BroadRouter

Biên bản họp tiếng Ả Rập từ bản ghi âm: một pipeline API

Đội ngũ BroadNet Inference · 6 phút đọc · Đăng ngày

Để làm biên bản họp tiếng Ả Rập bằng API, hãy chép lời bản ghi âm bằng model chuyển giọng nói tiếng Ả Rập thành văn bản, chia bản chép lời dài thành đoạn, yêu cầu LLM trả về quyết định, đầu việc và câu hỏi còn mở dạng JSON, rồi gộp lại. Bắt model trích bản chép lời cho mọi đầu việc, và viết biên bản bằng tiếng Ả Rập chuẩn hoặc tiếng Anh.

Biên bản họp trông như một việc, nhưng thật ra là hai: chuyển lời nói thành văn bản, và chuyển văn bản thành quyết định và đầu việc. Mỗi bước hỏng theo cách riêng. Một từ phương ngữ bị chép sai trở thành một đầu việc sai; một model tóm tắt giỏi vẫn có thể bịa ra người phụ trách. Bài này dựng pipeline cho các cuộc họp tiếng Ả Rập và chỉ ra nên đặt các bước kiểm tra ở đâu.

Pipeline trông thế nào?

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

Phần còn lại của bài đi qua từng bước.

Bước 1: chép lời một cuộc họp tiếng Ả Rập dài thế nào?

Một cuộc họp một giờ ghi âm trên laptop thường lớn hơn nhiều so với giới hạn tải lên. BroadNet Inference nhận WAV hoặc MP3 tối đa 26.214.400 byte mỗi file, nên trước hết hãy chuyển sang 16 kHz mono và cắt tại các khoảng lặng. Chép lời file âm thanh dài trên 25 MB có script đầy đủ, gồm cả request song song và ghép văn bản theo đúng thứ tự.

Ba thiết lập quan trọng với cuộc họp tiếng Ả Rập:

  • Gửi language="ar" cho mọi đoạn. Tài liệu BroadNet cảnh báo rằng nếu không, tiếng Ả Rập có thể trả về dưới dạng phiên âm sang chữ Latin.
  • Dùng model tiếng Ả Rập cho cuộc họp chủ yếu bằng tiếng Ả Rập: broadnet/cohere-transcribe-arabic. Với cuộc họp chủ yếu bằng một ngôn ngữ khác trong danh sách hỗ trợ, broadnet/cohere-transcribe có giá $0.002 mỗi phút.
  • Giữ bản chép lời gốc. Bạn cần nó để duyệt và để lấy trích dẫn ở bước 4.

Trộn tiếng Ả Rập và tiếng Anh là chuyện bình thường trong các cuộc họp kinh doanh vùng Vịnh. Hãy test một bản ghi với kiểu trộn ngôn ngữ quen thuộc của bạn: tên sản phẩm tiếng Anh và con số là nơi lỗi lộ ra. Nhận dạng giọng nói phương ngữ Ả Rập nói rõ cần nghe kỹ những gì.

Có lấy được tên người nói không?

Không, từ một bản chép lời văn bản thuần. Phản hồi chép lời của BroadNet là JSON với một trường text: không có người nói và không có timestamp. (Để căn thời gian phụ đề từ vị trí các đoạn, xem phụ đề tiếng Ả Rập từ API chỉ trả văn bản.) Bạn có ba lựa chọn:

Tình huống Cần làm gì
Mỗi người được ghi trên một track hoặc kênh riêng Chép lời từng track riêng; track cho biết người nói
Ghi âm cuộc gọi hai kênh Tách kênh bằng ffmpeg, như trong pipeline tổng đài
Một track trộn chung, và bạn cần người nói Dùng nhà cung cấp trả về diarization; hướng dẫn chọn mua so sánh các nhà cung cấp

Với một track trộn chung, LLM vẫn tìm được người phụ trách khi có ai đó nói tên: “Khalid will send the quote by Thursday.” (Khalid sẽ gửi báo giá trước thứ Năm.) Điều nó không được làm là đoán người phụ trách từ ngữ cảnh. Prompt bên dưới cấm việc đó.

Bước 2: vì sao phải chia bản chép lời trước khi tóm tắt?

Có hai lý do. Thứ nhất là context: một giờ nói chuyện có thể quá dài với một model nhỏ. BroadNet Gemma 4 VL 26B có context 32.768 token, mà một cuộc họp tiếng Ả Rập dài có thể vượt quá. Hãy đếm bằng công cụ đếm token tiếng Ả Rập; tiếng Ả Rập thường cần nhiều token mỗi từ hơn tiếng Anh, như số token mỗi từ: tiếng Ả Rập so với tiếng Anh cho thấy.

Thứ hai là độ chính xác. Nghiên cứu về input dài phát hiện hiệu năng của model “significantly degrades when models must access relevant information in the middle of long contexts” (bản dịch: giảm đáng kể khi model phải truy cập thông tin liên quan nằm giữa context dài) (Liu và cộng sự). Một quyết định đưa ra ở phút thứ 35 của cuộc họp 70 phút chính là trường hợp đó. Tóm tắt từng đoạn 10 đến 15 phút rồi gộp lại giúp mọi phần đều nằm gần đầu prompt.

Hãy cắt tại cùng các khoảng lặng bạn đã dùng cho âm thanh, để không đoạn nào bắt đầu giữa câu.

Bước 3: model nào nên viết biên bản?

Model Context Ghi chú cho biên bản Input / output mỗi 1M token
Qwen3.8 27B 262.144 Được BroadNet test bằng tiếng Ả Rập: viết trôi chảy, hiểu phương ngữ vùng Vịnh và Ai Cập; có ghi hỗ trợ structured output $0.175 / $2.17
GLM 5.3 1.048.576 Có ghi hỗ trợ structured output; chỉ văn bản $0.78 / $3.46
DeepSeek V4.1 Flash 1.048.576 Có cả gói giá cố định $60 mỗi tháng cho mỗi phiên, mỗi lúc một request $0.175 / $0.52

Hãy bắt đầu với Qwen3.8 27B, vì đó là model BroadNet đã test bằng tiếng Ả Rập. Test nó với một model khác trên ba cuộc họp thật, và nhờ một người bản ngữ chấm điểm. Chọn LLM cho tiếng Ả Rập có sẵn bảng chấm điểm.

Cả ba model đều suy luận trước khi trả lời, và phần suy luận được tính vào max_tokens. Biên bản thì dài, nên hãy cho phép vài nghìn token, nếu không câu trả lời hiển thị có thể trả về rỗng. Xem vì sao điều đó xảy ra.

Bước 4: prompt nào cho biên bản đáng tin cậy?

Hãy yêu cầu JSON, và bắt model trích bản chép lời cho mọi mục. Trích dẫn là thứ giúp người duyệt kiểm tra một đầu việc trong vài giây thay vì đọc lại cả bản chép lời.

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)

Sau đó kiểm tra bằng code. Parse JSON, kiểm tra các khóa, và kiểm tra mỗi quote thật sự có trong đoạn. Một mục có trích dẫn không nằm trong bản chép lời là do model bịa ra: bỏ đi hoặc đánh dấu. Nếu JSON không parse được, retry một lần kèm thông báo lỗi. JSON mode so với json_schema có một vòng lặp kiểm tra; tài liệu BroadNet ghi structured output cho GLM 5.3 và Qwen3.8 27B nhưng không nêu tên tham số request, nên hãy test trước khi dựa vào nó.

Nếu muốn biên bản bằng tiếng Anh, hãy đổi dòng tóm tắt sang tiếng Anh và thêm: “Keep each quote in the original Arabic.” (Giữ mỗi trích dẫn bằng tiếng Ả Rập gốc.) Bài prompt engineering cho tiếng Ả Rập nói kỹ hơn về văn phong, chữ số và văn bản trộn nhiều hệ chữ.

Bước 5: gộp các đoạn thành một biên bản thế nào?

Gửi tất cả kết quả của các đoạn trong một request cuối và yêu cầu model:

  1. Viết một bản tóm tắt cho cả cuộc họp.
  2. Gộp các quyết định và đầu việc trùng nhau. Cùng một việc thường được nhắc hai lần.
  3. Giữ trích dẫn của từng mục.
  4. Đánh dấu một đầu việc là đã thay đổi nếu một đoạn sau đổi người phụ trách hoặc ngày.

Input của bước gộp nhỏ: là JSON từ mỗi đoạn, không phải bản chép lời. Gộp trên bất kỳ model nào trong ba model trên đều nằm rất xa giới hạn context.

Một cuộc họp tốn bao nhiêu?

Bước Bạn trả tiền cho Giá
Chép lời Số phút âm thanh $0.0042 mỗi phút, $0.25 mỗi giờ
Tóm tắt từng đoạn Token bản chép lời vào, JSON ra Qwen3.8 27B: $0.175 vào, $2.17 ra mỗi 1M
Gộp JSON nhỏ vào và ra Cùng mức giá

Chép lời thường là phần cố định. Phần LLM phụ thuộc độ dài bản chép lời và mức suy luận của model. Hãy đọc prompt_tokens và completion_tokens từ vài cuộc họp thật đầu tiên, rồi nhân trong công cụ tính chi phí API LLM. Công cụ tính chi phí chuyển giọng nói thành văn bản lo phần âm thanh. Tín dụng ban đầu $5 dùng được cho các model chép lời, tương đương khoảng 1,190 phút tiếng Ả Rập; Qwen3.8 27B cần nạp tiền.

Nên tránh những sai lầm nào?

  • Tóm tắt cả cuộc họp trong một prompt. Các mục ở giữa sẽ bị sót.
  • Để model tự điền chỗ trống. Người phụ trách và ngày tháng chưa từng được nói ra là lỗi phổ biến nhất trong biên bản do AI viết. Hãy để null là mặc định.
  • Dịch quá sớm. Chép lời và trích xuất bằng tiếng Ả Rập, rồi mới dịch biên bản. Dịch bản chép lời trước sẽ làm mất trích dẫn chính xác.
  • Bỏ qua bước duyệt. Biên bản là hồ sơ. Một người đã dự họp nên đọc trước khi gửi đi.
  • Giữ bản ghi âm mãi mãi. Xóa âm thanh khi biên bản đã được duyệt, trừ khi bạn bắt buộc phải giữ.

Khi nào pipeline API là lựa chọn sai?

Nếu bạn cần phụ đề trực tiếp trong lúc họp, nhãn người nói từ một track trộn chung, hoặc một ứng dụng làm sẵn mà nhóm của bạn dùng được ngay hôm nay, thì một sản phẩm chuyên cho cuộc họp là con đường nhanh hơn. Có vài sản phẩm bán tính năng ghi chú cuộc họp tiếng Ả Rập; hãy so sánh chúng trên bản ghi âm của chính bạn, vì các tuyên bố về độ chính xác trên trang của họ là của riêng họ. Cách dùng API hợp lý khi bạn muốn biên bản nằm trong hệ thống của mình, theo định dạng của mình, với quy tắc lưu giữ của mình.

BroadNet Inference phù hợp ở đâu

BroadNet đặt cả hai nửa trên một key tương thích OpenAI: BroadNet Transcribe Arabic giá $0.0042 mỗi phút, và Qwen3.8 27B đã được test bằng tiếng Ả Rập để viết biên bản. Tuyên bố quyền riêng tư của họ nói không giữ prompt, âm thanh, câu trả lời hay bản chép lời sau request, điều quan trọng với các cuộc họp nội bộ. BroadNet không trả về nhãn người nói hay timestamp, và không có chép lời trực tiếp, nên hãy dùng nhà cung cấp khác nếu bạn cần những thứ đó. Bắt đầu với hướng dẫn chuyển giọng nói tiếng Ả Rập thành văn bản, rồi thêm bước tóm tắt ở trên.

Câu hỏi thường gặp

Làm sao lấy biên bản họp từ một bản ghi âm tiếng Ả Rập?

Chép lời âm thanh bằng API chuyển giọng nói tiếng Ả Rập thành văn bản, gửi kèm language=ar. Sau đó gửi bản chép lời tới LLM với prompt yêu cầu một bản tóm tắt ngắn, các quyết định, đầu việc kèm người phụ trách và hạn chót, và các câu hỏi còn mở dưới dạng JSON. Duyệt kết quả trước khi gửi đi.

Cuộc họp bằng tiếng Ả Rập thì biên bản có viết bằng tiếng Anh được không?

Được. Chép lời bằng tiếng Ả Rập, rồi yêu cầu LLM viết biên bản bằng tiếng Anh nhưng giữ nguyên tên, số liệu và trích dẫn như lời đã nói. Giữ các trích dẫn tiếng Ả Rập để người duyệt song ngữ kiểm tra bản dịch.

Xử lý phương ngữ trong biên bản họp thế nào?

Để bản chép lời giữ nguyên phương ngữ, vì đó là những gì đã được nói. Yêu cầu LLM viết biên bản bằng tiếng Ả Rập chuẩn hiện đại, và giữ từ phương ngữ trong ngoặc kép khi ý nghĩa quan trọng, như một lời cam kết hay một lời từ chối.

API có cho biết ai nói gì không?

Chỉ khi nó trả về nhãn người nói. Dịch vụ chép lời của BroadNet trả về văn bản thuần. Nếu mỗi người tham gia được ghi trên một track hoặc kênh riêng, hãy chép lời từng track riêng và bạn sẽ biết người nói; nếu không, hãy dùng nhà cung cấp có diarization.

Nên dùng model nào để tóm tắt một cuộc họp dài?

Chọn model có context đủ cho bản chép lời dài nhất của bạn và giỏi tiếng Ả Rập. Trên BroadNet, Qwen3.8 27B là model đã được test bằng tiếng Ả Rập với context 262.144 token; GLM 5.3 và DeepSeek V4.1 Flash nhận 1.048.576 token. Hãy test hai model trên ba cuộc họp thật.

Gửi nội dung cuộc họp nội bộ tới API có an toàn không?

Hãy kiểm tra điều khoản lưu giữ của nhà cung cấp trước. BroadNet cho biết họ không giữ prompt, âm thanh, câu trả lời hay bản chép lời sau request. Dù vậy, hãy bỏ những gì biên bản không cần, như số điện thoại cá nhân được đọc to.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity