AI-расшифровка встреч и звонков: Whisper, саммари, action items

Fireflies и Otter — облачные сервисы, разрабатывались под английский, по-русски работают хуже (WER 12-18% против 5-7% у Whisper-large-v3 selfhosted). Все данные уходят на их серверы в США/Европе — для российского бизнеса с клиентскими встречами это серьёзный риск 152-ФЗ. Wudpecker лучше с русским, но также облачный. Read.ai — самый продвинутый по аналитике встреч, но дорог и тоже облачный. Моё решение: контролируемая инфраструктура (selfhosted Whisper или Yandex SpeechKit), интеграция в ваш стек (Notion / Jira / Bitrix), точность лучше зарубежных аналогов на русском.

Зависит от выбранной схемы. Schema A (selfhosted Whisper): аудио пишется на вашей машине, расшифровка через Whisper-large-v3 на вашей GPU, LLM-саммари тоже локально (через ollama+Saiga2/13B) или через GigaChat-on-premise. Полный контур не покидает периметр. Schema B (SpeechKit + GigaChat): через серверы Яндекса/Сбера в РФ с подписанным договором обработки ПД. Для большинства SMB достаточно schema B, для юристов / медицины / гостайны — schema A.

Whisper — открытая модель от OpenAI, выпущенная под MIT-лицензией. Large-v3 — топовая версия с 1.5B параметров. Работает локально на GPU (минимум RTX 3090 / RTX 4090 / A100). По русскому WER около 5-7% на чистой записи и 8-12% на шумной мобильной — это лучше любого облачного сервиса включая Yandex SpeechKit. Минус — нужна своя GPU-машина (бюджет 250-500 тыс. ₽ разово на сервер) или аренда GPU в облаке (10-30 ₽/час).

Selfhosted Whisper: при загрузке GPU 30%+ выходит 3-8 ₽/час на электричество и амортизацию. Yandex SpeechKit: 0.7-1.2 ₽/мин = 40-70 ₽/час. OpenAI Whisper API: ~0.36$/час, но недоступно без иностранной карты. Плюс LLM для саммари 4-12 ₽ за часовую встречу. Итого: 8-90 ₽ за час в зависимости от схемы. Самый дорогой час — около ста рублей, для сравнения юрист тратит на ручной конспект встречи 1-2 часа своего времени = 5-15 тыс. ₽.

Бот по 152-ФЗ обязан уведомить всех участников о факте записи в начале встречи (вступительное сообщение или сообщение в чат). Если участник возражает — запись прекращается или встреча проходит без бота. В корпоративных правилах большинства компаний согласие на запись внутренних встреч прописано в трудовом договоре. Для встреч с клиентами добавляем пункт в оферту или согласие в начале звонка.

Подписывается на ваш календарь через API (Google Calendar / Яндекс 360 / Outlook / iCal). При появлении события со ссылкой на Zoom/Meet/Teams в описании или в локации — бот за 1-2 минуты до встречи подключается как обычный участник. Дополнительно можно вручную «пригласить» бот к незапланированной встрече, бросив ссылку в Telegram-бот.

Контур.Толк — есть бот-участник через их API, поддерживаю. Сбер.Джаз — подключаю через виртуальную камеру + захват аудио (костыль, но работает). VK Звонки — пока ручная загрузка записи после встречи. Telegram Видеозвонки — также ручная загрузка. С Zoom / Google Meet / Microsoft Teams / Webex — полная автоматизация через официальные SDK.

Семантический поиск по тексту: «когда мы решили запустить продукт X», «что обещали клиенту Y», «кто против перехода на Postgres». Через RAG (pgvector + embeddings) система находит релевантные фрагменты со ссылкой на встречу и тайм-кодом. Можно делать через чат-бот в Telegram, можно через веб-интерфейс. Поиск голосом технически возможен (тот же Whisper на запрос), но обычно избыточно — текстовый поиск удобнее.

При объёме от 200 часов встреч в месяц selfhosted Whisper окупает железо за 2-4 месяца. Если у вас 50-100 часов — выгоднее SpeechKit или GPU в облаке без капитальных затрат. Я считаю экономику под ваш объём на старте и предлагаю оптимальную схему.

Срок и схему хранения настраиваем под ваш регламент: типично 1-2 года полная расшифровка + 90 дней аудио для верификации. После — автоматическое удаление или анонимизация. Логи доступа к расшифровкам пишутся, можно отследить кто что смотрел.

Whisper-large-v3 хорошо переключается между языками и понимает русский акцент в английской речи / английский в русской. Сильный акцент или диалект ухудшают WER на 3-5 п.п. Если у вас регулярно встречи на смешанных языках — рекомендую тестовый прогон 5 записей перед запуском, считаем WER, при необходимости дотюниваем модель.

Со стороны клиента: 1 встреча 2 часа с владельцем процесса (CTO/COO/Head of PMO), доступы к календарю и системе знаний, 10-15 пробных записей для калибровки точности. Если нужен selfhosted — место под GPU-сервер и оплата железа. Всё остальное делаю я. Итого 4-6 часов на команду заказчика.