ИИ-транскрибатор: выбрать готовый продукт или создать свой?

Как автоматизировать расшифровку рабочих встреч? Какие отечественные разработки для транскрибации есть на рынке? С чего начать разработку собственного решения? В чем разница использования open-source-движков в России и в глобальном мире? Появится ли на рынке отраслевой ИИ-расшифровщик?

Корпоративную культуру уже невозможно представить без регулярных совещаний, созвонов и конференций. Эффективность деловых коммуникаций напрямую влияет на бизнес, и их эволюция будет связана в том числе с развитием искусственного интеллекта и внедрением кастомных решений.

Представьте, что вы работаете над значимым для вас проектом. Все важные вопросы обсуждаются на совещаниях с клиентами и подрядчиками, где необходимо фиксировать все договоренности, ведь любые расхождения могут иметь серьезные последствия.

Важно не только фиксировать весь разговор, но и переводить записи в наглядный вид, чтобы ими было удобно пользоваться и не упускались важные тезисы переговоров. Если такое общение происходит эпизодически, то перевод записей разговоров вручную может затруднять не так сильно. Но при интенсивных коммуникациях эффективность такого метода стремится к нулю, поскольку транскрибация только одного совещания может занимать несколько часов.

Решения, которые автоматизируют расшифровку, устраняют необходимость записывать переговоры вручную и отвлекаться от обсуждений, что повышает эффективность собраний. Отпадает необходимость тратить значительное время на расшифровку, либо нанимать для этого дополнительный персонал.

И, самое главное — гарантируется точная фиксация всего хода переговоров, что избавляет от рисков неверной интерпретации высказываний партнеров или клиентов. Пока что такие решения имеют ограничения, например при низком качестве записи, но технологии постоянно совершенствуются, повышая точность и качество распознавания речи.

Подводные камни при выборе расшифровщика речи

Конечно, на рынке уже существуют готовые решения, такие как Teamlogs, Аny2text и др. Или можно пойти другим путем, например загрузить ролик на YouTube и сгенерировать субтитры, при таком способе качество будет не на высоте, но работать с таким материалом можно.

Но ни готовые решения, ни тем более бесплатные методы не решают вопрос безопасности. А чем важнее рабочие переговоры, тем выше риски при несоблюдении конфиденциальности разговора.

Как начать собственную разработку

Для создания решения в первую очередь необходимы две вещи: облачная инфраструктура и открытый ИИ-движок на open source, который поддерживает русскую речь.

Теперь по шагам:

1. Развернуть движок в своей облачной среде.
2. Разработать интерфейс, который должен в себя включать навигацию и поиск по тексту транскрибации. Навигация должна иметь возможность параллельного перемещения по тексту расшифровки и записи разговора. То есть если вы перемещаетесь по тексту, то одновременно перемещаетесь и по записи, и наоборот.
3. Протестировать решение на группе пользователей с целью получения обратной связи.

К чему все идет

Искусственный интеллект на наших глазах становится движущей силой развития технологий. Уже в следующем году компании из списка Global 2000 отправят 40% своих расходов на направления, связанные с ИИ. По прогнозам, уже к 2026 году размер инвестиций в продукты и услуги на основе ИИ превысит $300 млрд.

Будущее отрасли определяют такие тенденции, как:

• Метод объединения ИИ с open source-компонентами и обучение полученной модели будет все сильнее распространяться. За счет интеграции этих моделей с данными компании в режиме реального времени бизнес сможет значительно повысить свою экономическую эффективность. Например такой путь выбрали Sibnn: они занимаются разработкой движка с открытым исходным кодом, а дальнейшее обучение оставляют на стороне пользователей.
• Упрощение разработки ИИ-приложений за счет распространения API поможет повысить производительность предприятий. К таким приложениям относятся различные маркетинговые и офисные сервисы, в том числе транскрибаторы.
• Мультимодальный генеративный ИИ. Это следующий этап в развитии технологий искусственного интеллекта, который обрабатывает и объединяет разные типы данных (текст, изображения, аудио, видео) из различных источников. Например, такая модель может не только распознать объект на изображении, но и описать его текстом, перевести текст в звуковой файл с синтезированной озвучкой или создать видео по текстовому запросу.

Русский путь

Российский рынок тоже поддерживает тренд на использование open-source-движков, но отличается тем, что продукты развиваются непосредственно бизнесом.

На развитие рынка могут значительно повлиять такие ИТ-гиганты как Яндекс и Сбер, особенно если разрешат использовать свои сервисы транскрибации на клиентских ресурсах для того, чтобы можно было их встроить в свою инфраструктуру.

Другие компании пойдут по пути разработки собственных узкопрофильных ИИ-транскрибаторов. Это будет нишевый продукт, без вывода на рынок для продаж массовому пользователю.

Дальнейшее развитие рынка может привести к появлению отраслевых ИИ-расшифровщиков, разрабатываемых специально под определенную нишу.