BroadRouter

用 API 把阿拉伯语会议录音生成会议纪要

BroadNet Inference 团队 · 阅读约 6 分钟 · 发布于

要用 API 生成阿拉伯语会议纪要,先用阿拉伯语语音转文字模型转写录音,把长转写文本分段,让大模型以 JSON 输出决策、待办事项和未决问题,再把各段合并。要求模型为每个待办事项引用转写原文,纪要用现代标准阿拉伯语或英语撰写。

会议纪要看起来是一项任务,其实是两项:把语音变成文字,再把文字变成决策和待办事项。每一步都有自己的失败方式。一个方言词转写错了,就会变成一条错误的待办事项;一个很会总结的模型,照样可能凭空编出一个负责人。本文为阿拉伯语会议搭建这条流水线,并说明检查应该放在哪里。

流水线是什么样的?

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

本文其余部分逐步讲解。

第 1 步:长时间的阿拉伯语会议怎么转写?

用笔记本电脑录的一小时会议,文件通常远远超过上传限制。BroadNet Inference 每个文件接受最大 26,214,400 字节的 WAV 或 MP3,所以要先转换成 16 kHz 单声道,并在静音处切分。转写超过 25 MB 的长音频提供了完整脚本,包括并行请求和按顺序拼接文本。

对阿拉伯语会议来说,有三项设置很重要:

  • 每个分段都传 language="ar"。 BroadNet 的文档提醒,否则阿拉伯语可能会以拉丁字母音译的形式返回。
  • 以阿拉伯语为主的会议使用阿拉伯语模型:broadnet/cohere-transcribe-arabic。如果会议主要使用它支持的其他语言,broadnet/cohere-transcribe 每分钟 $0.002。
  • 保留原始转写文本。 审阅时需要它,第 4 步的引用也需要它。

在海湾地区的商务会议中,阿拉伯语夹杂英语是常态。用你们平时的语言混合情况录一段来测试:英文产品名和数字正是容易出错的地方。阿拉伯语方言语音识别介绍了该重点听什么。

能拿到说话人的名字吗?

纯文本转写拿不到。BroadNet 的转写响应是只有一个 text 字段的 JSON:没有说话人,也没有时间戳。(如果需要根据分段偏移量生成字幕时间轴,请看用纯文本 API 生成阿拉伯语字幕。)你有三个选择:

情况 做法
每个人录在单独的音轨或声道上 逐条音轨分别转写;音轨本身就告诉你说话人是谁
双声道通话录音 用 ffmpeg 拆分声道,做法同呼叫中心流水线
只有一条混合音轨,又需要说话人 使用返回说话人分离结果的服务商;选购指南对它们做了比较

只有一条混合音轨时,如果有人说出了名字,大模型仍然能找到负责人:“哈立德周四前把报价发过来。”它绝不能做的,是根据上下文猜测负责人。下面的提示词明确禁止这样做。

第 2 步:为什么要先把转写文本分段再总结?

有两个原因。第一是上下文:一小时的发言对小模型来说可能太长了。BroadNet Gemma 4 VL 26B 的上下文是 32,768 token,一场长的阿拉伯语会议可能会超出。用阿拉伯语 token 计数器数一下你的转写文本;正如阿拉伯语与英语每个词的 token 数所示,阿拉伯语每个词通常比英语需要更多 token。

第二是准确性。一项关于长输入的研究发现,模型性能 “significantly degrades when models must access relevant information in the middle of long contexts”(译文:当模型必须使用位于长上下文中间的相关信息时,性能会显著下降)(Liu 等)。在 70 分钟会议的第 35 分钟做出的决策,正是这种情况。每 10 到 15 分钟总结一段,然后再合并,能让每一部分都靠近提示词的开头。

在切分音频时用过的同一批静音点上切分,这样每一段都不会从句子中间开始。

第 3 步:该用哪个模型撰写纪要?

模型 上下文 撰写纪要相关说明 每 1M token 输入 / 输出
Qwen3.8 27B 262,144 经 BroadNet 阿拉伯语测试:书面表达流畅,能理解海湾和埃及方言;列明支持结构化输出 $0.175 / $2.17
GLM 5.3 1,048,576 列明支持结构化输出;仅文本 $0.78 / $3.46
DeepSeek V4.1 Flash 1,048,576 也提供固定价格套餐,每个会话每月 $60,一次一个请求 $0.175 / $0.52

从 Qwen3.8 27B 开始,因为它是 BroadNet 做过阿拉伯语测试的模型。再挑一个模型和它对比,用三场真实会议测试,并请母语者打分。为阿拉伯语挑选大模型提供了一份评分表。

这三个模型都会先思考再回答,而思考内容计入 max_tokens。会议纪要很长,所以要留出几千个 token,否则可见的回答可能会是空的。参见为什么会这样。

第 4 步:什么样的提示词能得到可靠的纪要?

要求输出 JSON,并让模型为每一项引用转写原文。有了引用,审阅者几秒钟就能核对一条待办事项,而不必重读整份转写文本。

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)

然后在代码里校验。解析 JSON,检查各个键,并确认每个 quote 确实出现在该段文本中。引用不在转写文本里的条目就是模型编造的:删掉或标记出来。如果 JSON 解析失败,带上错误信息重试一次。JSON mode 与 json_schema 展示了一个校验循环;BroadNet 的文档列出 GLM 5.3 和 Qwen3.8 27B 支持结构化输出,但没有写明请求参数,所以依赖它之前先测试。

如果要用英文写纪要,把摘要那一行改成英文,并加上一句:“Keep each quote in the original Arabic.”(每条引用保留阿拉伯语原文。)阿拉伯语提示词工程一文更深入地介绍了语体、数字写法和混合文字的文本。

第 5 步:怎么把各段合并成一份纪要?

在最后一个请求中发送所有分段的结果,让模型:

  1. 为整场会议写一份摘要。
  2. 合并重复的决策和待办事项。同一个任务常常被提到两次。
  3. 保留每一项的引用。
  4. 如果后面的分段改变了某个待办事项的负责人或日期,就把它标记为已变更。

合并的输入很小:是各段的 JSON,而不是转写文本。用上面三个模型中的任何一个来合并,都远在其上下文范围之内。

一场会议要花多少钱?

步骤 计费对象 价格
转写 音频分钟数 每分钟 $0.0042,每小时 $0.25
分段总结 输入转写文本 token,输出 JSON Qwen3.8 27B:每 1M 输入 $0.175,输出 $2.17
合并 少量 JSON 输入和输出 同上

转写通常是固定的部分。大模型部分取决于转写文本的长度和模型思考了多少。从最初几场真实会议中读取 prompt_tokens 和 completion_tokens,再用 LLM API 成本计算器乘出来。语音转文字成本计算器负责音频部分。$5 的初始额度覆盖转写模型,约合 1,190 分钟阿拉伯语音频;Qwen3.8 27B 需要充值。

应该避免哪些错误?

  • 用一个提示词总结整场会议。 中间部分的条目会丢失。
  • 让模型填补空白。 从没说过的负责人和日期,是 AI 会议纪要中最常见的错误。把 null 设为默认值。
  • 翻译得太早。 先用阿拉伯语转写和提取,再翻译纪要。先翻译转写文本,会丢掉原话引用。
  • 跳过审阅。 会议纪要是正式记录。发出之前,应由一位参会者通读一遍。
  • 永久保留录音。 纪要获批后就删除音频,除非你必须保留。

什么时候不该用 API 流水线?

如果你需要会议进行中的实时字幕、从一条混合音轨中得到说话人标签,或者一个团队今天就能用的现成应用,专门的会议产品会更快。有好几款产品提供阿拉伯语会议记录;用你自己的录音比较它们,因为它们页面上的准确率说法只是它们自己的说法。当你希望纪要在自己的系统里、用自己的格式、遵循自己的保留规则时,API 路线才合理。

BroadNet Inference 处在什么位置

BroadNet 把两半工作放在同一个 OpenAI 兼容密钥上:每分钟 $0.0042 的 BroadNet Transcribe Arabic,以及经过阿拉伯语测试、用来撰写纪要的 Qwen3.8 27B。它的隐私声明说,请求结束后不保留任何提示词、音频、回答或转写文本,这对内部会议很重要。它不返回说话人标签或时间戳,也没有实时转写;如果你需要这些,请使用其他服务商。先从阿拉伯语语音转文字指南开始,再加上上面的总结步骤。

常见问题

怎么从阿拉伯语录音生成会议纪要?

用阿拉伯语语音转文字 API 转写音频,并传入 language=ar。然后把转写文本发给大模型,提示词要求以 JSON 输出简短摘要、决策、带负责人和截止日期的待办事项,以及未决问题。发送之前先审阅结果。

会议用阿拉伯语开,纪要能用英文写吗?

可以。先用阿拉伯语转写,再让大模型用英文撰写纪要,同时把人名、数字和引语保持原样。保留阿拉伯语引语,方便双语审阅者核对译文。

会议纪要里的方言怎么处理?

转写文本保留方言,因为那就是原话。让大模型用现代标准阿拉伯语撰写纪要,当含义很关键时(例如承诺或拒绝),把方言原词放在引号里保留。

API 能分辨谁说了什么吗?

只有返回说话人标签时才能。BroadNet 的转写返回的是纯文本。如果每位参会者录在单独的音轨或声道上,就逐条音轨分别转写,这样就知道说话人;否则请使用支持说话人分离的服务商。

长会议该用哪个模型来总结?

选一个上下文足够容纳你最长的转写文本、阿拉伯语又好的模型。在 BroadNet 上,Qwen3.8 27B 是经过阿拉伯语测试的模型,上下文为 262,144 token;GLM 5.3 和 DeepSeek V4.1 Flash 支持 1,048,576 token。挑两个模型,用三场真实会议测试。

把内部会议发给 API 安全吗?

先查看服务商的数据保留条款。BroadNet 声明请求结束后不保留任何提示词、音频、回答或转写文本。即便如此,也要删掉纪要用不到的内容,比如会上念出的个人电话号码。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity