Ein Besprechungsprotokoll wirkt wie eine Aufgabe, sind aber zwei: Sprache in Text verwandeln und Text in Beschlüsse und Aufgaben. Jeder Schritt scheitert auf seine eigene Weise. Ein falsch transkribiertes Dialektwort wird zu einer falschen Aufgabe; ein Modell, das gut zusammenfasst, kann trotzdem einen Verantwortlichen erfinden. Dieser Beitrag baut die Pipeline für arabische Meetings und zeigt, wo die Prüfungen hingehören.
Wie sieht die Pipeline aus?
recording (.m4a, .mp4, .webm)
→ ffmpeg: 16 kHz mono, split at silences
→ speech to text, language=ar, one request per chunk
→ join the transcript, clean obvious noise
→ split the transcript into sections
→ LLM: summary, decisions, action items, open questions (JSON) per section
→ LLM: merge the sections into one set of minutes
→ human review → send
Der Rest dieses Beitrags geht Schritt für Schritt vor.
Schritt 1: Wie transkribiert man ein langes arabisches Meeting?
Ein einstündiges Meeting, auf einem Laptop aufgenommen, ist meist weit größer als ein Upload-Limit. BroadNet Inference nimmt WAV oder MP3 bis 26.214.400 Bytes pro Datei an; konvertieren Sie also zuerst in 16 kHz Mono und teilen Sie an Pausen. Lange Audiodateien über 25 MB transkribieren enthält das vollständige Skript, einschließlich paralleler Anfragen und des Zusammenfügens des Texts in der richtigen Reihenfolge.
Drei Einstellungen zählen bei arabischen Meetings:
- Senden Sie
language="ar"bei jedem Chunk. Die Doku von BroadNet warnt, dass Arabisch sonst in lateinische Buchstaben transliteriert zurückkommen kann. - Nutzen Sie das arabische Modell für überwiegend arabische Meetings:
broadnet/cohere-transcribe-arabic. Für Meetings, die überwiegend in einer seiner anderen Sprachen stattfinden, kostetbroadnet/cohere-transcribe$0.002 pro Minute. - Behalten Sie das rohe Transkript. Sie brauchen es für die Prüfung und für die Zitate in Schritt 4.
Gemischtes Arabisch und Englisch ist in Geschäftsmeetings am Golf normal. Testen Sie eine Aufnahme mit Ihrer üblichen Mischung: Englische Produktnamen und Zahlen sind die Stellen, an denen Fehler auftauchen. Spracherkennung für arabische Dialekte beschreibt, worauf Sie achten sollten.
Bekommt man Sprechernamen?
Nicht aus einem reinen Texttranskript. Die Transkriptionsantwort von BroadNet ist JSON mit einem einzigen text-Feld: keine Sprecher und keine Zeitstempel. (Für Untertitel-Timing aus Chunk-Offsets siehe Arabische Untertitel aus einer reinen Text-API.) Sie haben drei Optionen:
| Situation | Vorgehen |
|---|---|
| Jede Person auf einer eigenen Spur oder einem eigenen Kanal aufgenommen | Jede Spur einzeln transkribieren; die Spur verrät den Sprecher |
| Zweikanalige Anrufaufzeichnung | Kanäle mit ffmpeg trennen, wie in der Callcenter-Pipeline |
| Eine gemischte Spur, und Sie brauchen Sprecher | Einen Anbieter nutzen, der Diarisierung liefert; der Kaufratgeber vergleicht sie |
Bei einer gemischten Spur kann das LLM trotzdem Verantwortliche finden, wenn jemand einen Namen nennt: „Khalid schickt das Angebot bis Donnerstag.“ Was es nicht tun darf, ist einen Verantwortlichen aus dem Kontext zu erraten. Der Prompt unten verbietet das.
Schritt 2: Warum das Transkript vor dem Zusammenfassen teilen?
Aus zwei Gründen. Erstens Kontext: Eine Stunde Gespräch kann für ein kleines Modell zu lang sein. BroadNet Gemma 4 VL 26B hat 32.768 Tokens Kontext, und ein langes arabisches Meeting kann das überschreiten. Zählen Sie Ihres mit dem arabischen Token-Zähler; Arabisch braucht meist mehr Tokens pro Wort als Englisch, wie Tokens pro Wort auf Arabisch und Englisch zeigt.
Zweitens Genauigkeit. Forschung zu langen Eingaben ergab, dass die Leistung von Modellen “significantly degrades when models must access relevant information in the middle of long contexts” (Übersetzung: deutlich nachlässt, wenn Modelle auf relevante Informationen in der Mitte langer Kontexte zugreifen müssen) (Liu et al.). Ein Beschluss in Minute 35 von 70 ist genau das. Wenn Sie Abschnitte von je 10 bis 15 Minuten zusammenfassen und dann zusammenführen, steht jeder Teil nah am Anfang eines Prompts.
Teilen Sie an denselben Pausen, die Sie für das Audio genutzt haben, damit kein Abschnitt mitten im Satz beginnt.
Schritt 3: Welches Modell sollte das Protokoll schreiben?
| Modell | Kontext | Hinweise für Protokolle | Input / Output pro 1M Tokens |
|---|---|---|---|
| Qwen3.8 27B | 262.144 | Von BroadNet auf Arabisch getestet: flüssiges Schreiben, Golf- und ägyptische Dialekte verstanden; strukturierte Ausgabe aufgeführt | $0.175 / $2.17 |
| GLM 5.3 | 1.048.576 | Strukturierte Ausgabe aufgeführt; nur Text | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1.048.576 | Auch im Flatrate-Plan für $60 pro Monat und Session, jeweils eine Anfrage | $0.175 / $0.52 |
Beginnen Sie mit Qwen3.8 27B, denn das ist das Modell, das BroadNet auf Arabisch getestet hat. Testen Sie es an drei echten Meetings gegen ein weiteres Modell und lassen Sie einen Muttersprachler bewerten. Ein LLM für Arabisch auswählen enthält einen Bewertungsbogen.
Alle drei Modelle denken nach, bevor sie antworten, und das Reasoning zählt zu max_tokens. Protokolle sind lang, erlauben Sie also mehrere tausend Tokens, sonst kann die sichtbare Antwort leer zurückkommen. Warum das passiert.
Schritt 4: Welcher Prompt liefert verlässliche Protokolle?
Verlangen Sie JSON und lassen Sie das Modell für jeden Punkt das Transkript zitieren. Das Zitat ermöglicht es einem Prüfer, eine Aufgabe in Sekunden zu kontrollieren, statt das ganze Transkript erneut zu lesen.
import json, os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
SYSTEM = """You write meeting minutes from an Arabic meeting transcript section.
Return JSON only, with these keys:
"summary": 2-4 sentences in Modern Standard Arabic,
"decisions": [{"text": ..., "quote": ...}],
"actions": [{"task": ..., "owner": ..., "due": ..., "quote": ...}],
"open_questions": [{"text": ..., "quote": ...}]
Rules:
- "quote" is the exact words from the transcript that support the item.
- "owner" is a name only if the transcript says who will do it. Otherwise null.
- "due" only if a date or day is said. Keep it as said, e.g. "الخميس". Otherwise null.
- Keep names, numbers and amounts exactly as in the transcript. Never guess."""
def minutes_for(section):
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=4000,
messages=[{"role": "system", "content": SYSTEM},
{"role": "user", "content": section}])
return json.loads(r.choices[0].message.content)
Validieren Sie dann im Code. Parsen Sie das JSON, prüfen Sie die Schlüssel und prüfen Sie, dass jedes quote tatsächlich im Abschnitt vorkommt. Ein Punkt, dessen Zitat nicht im Transkript steht, ist eine Erfindung des Modells: Streichen oder markieren Sie ihn. Lässt sich das JSON nicht parsen, wiederholen Sie einmal mit der Fehlermeldung. JSON-Modus vs. json_schema zeigt eine Validierungsschleife; die Doku von BroadNet führt strukturierte Ausgabe für GLM 5.3 und Qwen3.8 27B auf, ohne den Anfrageparameter zu nennen, testen Sie sie also, bevor Sie sich darauf verlassen.
Für ein englisches Protokoll ändern Sie die Zeile zur Zusammenfassung auf Englisch und ergänzen: “Keep each quote in the original Arabic.” (Übersetzung: Behalte jedes Zitat im arabischen Original.) Der Beitrag zu Prompt Engineering auf Arabisch behandelt Register, Ziffern und Text mit gemischten Schriften ausführlicher.
Schritt 5: Wie führt man Abschnitte zu einem Protokoll zusammen?
Senden Sie alle Abschnittsergebnisse in einer abschließenden Anfrage und lassen Sie das Modell:
- eine Zusammenfassung des gesamten Meetings schreiben.
- doppelte Beschlüsse und Aufgaben zusammenführen. Dieselbe Aufgabe wird oft zweimal erwähnt.
- das Zitat jedes Punkts behalten.
- eine Aufgabe als geändert markieren, wenn ein späterer Abschnitt ihren Verantwortlichen oder ihre Frist ändert.
Der Input für die Zusammenführung ist klein: JSON aus jedem Abschnitt, nicht das Transkript. Eine Zusammenführung bleibt bei jedem der drei Modelle oben weit innerhalb des Kontexts.
Was kostet ein Meeting?
| Schritt | Wofür Sie zahlen | Preis |
|---|---|---|
| Transkription | Audiominuten | $0.0042 pro Minute, $0.25 pro Stunde |
| Abschnittszusammenfassungen | Transkript-Tokens rein, JSON raus | Qwen3.8 27B: $0.175 Input, $2.17 Output pro 1M |
| Zusammenführung | Wenig JSON rein und raus | Dieselben Tarife |
Die Transkription ist meist der feste Teil. Der LLM-Teil hängt von der Länge des Transkripts ab und davon, wie viel das Modell nachdenkt. Lesen Sie prompt_tokens und completion_tokens aus den ersten echten Meetings ab und rechnen Sie dann im LLM-API-Kostenrechner hoch. Der Speech-to-Text-Kostenrechner übernimmt die Audioseite. Das Startguthaben von $5 deckt die Transkriptionsmodelle, das sind rund 1,190 Minuten Arabisch; Qwen3.8 27B braucht eine Aufladung.
Welche Fehler sollten Sie vermeiden?
- Das ganze Meeting in einem Prompt zusammenfassen. Punkte aus der Mitte gehen verloren.
- Das Modell Lücken füllen lassen. Verantwortliche und Fristen, die nie genannt wurden, sind der häufigste Fehler in KI-Protokollen. Machen Sie null zum Standard.
- Zu früh übersetzen. Transkribieren und extrahieren Sie auf Arabisch, und übersetzen Sie dann das Protokoll. Wer zuerst das Transkript übersetzt, verliert die genauen Zitate.
- Die Prüfung überspringen. Ein Protokoll ist ein Dokument mit Beweiswert. Eine Person, die teilgenommen hat, sollte es lesen, bevor es verschickt wird.
- Aufnahmen ewig aufbewahren. Löschen Sie das Audio, sobald das Protokoll freigegeben ist, sofern Sie es nicht aufbewahren müssen.
Wann ist eine API-Pipeline die falsche Wahl?
Wenn Sie Live-Untertitel während des Meetings, Sprecherlabels aus einer gemischten Spur oder eine fertige App brauchen, die Ihr Team heute nutzen kann, ist ein spezialisiertes Meeting-Produkt der schnellere Weg. Mehrere verkaufen arabische Meeting-Notizen; vergleichen Sie sie mit Ihren eigenen Aufnahmen, denn die Genauigkeitsangaben auf ihren Seiten sind ihre eigenen. Der API-Weg lohnt sich, wenn Sie Protokolle in Ihrem eigenen System wollen, in Ihrem Format und mit Ihren eigenen Aufbewahrungsregeln.
Wo BroadNet Inference ins Bild passt
BroadNet bringt beide Hälften auf einen OpenAI-kompatiblen Schlüssel: BroadNet Transcribe Arabic für $0.0042 pro Minute und das auf Arabisch getestete Qwen3.8 27B für das Protokoll. Laut Datenschutzerklärung speichert BroadNet nach einer Anfrage keine Prompts, Audiodaten, Antworten oder Transkripte, was bei internen Meetings zählt. Es liefert keine Sprecherlabels oder Zeitstempel und hat keine Live-Transkription; nutzen Sie dafür einen anderen Anbieter. Beginnen Sie mit der Anleitung zu arabischem Speech-to-Text und ergänzen Sie dann den Zusammenfassungsschritt oben.
