Клиентский сервис, корпоративные коммуникации

Сервис AI-транскрибации: от записи к протоколу, тезисам и задачам

AI-система превращает аудио и видео в готовый рабочий результат: создает транскрипт, разделяет спикеров, собирает краткое резюме и список задач — и встраивается в процессы компании через API и мессенджер.

ai-transcription-to-summary-protocol-tasks-2.png
ai-transcription-to-summary-protocol-tasks-1.png
ai-transcription-to-summary-protocol-tasks-2.png
NDA
ЗаказчикКомпания, которой нужен готовый кастомный продукт для работы с аудио и видео: стабильная транскрибация больших файлов, разделение спикеров, постобработка результатов и интеграция во внутренние процессы через API
ЗадачаСоздать надежную AI-систему, которая превращает записи и голосовые сообщения в транскрипты, резюме, протоколы и задачи, работает без сбоев на больших файлах и готова к реальной B2B-эксплуатации.

О проекте

Заказчик столкнулся с тем, что существующий транскрибатор оказался не готов к реальной эксплуатации: сервис нестабильно принимал крупные аудио- и видеофайлы, работал с двумя конфликтующими API, был неудобен для интеграции и не подтверждал надежность, безопасность и производительность.

 

Мы предложили пересобрать решение с нуля как готовый к работе AI-сервис: с единой архитектурой, стабильной обработкой больших файлов, диаризацией спикеров, LLM-постобработкой, очередями, REST API и CLI. 

 

Это переводит транскрибацию из нестабильного инструмента в рабочий B2B-контур, который можно встроить в процессы компании и масштабировать без legacy-рисков.

NDA
ЗаказчикКомпания, которой нужен готовый кастомный продукт для работы с аудио и видео: стабильная транскрибация больших файлов, разделение спикеров, постобработка результатов и интеграция во внутренние процессы через API
ЗадачаСоздать надежную AI-систему, которая превращает записи и голосовые сообщения в транскрипты, резюме, протоколы и задачи, работает без сбоев на больших файлах и готова к реальной B2B-эксплуатации.

до 2 часов

записи в одном цикле обработки
1
Проектирование архитектуры и API
Описываем состав компонентов, потоки данных, точки интеграции, единый API-контракт и требования к инфраструктуре.
2
Разработка ядра транскрибации и диаризации
Реализуем обработку аудио и видео, разделение спикеров, chunked-обработку длинных файлов и очередь задач для параллельного выполнения
3
Реализация интерфейсов доступа
Разрабатываем REST API, бот в мессенджере и автономный CLI с единым контуром обработки и единым API-контрактом
4
Подключение постобработки и эксплуатационного контура
Добавляем сценарии LLM-постобработки, автоочистку данных, health-check, структурированные логи и безопасную конфигурацию окружения
5
Тестирование, валидация и выпуск релиза
Проводим функциональные и нагрузочные тесты, подтверждаем работу на длинных файлах, обновляем документацию и передаем стабильный релиз

Новый сервис или legacy?

Доработка действующего транскрибатора давала почти те же сроки и бюджет, что и разработка с нуля. Доработка существующей версии имела высокие риски срыва из-за конфликтующих API, проблем безопасности и нестабильной работы с файлами.

Технологический стек

Backend

Логика обработки и базовые компоненты системы

LLM

Языковые модели и AI-инструменты

Вызовы и решения

Стабильная обработка больших файлов в реальной эксплуатации

Ключевая сложность была не в самой расшифровке, а в том, чтобы сервис без сбоев принимал и обрабатывал длинные аудио- и видеофайлы, не падал на загрузке и выдерживал параллельные задачи
РЕШЕНИЕ

Асинхронная обработка и устойчивый контур загрузки

Сервис спроектировали так, чтобы большие файлы проходили поэтапно: отдельная загрузка, постановка в очередь, обработка по частям и прозрачная диагностика ошибок на каждом шаге. Для тяжелых файлов предусмотрели альтернативные сценарии загрузки, чтобы система не зависела от одного канала передачи

Единая логика работы во всех точках доступа

Нужно было не просто собрать несколько способов работы с сервисом, а обеспечить одинаковое поведение системы в API, пользовательском интерфейсе и автономном режиме, без расхождения результатов и сценариев
РЕШЕНИЕ

Общее ядро сервиса и единый контур обработки

Архитектуру построили вокруг общего ядра транскрибации, очереди задач и единого API-контракта, чтобы все точки доступа работали по одной логике, а автономный режим не зависел от внешнего интерфейса

Качество диаризации и постобработки на сложных записях

Отдельной инженерной задачей было добиться приемлемого качества разделения спикеров и LLM-постобработки на реальных записях разного качества, а не только на чистых тестовых примерах.
РЕШЕНИЕ

Выделенный модуль диаризации и валидация

Под это в архитектуре выделили отдельный модуль диаризации, сценарии LLM-постобработки и обязательное тестирование на реальных аудио- и видеофайлах с настройкой параметров под специфику записей

>85%

точности на тестовой выборке транскрибации

>80%

записей с корректным разделением 2–3 спикеров

30 минут

на запуск на чистом сервере по инструкции

Команда, которая внедрила проект

Алексей Цибульников
Python backend-разработчик
Дмитрий Соркин
DevOps-инженер
Виктор Дупляков
Full-stack разработчик
Константин Порошкин
ML-инженер
Даниил Фомин
Системный аналитик

Бесплатный разбор вашей задачи

На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.

Рассмотрим технические ограничения и возможный первый этап проекта.

О вашей задаче (по желанию)

Готовые проекты

Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.

bracket
Генеративный ИИ
Автоматизации рутинных процессов в рекламном агентстве
advertising-agency-automation-ai.jpg
Корпоративный ИИ
ИИ-ассистент закрывает 85–95 % рутинных административных запросов
ai-task-and-reporting-assistant.jpg
Разработка крупной системы
AI-агент для первой линии обращений жильцов многоквартирных домов
ai-assistant-resident-support-2.jpg
Разработка ИИ-консультанта, RAG, LLM
ИИ-ассистент для экспертного подбора товара
ai-assistant-for-expert-product-selection.png
Агентский ИИ
ИИ-агент для продуктовых команд, продаж, маркетинга и разработчиков
ии агент для продуктовых команд.png
ИИ-транскрибация
Разработка сервиса ИИ-транскрибации с разделением спикеров
ai-transcription-to-summary-protocol-tasks.jpg