Mukhang isang task ang meeting minutes, pero dalawa ito: gawing text ang pananalita, at gawing desisyon at action item ang text. May sariling paraan ng pagpalya ang bawat hakbang. Ang maling na-transcribe na salitang dialect ay nagiging maling action item; ang model na mahusay mag-summarise ay puwede pa ring mag-imbento ng may-ari. Binubuo ng post na ito ang pipeline para sa mga Arabic na meeting at ipinapakita kung saan ilalagay ang mga pagsusuri.
Ano ang itsura ng pipeline?
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
Hakbang-hakbang na tinatalakay ng natitirang bahagi ng post na ito.
Step 1: paano i-transcribe ang mahabang Arabic na meeting?
Ang isang oras na meeting na na-record sa laptop ay kadalasang mas malaki nang husto kaysa sa upload limit. Tumatanggap ang BroadNet Inference ng WAV o MP3 hanggang 26,214,400 byte kada file, kaya i-convert muna sa 16 kHz mono at hatiin sa mga katahimikan. Nasa pag-transcribe ng mahabang audio na lampas 25 MB ang buong script, kasama ang parallel na request at pagsasama-sama ng text nang maayos.
Tatlong setting ang mahalaga sa mga Arabic na meeting:
- Ipadala ang
language="ar"sa bawat chunk. Nagbababala ang docs ng BroadNet na kung hindi, puwedeng bumalik ang Arabic na naka-transliterate sa Latin na letra. - Gamitin ang Arabic na model para sa mga meeting na Arabic ang pangunahing wika:
broadnet/cohere-transcribe-arabic. Para sa mga meeting na kadalasang nasa ibang wika nito, $0.002 kada minuto angbroadnet/cohere-transcribe. - Itago ang raw na transcript. Kailangan mo ito para sa review at para sa mga sipi sa step 4.
Normal ang halong Arabic at English sa mga business meeting sa Gulf. Subukan ang isang recording na may karaniwan mong halo: sa mga pangalan ng produkto sa English at sa mga numero lumalabas ang mga error. Tinatalakay ng Arabic dialect speech recognition kung ano ang dapat pakinggan.
Makukuha ba ang pangalan ng mga nagsasalita?
Hindi mula sa plain-text na transcript. JSON na may iisang text field ang response ng transcription ng BroadNet: walang speaker at walang timestamp. (Para sa timing ng caption mula sa offset ng chunk, tingnan ang Arabic subtitles mula sa text-only na API.) May tatlong opsyon ka:
| Sitwasyon | Gagawin |
|---|---|
| Naka-record ang bawat tao sa hiwalay na track o channel | I-transcribe nang hiwalay ang bawat track; sinasabi ng track kung sino ang nagsasalita |
| Dalawang-channel na recording ng tawag | Hatiin ang mga channel gamit ang ffmpeg, gaya sa call center pipeline |
| Isang halo-halong track, at kailangan mo ng speaker | Gumamit ng provider na nagbabalik ng diarization; inihahambing sila ng buyer’s guide |
Sa iisang halo-halong track, makakahanap pa rin ng may-ari ang LLM kapag may bumanggit ng pangalan: “Khalid will send the quote by Thursday.” Ang hindi nito dapat gawin ay hulaan ang may-ari mula sa context. Ipinagbabawal iyon ng prompt sa ibaba.
Step 2: bakit hahatiin ang transcript bago i-summarise?
Dalawang dahilan. Una, context: puwedeng masyadong mahaba ang isang oras ng usapan para sa maliit na model. May 32,768-token na context ang BroadNet Gemma 4 VL 26B, na puwedeng lampasan ng mahabang Arabic na meeting. Bilangin ang sa iyo gamit ang Arabic token counter; kadalasang mas maraming token kada salita ang kailangan ng Arabic kaysa English, gaya ng ipinapakita ng token kada salita sa Arabic vs English.
Pangalawa, accuracy. Natuklasan ng pananaliksik sa mahahabang input na ang performance ng model ay “significantly degrades when models must access relevant information in the middle of long contexts” (salin: bumababa nang malaki kapag kailangang abutin ng model ang mahalagang impormasyon sa gitna ng mahabang context) (Liu et al.). Ang desisyong ginawa sa ika-35 minuto ng 70 ay eksaktong ganoon. Kapag sina-summarise ang mga section na tig-10 hanggang 15 minuto, saka pinagsasama, nananatiling malapit sa simula ng prompt ang bawat bahagi.
Hatiin sa parehong mga punto ng katahimikan na ginamit mo sa audio, para hindi kailanman magsimula ang section sa gitna ng pangungusap.
Step 3: aling model ang dapat sumulat ng minutes?
| Model | Context | Notes para sa minutes | Input / output kada 1M token |
|---|---|---|---|
| Qwen3.8 27B | 262,144 | Sinubukan ng BroadNet sa Arabic: matatas sumulat, naiintindihan ang Gulf at Egyptian na dialect; nakalista ang structured output | $0.175 / $2.17 |
| GLM 5.3 | 1,048,576 | Nakalista ang structured output; text lang | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1,048,576 | Nasa flat na plan din sa $60 kada buwan kada session, isang request sa isang pagkakataon | $0.175 / $0.52 |
Magsimula sa Qwen3.8 27B, dahil ito ang model na sinubukan ng BroadNet sa Arabic. Ihambing ito sa isa pang model sa tatlong totoong meeting, at pa-score-in sa native speaker. May scoring sheet ang pagpili ng LLM para sa Arabic.
Nagre-reason muna ang tatlong model bago sumagot, at kasama ang reasoning sa max_tokens. Mahaba ang minutes, kaya maglaan ng ilang libong token, o puwedeng bumalik na walang laman ang nakikitang sagot. Bakit ito nangyayari.
Step 4: anong prompt ang nagbibigay ng maaasahang minutes?
Humingi ng JSON, at pasipiin sa model ang transcript para sa bawat item. Ang sipi ang nagpapahintulot sa reviewer na suriin ang isang action item sa ilang segundo sa halip na basahin ulit ang buong transcript.
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)
Saka mag-validate sa code. I-parse ang JSON, suriin ang mga key, at suriin na talagang lumalabas sa section ang bawat quote. Ang item na wala sa transcript ang sipi ay imbento ng model: tanggalin ito o i-flag. Kung hindi ma-parse ang JSON, i-retry nang isang beses kasama ang error message. Ipinapakita ng JSON mode vs json_schema ang isang validation loop; inililista ng docs ng BroadNet ang structured output para sa GLM 5.3 at Qwen3.8 27B nang hindi pinapangalanan ang request parameter, kaya subukan ito bago umasa rito.
Para sa minutes sa English, palitan ng English ang summary line at idagdag: “Keep each quote in the original Arabic.” Mas malalim na tinatalakay ng post na Arabic prompt engineering ang register, numeral at text na halo-halo ang script.
Step 5: paano pagsamahin ang mga section sa iisang minutes?
Ipadala ang lahat ng resulta ng section sa isang huling request at hilingin sa model na:
- Sumulat ng isang summary ng buong meeting.
- Pagsamahin ang mga dobleng desisyon at action. Madalas dalawang beses binabanggit ang parehong task.
- Panatilihin ang sipi ng bawat item.
- Markahang nagbago ang isang action kung binago ng mas huling section ang may-ari o petsa nito.
Maliit ang input ng merge: JSON mula sa bawat section, hindi ang transcript. Malayong-malayo sa limit ng context ang merge sa alinman sa tatlong model sa itaas.
Magkano ang isang meeting?
| Hakbang | Ano ang binabayaran mo | Presyo |
|---|---|---|
| Transcription | Minuto ng audio | $0.0042 kada minuto, $0.25 kada oras |
| Summary ng section | Transcript token in, JSON out | Qwen3.8 27B: $0.175 in, $2.17 out kada 1M |
| Merge | Maliit na JSON in at out | Parehong rate |
Kadalasang ang transcription ang fixed na bahagi. Nakadepende ang bahagi ng LLM sa haba ng transcript at sa dami ng reasoning ng model. Basahin ang prompt_tokens at completion_tokens mula sa unang ilang totoong meeting, saka i-multiply sa LLM API cost calculator. Ginagawa ng speech-to-text cost calculator ang panig ng audio. Sakop ng $5 na panimulang credit ang mga transcription model, na mga 1,190 minuto ng Arabic; kailangan ng top-up ang Qwen3.8 27B.
Anong mga pagkakamali ang dapat iwasan?
- Pag-summarise ng buong meeting sa iisang prompt. Nawawala ang mga item mula sa gitna.
- Pagpapahintulot sa model na punan ang mga puwang. Ang mga may-ari at petsang hindi kailanman sinabi ang pinakakaraniwang error sa AI minutes. Gawing null ang default.
- Masyadong maagang pagsasalin. Mag-transcribe at mag-extract sa Arabic, saka isalin ang minutes. Kapag isinalin muna ang transcript, nawawala ang eksaktong mga sipi.
- Paglaktaw sa review. Record ang minutes. Dapat basahin ito ng taong dumalo bago ipadala.
- Pagtatago ng recording magpakailanman. Burahin ang audio kapag naaprubahan na ang minutes, maliban kung kailangan mo itong itago.
Kailan maling pagpipilian ang API pipeline?
Kung kailangan mo ng live na caption habang nagmi-meeting, speaker label mula sa iisang halo-halong track, o handang app na magagamit ng team mo ngayon, mas mabilis ang dedicated na meeting product. Marami ang nagbebenta ng Arabic meeting notes; ihambing sila sa sarili mong mga recording, dahil sariling claim nila ang accuracy na nasa mga pahina nila. Makatuwiran ang API route kapag gusto mo ang minutes sa loob ng sarili mong system, sa format mo, na may sarili mong retention rule.
Saan pumapasok ang BroadNet Inference
Inilalagay ng BroadNet ang dalawang kalahati sa iisang OpenAI-compatible na key: BroadNet Transcribe Arabic sa $0.0042 kada minuto, at ang Qwen3.8 27B na sinubukan sa Arabic para sa minutes. Sinasabi ng privacy statement nito na wala itong itinatagong prompt, audio, sagot o transcript pagkatapos ng request, na mahalaga para sa mga internal na meeting. Hindi ito nagbabalik ng speaker label o timestamp, at wala itong live na transcription, kaya gumamit ng ibang provider kung kailangan mo ang mga iyon. Magsimula sa gabay sa Arabic speech-to-text, saka idagdag ang summary step sa itaas.
