нельзя отправлять на чужой сервер.

Конвейер минимальный: аудио из записи, отрезки по 10–20 минут, распознавание, склейка с таймкодами. Резать нужно не из любви к аккуратности: у API распознавания ограничение 25 МБ на файл, и документация прямо предлагает сжимать дорожку или делить её на куски не больше 25 МБ — иначе файл просто не примут (Speech to text). Часовая встреча в mp3 обычно укладывается в этот лимит, двухчасовая — нет.

Что стоит заложить сразу: моно-дорожка 16 кГц экономит размер без потери разборчивости; разбиение по тишине, а не по секундомеру, чтобы не разрезать слово; сохранение исходного аудио рядом с текстом — при спорной фразе переслушать быстрее, чем спорить с моделью. И отдельная строка расходов: локальный Whisper бесплатен по лицензии, но требует машины, а облачное распознавание считается по минутам — тарифы меняются, поэтому в проекте фиксируется лимит минут в месяц, а не «сколько получится».

Схема 3. Гибрид: транскрипт сервиса плюс разбор моделью

Рабочая схема для большинства команд: транскрипт берётся из сервиса, а модель занимается только структурой. Так текст остаётся проверяемым — он пришёл из встречи, а не пересказан, — и вся автоматизация сводится к трём операциям: получить файл, разобрать его по полям, положить результат туда, где с ним работают.

Стык здесь — таймкоды. Модель просят возвращать не только формулировку, но и метку времени, из которой она взята. Тогда на приёмке каждое решение проверяется за десять секунд: открыть запись на нужной минуте и услышать. Без этой связки протокол невозможно ни подтвердить, ни опровергнуть, и он быстро превращается в документ, которому не доверяют.

Что должно быть на выходе

Схема ответа фиксируется заранее, до первого запуска: участники (имя, роль), решения (формулировка, таймкод, кто подтвердил), задачи (что сделать, владелец, срок, таймкод), открытые вопросы (формулировка, кто отвечает), риски и зависимости. Поля короткие и типизированные; свободный текст допустим только в разделе «контекст» и в него никто не обязан смотреть.

Правила, которые экономят месяцы: не объединять две задачи в одну; не подставлять владельца, если он не назван вслух, — такая строка уходит в статус «владелец не назначен»; не выдумывать срок, если прозвучало «на следующей неделе», — писать дословно и помечать как приблизительный; пустое поле лучше заполненного догадкой. Формулировки задач — в инфинитиве и с глаголом действия, чтобы строка читалась как задание, а не как тема обсуждения.

Если задача ставится агенту, а не одноразовому скрипту, правила удобно вынести в отдельный файл-инструкцию: как агент читает вход, что он обязан проверить и что ему запрещено — об этом подробнее в материале про инструкцию для ИИ-агента в AGENTS.md и в разборе как поставить задачу AI-агенту.

Приёмка: как не превратить протокол в выдумку

Приёмка — это не «перечитать протокол глазами». Это три конкретные проверки.

Первая: цитата. У каждого решения и каждой задачи в ответе модели есть таймкод и фраза. Нет цитаты — строка не принимается, даже если звучит правдоподобно.

Вторая: имена и числа. Имена собственные, названия компаний, номера и суммы распознавание путает чаще всего, а модель при разборе может «поправить» неверное на более привычное. Поэтому такие поля сверяются с участниками встречи и с исходной записью, а не с текстом расшифровки.

Третья: полнота по владельцам. Список задач сверяется со списком участников: если у человека, который говорил больше всех, нет ни одной задачи, скорее всего часть реплик потерялась на склейке кусков.

Первые две недели протокол читает человек целиком — это дорого, зато даёт статистику ошибок по полям. Дальше выборочно: строки с низкой уверенностью, новые участники, встречи с плохим звуком. Такой режим честнее, чем «модель ошибается редко» без цифр.

Права, согласие и хранение

Запись разговора — это персональные данные, и правила различаются по странам: где-то достаточно согласия одного участника, где-то всех. Практический минимум для команды: предупредить в начале встречи, что идёт запись и расшифровка, зафиксировать это в приглашении, дать возможность выключить запись, если человек против, и определить срок хранения.

Отдельно решается, куда уходит звук. Локальный Whisper не отправляет запись никуда; облачное распознавание и внешняя модель получают аудио или текст — значит, нужен ответ на вопросы: где хранится запись, кто имеет доступ, через сколько удаляется, что делать с просьбой участника удалить фрагмент. Если встреча с клиентом идёт под договором о конфиденциальности, эти пункты проверяются до запуска, а не после первого протокола.

Лимиты и узкие места

Размер файла. 25 МБ на запрос в API распознавания — режется на куски, склеивается обратно с поправкой таймкодов; при склейке легко потерять секунды на стыке.

Длина. Часовая встреча — это 8–10 тысяч слов; модель с ограниченным контекстом такое не удержит целиком, поэтому разбор идёт по частям с последующей сборкой решений и дедупликацией задач.

Звук. Один микрофон на комнату, эхо, шум кондиционера — и точность падает у всех моделей сразу. Внешний микрофон и просьба говорить по очереди дают больше, чем смена модели.

Говорящие. Разделение по голосам ошибается на похожих голосах и при перебиваниях; в расшифровке появляются «Говорящий 1» и «Говорящий 2». Сопоставление с участниками — ручной шаг, если сервис не подписал дорожки сам.

Доступы. Транскрипт живёт в чужом диске и исчезает вместе с доступом сотрудника. Схема без служебного владельца файлов и папок ломается тихо: встречи идут, протоколов нет.

Сколько времени занимает

Расшифровка одной готовой записи локальной моделью — от нескольких минут до получаса, в зависимости от длины и машины. Сборка конвейера «запись → текст → протокол → таск-трекер» — один-два рабочих дня, если запись уже есть и доступ к API открыт. Полный контур с автоматическим получением транскриптов из Meet, Zoom или Teams, журналом запусков и приёмкой по цитатам — около недели, и большая часть времени уходит на права доступа и правила разбора, а не на код.

Срок сдвигается, когда транскрипты лежат в личных дисках и нужен служебный доступ; когда встречи идут на трёх платформах; когда требуется хранить записи ограниченное время и удалять их по расписанию.

Чек-лист запуска

Определено, какие встречи расшифровываются: только внешние, только проектные или все. Назван владелец процесса — тот, кто отвечает за протокол после встречи. Решено, где лежит запись и сколько она хранится. Участники предупреждены, согласие зафиксировано. Выбран способ распознавания: встроенный транскрипт, локальная модель или облачный API. Задана схема полей и правило «нет цитаты — нет строки». Определено, куда уходят задачи: таск-трекер, CRM или таблица, с идентификатором строки. Первые две недели — приёмка человеком целиком, дальше выборочно. Есть журнал запусков: когда пришла запись, когда готов протокол, где упало.

Если из этого списка готовы только «есть запись» и «хотим протокол», начинайте с схемы полей и правила цитат: они не зависят от инструмента и определяют, будет ли протоколу доверие.