سخن‌کاو؛ دستیار جلسه‌ی فارسی
داخل قاب اسکرول کنید؛ اگر دست نزنید، خودش آرام پایین می‌رود.
مسئله
خلاصه‌ی جلسه را امروز هر ابزار هوش مصنوعی می‌سازد. چیزی که بعد از جلسه گم می‌شود پیگیری است: چه کسی، چه کاری را، تا کِی قول داد.
ابزارهای خارجی با فارسی ضعیف‌اند و صدای جلسه‌ی واقعی (یک گوشی وسط میز، چند نفر که هم‌زمان حرف می‌زنند) را خراب می‌کنند. سخن‌کاو برای همین جلسه‌ی واقعی فارسی ساخته شد.
محدودیت‌ها
- هیچ کاری نباید ساخته شود که در جلسه گفته نشده
- هیچ خروجی‌ای بدون تأیید یک انسان برای تیم فرستاده نمی‌شود
- سرور دو هسته‌ای است؛ پردازش سنگین صوت ممکن نیست
تصمیم‌های کلیدی
دو گوشی در یک جلسه
صدای دور از یک گوشی بزرگ‌ترین منبع خطاست. سخن‌کاو دو فایل هم‌زمان می‌گیرد، هر دو را به قطعه‌های پنج‌دقیقه‌ای با کمی هم‌پوشانی می‌بُرد و هر جفت را با هم به یک مدل صوتی می‌دهد.
رد شد: ادغام دو متن ضعیف Whisper؛ روی فارسی خطای کلمه‌ی خیلی بیشتری داشت.
هر کار با نقل‌قولش
تحلیل‌گر فقط خروجی ساختاریافته می‌دهد و هر کار، جمله‌ی گفته‌شده و زمانش را همراه دارد. کد بررسی می‌کند که آن جمله واقعاً در متن جلسه باشد؛ قاعده‌ی «از خودت نساز» در کد اجرا می‌شود، نه فقط در دستور مدل.
رد شد: اعتماد به خروجی آزاد مدل.
یک تحلیل‌گر، نه چند ایجنت
هر قطعه جدا تحلیل می‌شود و بعد همه یک‌جا ادغام می‌شوند، با حذف تکرار و تبدیل «فردا» و «هفته‌ی بعد» به تاریخ واقعی.
رد شد: سیستم چندایجنتی؛ هزینه و پیچیدگی بیشتر، بدون شاهدی بر کیفیت بهتر.
نتیجه
در جریان
سخن‌کاو روی sokhankav.ir آنلاین است و فهرست انتظارش باز است. اولین آزمون جدی‌اش ثبت جلسه‌های خود یک درجه است؛ نتیجه را بعد از آن این‌جا می‌نویسیم.