मीटिंग मिनट्स एक काम लगते हैं, लेकिन ये दो हैं: बोली को टेक्स्ट में बदलना, और टेक्स्ट को फ़ैसलों और एक्शन आइटम में बदलना। हर चरण अपने तरीक़े से विफल होता है। ग़लत ट्रांसक्राइब हुआ बोली का एक शब्द ग़लत एक्शन आइटम बन जाता है; अच्छा सारांश बनाने वाला मॉडल भी ज़िम्मेदार व्यक्ति गढ़ सकता है। यह पोस्ट अरबी मीटिंग के लिए पाइपलाइन बनाती है और दिखाती है कि जाँचें कहाँ लगाएँ।
पाइपलाइन कैसी दिखती है?
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
बाक़ी पोस्ट इसे चरण दर चरण समझाती है।
चरण 1: लंबी अरबी मीटिंग को कैसे ट्रांसक्राइब करें?
लैपटॉप पर रिकॉर्ड हुई एक घंटे की मीटिंग आम तौर पर अपलोड सीमा से कहीं बड़ी होती है। BroadNet Inference प्रति फ़ाइल 26,214,400 bytes तक WAV या MP3 लेता है, इसलिए पहले 16 kHz mono में बदलें और ख़ामोशी वाली जगहों पर काटें। 25 MB से बड़ा लंबा ऑडियो ट्रांसक्राइब करें में पूरी स्क्रिप्ट है, समानांतर अनुरोधों और टेक्स्ट को क्रम में जोड़ने समेत।
अरबी मीटिंग के लिए तीन सेटिंग मायने रखती हैं:
- हर chunk पर
language="ar"भेजें। BroadNet के डॉक्स चेतावनी देते हैं कि नहीं तो अरबी लैटिन अक्षरों में लिप्यंतरित होकर लौट सकती है। - अरबी-प्रधान मीटिंग के लिए अरबी मॉडल इस्तेमाल करें:
broadnet/cohere-transcribe-arabic। जो मीटिंग ज़्यादातर उसकी किसी दूसरी भाषा में हों, उनके लिएbroadnet/cohere-transcribeकी कीमत $0.002 प्रति मिनट है। - कच्चा ट्रांसक्रिप्ट रखें। समीक्षा के लिए और चरण 4 के उद्धरणों के लिए यह चाहिए।
खाड़ी देशों की बिज़नेस मीटिंग में मिली-जुली अरबी और अंग्रेज़ी सामान्य है। अपने सामान्य मिश्रण वाली रिकॉर्डिंग टेस्ट करें: अंग्रेज़ी प्रोडक्ट नाम और नंबर वही जगहें हैं जहाँ एरर दिखते हैं। अरबी बोलियों की speech recognition बताती है कि किस पर ध्यान दें।
क्या स्पीकर के नाम मिल सकते हैं?
सादे टेक्स्ट वाले ट्रांसक्रिप्ट से नहीं। BroadNet का ट्रांसक्रिप्शन जवाब एक text फ़ील्ड वाला JSON है: न स्पीकर, न टाइमस्टैम्प। (chunk offsets से कैप्शन टाइमिंग के लिए सिर्फ़-टेक्स्ट API से अरबी सबटाइटल देखें।) आपके पास तीन विकल्प हैं:
| स्थिति | क्या करें |
|---|---|
| हर व्यक्ति अलग ट्रैक या चैनल पर रिकॉर्ड हुआ | हर ट्रैक अलग से ट्रांसक्राइब करें; ट्रैक से स्पीकर पता चलता है |
| दो चैनल वाली कॉल रिकॉर्डिंग | ffmpeg से चैनल अलग करें, जैसा कॉल सेंटर पाइपलाइन में है |
| एक मिला-जुला ट्रैक, और स्पीकर चाहिए | diarization लौटाने वाला प्रोवाइडर इस्तेमाल करें; ख़रीदार गाइड उनकी तुलना करती है |
एक मिले-जुले ट्रैक के साथ भी LLM ज़िम्मेदार व्यक्ति ढूँढ सकता है जब कोई नाम बोलता है: “ख़ालिद गुरुवार तक कोटेशन भेजेगा।” उसे जो नहीं करना चाहिए, वह है संदर्भ से ज़िम्मेदार व्यक्ति का अनुमान लगाना। नीचे का प्रॉम्प्ट इसकी मनाही करता है।
चरण 2: सारांश से पहले ट्रांसक्रिप्ट क्यों बाँटें?
दो कारण। पहला, कॉन्टेक्स्ट: एक घंटे की बातचीत छोटे मॉडल के लिए बहुत लंबी हो सकती है। BroadNet Gemma 4 VL 26B का कॉन्टेक्स्ट 32,768 टोकन है, जिसे लंबी अरबी मीटिंग पार कर सकती है। अपना ट्रांसक्रिप्ट अरबी टोकन काउंटर से गिनें; अरबी को आम तौर पर अंग्रेज़ी से प्रति शब्द ज़्यादा टोकन चाहिए, जैसा अरबी बनाम अंग्रेज़ी में प्रति शब्द टोकन दिखाता है।
दूसरा, सटीकता। लंबे इनपुट पर रिसर्च ने पाया कि मॉडल का प्रदर्शन “significantly degrades when models must access relevant information in the middle of long contexts” (अनुवाद: तब काफ़ी गिर जाता है जब मॉडल को लंबे कॉन्टेक्स्ट के बीच की प्रासंगिक जानकारी तक पहुँचना हो) (Liu et al.)। 70 में से 35वें मिनट में लिया गया फ़ैसला ठीक यही है। 10 से 15 मिनट के हिस्सों का अलग-अलग सारांश बनाकर फिर मिलाने से हर हिस्सा प्रॉम्प्ट की शुरुआत के पास रहता है।
ट्रांसक्रिप्ट को उन्हीं ख़ामोशी वाली जगहों पर बाँटें जो आपने ऑडियो के लिए इस्तेमाल कीं, ताकि कोई हिस्सा वाक्य के बीच से शुरू न हो।
चरण 3: मिनट्स कौन-सा मॉडल लिखे?
| मॉडल | कॉन्टेक्स्ट | मिनट्स के लिए नोट | इनपुट / आउटपुट प्रति 1M टोकन |
|---|---|---|---|
| Qwen3.8 27B | 262,144 | BroadNet ने अरबी में टेस्ट किया: धाराप्रवाह लेखन, खाड़ी और मिस्री बोलियाँ समझता है; structured output सूचीबद्ध | $0.175 / $2.17 |
| GLM 5.3 | 1,048,576 | structured output सूचीबद्ध; सिर्फ़ टेक्स्ट | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1,048,576 | फ़्लैट प्लान पर भी, प्रति सेशन $60 प्रति माह, एक समय में एक अनुरोध | $0.175 / $0.52 |
Qwen3.8 27B से शुरू करें, क्योंकि BroadNet ने अरबी में यही मॉडल टेस्ट किया है। तीन असली मीटिंग पर इसे एक और मॉडल के मुक़ाबले टेस्ट करें, और किसी मूल अरबी भाषी से स्कोर करवाएँ। अरबी के लिए LLM चुनना में स्कोरिंग शीट है।
तीनों मॉडल जवाब से पहले reasoning करते हैं, और reasoning max_tokens में गिनी जाती है। मिनट्स लंबे होते हैं, इसलिए कई हज़ार टोकन की जगह दें, नहीं तो दिखने वाला जवाब खाली लौट सकता है। ऐसा क्यों होता है।
चरण 4: कौन-सा प्रॉम्प्ट भरोसेमंद मिनट्स देता है?
JSON माँगें, और मॉडल से हर आइटम के लिए ट्रांसक्रिप्ट का उद्धरण दिलवाएँ। उद्धरण ही समीक्षक को पूरा ट्रांसक्रिप्ट दोबारा पढ़ने के बजाय सेकंडों में एक्शन आइटम जाँचने देता है।
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)
फिर कोड में validate करें। JSON पार्स करें, keys जाँचें, और जाँचें कि हर quote सच में उस हिस्से में मौजूद है। जिस आइटम का उद्धरण ट्रांसक्रिप्ट में नहीं है, वह मॉडल की गढ़ी हुई चीज़ है: उसे हटाएँ या फ़्लैग करें। अगर JSON पार्स न हो, तो एरर मैसेज के साथ एक बार retry करें। JSON mode बनाम json_schema एक validation लूप दिखाती है; BroadNet के डॉक्स GLM 5.3 और Qwen3.8 27B के लिए structured output सूचीबद्ध करते हैं, लेकिन अनुरोध का पैरामीटर नहीं बताते, इसलिए भरोसा करने से पहले इसे टेस्ट करें।
अंग्रेज़ी मिनट्स के लिए सारांश वाली लाइन अंग्रेज़ी में बदलें और जोड़ें: “Keep each quote in the original Arabic.” अरबी प्रॉम्प्ट इंजीनियरिंग पोस्ट register, अंकों और मिली-जुली लिपि वाले टेक्स्ट को और गहराई से बताती है।
चरण 5: हिस्सों को मिनट्स के एक सेट में कैसे मिलाएँ?
सभी हिस्सों के नतीजे एक आख़िरी अनुरोध में भेजें और मॉडल से कहें कि:
- पूरी मीटिंग का एक सारांश लिखे।
- दोहराए गए फ़ैसले और एक्शन मिलाए। एक ही टास्क का ज़िक्र अक्सर दो बार होता है।
- हर आइटम का उद्धरण रखे।
- अगर बाद का कोई हिस्सा किसी एक्शन का ज़िम्मेदार व्यक्ति या तारीख़ बदलता है, तो उसे बदला हुआ चिह्नित करे।
मिलाने वाला इनपुट छोटा है: हर हिस्से का JSON, ट्रांसक्रिप्ट नहीं। ऊपर के तीनों में से किसी भी मॉडल पर यह उसके कॉन्टेक्स्ट के भीतर आराम से रहता है।
एक मीटिंग की लागत क्या है?
| चरण | आप किसका भुगतान करते हैं | कीमत |
|---|---|---|
| ट्रांसक्रिप्शन | ऑडियो के मिनट | $0.0042 प्रति मिनट, $0.25 प्रति घंटा |
| हिस्सों के सारांश | ट्रांसक्रिप्ट के टोकन इनपुट, JSON आउटपुट | Qwen3.8 27B: प्रति 1M $0.175 इनपुट, $2.17 आउटपुट |
| मिलाना | छोटा JSON इनपुट और आउटपुट | वही दरें |
ट्रांसक्रिप्शन आम तौर पर तय हिस्सा है। LLM वाला हिस्सा ट्रांसक्रिप्ट की लंबाई और मॉडल कितना reasoning करता है, इस पर निर्भर है। पहली कुछ असली मीटिंग से prompt_tokens और completion_tokens पढ़ें, फिर LLM API लागत कैलकुलेटर में गुणा करें। speech-to-text लागत कैलकुलेटर ऑडियो वाला हिस्सा करता है। $5 का शुरुआती क्रेडिट ट्रांसक्रिप्शन मॉडलों को कवर करता है, जो लगभग 1,190 मिनट अरबी है; Qwen3.8 27B के लिए टॉप-अप चाहिए।
किन ग़लतियों से बचें?
- पूरी मीटिंग का सारांश एक ही प्रॉम्प्ट में। बीच के आइटम छूट जाते हैं।
- मॉडल को ख़ाली जगहें भरने देना। जो ज़िम्मेदार व्यक्ति और तारीख़ें कभी बोली ही नहीं गईं, वे AI मिनट्स की सबसे आम ग़लती हैं। null को डिफ़ॉल्ट बनाएँ।
- बहुत जल्दी अनुवाद करना। अरबी में ट्रांसक्राइब करें और निकालें, फिर मिनट्स का अनुवाद करें। पहले ट्रांसक्रिप्ट का अनुवाद करने से सटीक उद्धरण खो जाते हैं।
- समीक्षा छोड़ देना। मिनट्स एक रिकॉर्ड हैं। मीटिंग में मौजूद किसी व्यक्ति को भेजने से पहले इन्हें पढ़ना चाहिए।
- रिकॉर्डिंग हमेशा के लिए रखना। मिनट्स मंज़ूर होने के बाद ऑडियो मिटा दें, जब तक रखना ज़रूरी न हो।
API पाइपलाइन कब ग़लत विकल्प है?
अगर आपको मीटिंग के दौरान live कैप्शन चाहिए, एक मिले-जुले ट्रैक से स्पीकर लेबल चाहिए, या ऐसा तैयार ऐप चाहिए जिसे आपकी टीम आज ही इस्तेमाल कर सके, तो कोई समर्पित मीटिंग प्रोडक्ट तेज़ रास्ता है। कई प्रोडक्ट अरबी मीटिंग नोट्स बेचते हैं; उनकी तुलना अपनी रिकॉर्डिंग पर करें, क्योंकि उनके पेजों पर सटीकता के दावे उनके अपने हैं। API वाला रास्ता तब समझदारी है जब आप मिनट्स अपने सिस्टम के अंदर, अपने फ़ॉर्मैट में, अपने रिटेंशन नियमों के साथ चाहते हैं।
BroadNet Inference कहाँ फ़िट होता है
BroadNet दोनों हिस्से एक OpenAI-compatible key पर देता है: $0.0042 प्रति मिनट पर BroadNet Transcribe Arabic, और मिनट्स के लिए अरबी में टेस्ट किया गया Qwen3.8 27B। इसका प्राइवेसी स्टेटमेंट कहता है कि यह अनुरोध के बाद कोई प्रॉम्प्ट, ऑडियो, जवाब या ट्रांसक्रिप्ट नहीं रखता, जो अंदरूनी मीटिंग के लिए मायने रखता है। यह स्पीकर लेबल या टाइमस्टैम्प नहीं लौटाता, और इसमें live ट्रांसक्रिप्शन नहीं है, इसलिए अगर आपको ये चाहिए तो दूसरा प्रोवाइडर इस्तेमाल करें। अरबी speech-to-text गाइड से शुरू करें, फिर ऊपर वाला सारांश चरण जोड़ें।
