ИИ-транскрибация совещаний и звонков: протоколы без ручного набора текста

Полтора года назад секретарь одного нашего клиента, юрфирмы на Патриарших, тратила по три часа в день на протоколы совещаний. Три часа. Каждый день. Сейчас у неё эта работа занимает пятнадцать минут — она просто вычитывает готовый текст. Расскажу, как мы это сделали, где чуть не наступили на грабли с конфиденциальностью и почему облачный сервис распознавания речи — не всегда то, что нужно бухгалтерии или медклинике.

Протокол совещания — это боль, которую все терпят молча

Вот типичная картина. Планёрка на час. Кто-то ведёт заметки от руки, что-то пропускает, потом полдня восстанавливает по памяти, кто что сказал и на чём сошлись. В итоге протокол готов через два дня, когда половина договорённостей уже подзабылась, а вторую половину каждый помнит по-своему. Знакомо?

У меня самого так было лет пять. Я вёл совещания с прорабами по объектам в Дентекс и Ортеке, а потом гонял бухгалтера переслушивать диктофонную запись и печатать текст руками. Это медленно, дорого по времени сотрудника и, что хуже всего, ненадёжно — человек устаёт, отвлекается, путает цифры.

Сейчас с этим справляется нейросеть. Записал звонок или совещание — через пять-десять минут на выходе готовый текст с разбивкой по спикерам. Осталось решить один вопрос, и он не технический, а куда более важный: кому вы отдаёте эту запись на обработку.

Как это работает: от аудио до текста за минуты

Технология называется ASR — automatic speech recognition, распознавание речи. Модель слушает аудиодорожку и выдаёт текст. Современные модели вроде Whisper от OpenAI или SaluteSpeech от Сбера умеют не только транскрибировать, но и разделять голоса — это называется диаризация, то есть подпись «говорящий 1», «говорящий 2» и так далее.

Точность на русском языке сейчас реально хорошая, процентов 90-95 при чистом звуке без сильного шума. Хуже дело обстоит с профессиональным жаргоном — если в разговоре мелькает «дебетуем по 60 счёту» или «настройка регистра сведений в 1С», модель иногда путает термины. Это лечится словарём подсказок, но об этом дальше.

Сам процесс выглядит так: запись совещания (с телефона, с Zoom, с диктофона) загружается в сервис, обрабатывается, и через несколько минут вы получаете текстовый файл, а некоторые сервисы сразу же делают из него краткую выжимку с пунктами решений. Красиво, быстро. Вопрос — где физически происходит эта обработка.

Облако — быстро и дёшево, но чьи это серверы

Самый простой путь — облачный сервис. Яндекс SpeechKit, Сбер SaluteSpeech, зарубежные вроде Otter.ai или того же Whisper через API OpenAI. Регистрируетесь, платите условно 2-5 рублей за минуту аудио, льёте файлы — получаете текст. Никакого железа покупать не надо, работает с первого дня.

Но вот в чём загвоздка. Ваша аудиозапись улетает на чужой сервер. Если это зарубежный сервис — данные вообще могут храниться за пределами России, а это уже прямой конфликт с 152-ФЗ, если в разговоре звучат персональные данные клиентов или сотрудников. У меня был случай с одной юрфирмой, которая по незнанию два месяца гоняла записи консультаций с клиентами через американский сервис транскрибации. Мы им объяснили, чем это чревато — переговоры-то шли о разводах, наследстве, спорах по недвижимости, то есть содержали и персональные данные, и адвокатскую тайну по сути. Пришлось всё останавливать и пересобирать процесс.

Для торговой компании или производства, где на планёрках обсуждают отгрузки и планы продаж, риск куда ниже — ну утечёт информация о том, что вы заказали партию профиля у поставщика в Клину. Неприятно, но не смертельно. А вот для медклиники, бухгалтерии, юрфирмы каждое слово в записи может быть врачебной или адвокатской тайной, либо персональными данными третьих лиц. Тут облако — уже игра в рулетку.

Локальный вариант: свой сервер, свои правила

Альтернатива — развернуть модель распознавания у себя, на собственном железе. Тот же Whisper — модель открытая, её можно поставить на сервер в вашей серверной или в арендованной стойке, и тогда ни один байт аудио никуда наружу не уходит. Обработка идёт локально, результат остаётся у вас.

Тут нужна видеокарта — распознавание речи без GPU работает мучительно медленно. Для среднего объёма, скажем, десять-пятнадцать часов записей в неделю, хватит одной RTX 4060 Ti или 4070, это плюс-минус 60-90 тысяч рублей за карту. Если нагрузка серьёзнее — берём 4090, это уже 150-180 тысяч. Ставим на Windows Server или Linux, не суть, Whisper одинаково живёт и там и там, у нас в паре проектов он крутится прямо на той же машине, где стоит Veeam для бэкапов, благо ресурсы позволяют.

Отдельный плюс — с локальной моделью можно докрутить словарь под ваш бизнес. Мы для одной бухгалтерской компании подгрузили список терминов — счета, проводки, названия контрагентов из 1С — и точность распознавания специфической лексики выросла заметно. В облачном сервисе так гибко не настроишь, там ты берёшь то, что дают.

Кому облако норм, а кому только локально и никак иначе

Я обычно советую клиентам простое правило. Если на записи звучат персональные данные третьих лиц, врачебная или адвокатская тайна, коммерческая тайна уровня «не для чужих глаз» — только локальное решение. Это медклиники, юрфирмы, финансовые консультанты, отделы кадров при обсуждении зарплат и увольнений.

Если разговор про внутреннюю операционку — планы продаж, логистику, техрегламенты производства — можно спокойно брать облачный сервис с российской юрисдикцией, тот же Яндекс или Сбер, у них дата-центры в России и есть договор с обязательствами по обработке данных. Это не идеальная защита, но для большинства торговых и производственных компаний риск приемлемый.

Есть и промежуточный вариант — облачный сервис, но с подписанным соглашением о неразглашении и удалением данных сразу после обработки. У некоторых провайдеров это настраивается, у SpeechKit, например, можно выключить сохранение аудио на их стороне. Но тут нужно читать договор оферты внимательно, а не по диагонали, как обычно делают.

Как мы это разворачивали на практике

Расскажу на примере одной медицинской клиники, где у нас на обслуживании вся инфраструктура. Задача была — распознавать записи консультаций врача-координатора с пациентами по телефону, чтобы автоматически формировать карточку обращения. Про облако речи даже не шло — врачебная тайна, 323-ФЗ, штрафы серьёзные.

Развернули сервер на их площадке с видеокартой RTX 4070, поставили Whisper large-v3 с русской моделью. Записи с IP-телефонии автоматически падают в папку на сервере, скрипт по расписанию гоняет их через модель, готовый текст уходит координатору на согласование. Всё это внутри их локальной сети, доступ по RDP только для администратора. Ни один файл наружу не уходит.

На всё про всё — железо, настройка, интеграция с телефонией — ушло около 220 тысяч рублей и три недели работы. Окупилось за два месяца, потому что раньше на ручной набор карточек уходило время двух сотрудников. Сейчас это, по сути, фоновая задача, которая просто работает.

Юридические грабли, о которых часто забывают

Тут важный момент, который упускают почти все, кто внедряет транскрибацию сгоряча. Запись разговора без согласия собеседника — это отдельная юридическая история, регулируется и Гражданским кодексом, и в некоторых случаях статьёй о неприкосновенности частной жизни. Если вы записываете внутреннее совещание своих сотрудников — предупредите их письменно, включите пункт в трудовой договор или локальный акт. Это займёт полчаса, но снимет вопросы на будущем.

Если записываете звонки с клиентами — нужно информирование о записи разговора, самое простое решение это голосовое предупреждение в начале звонка, «разговор записывается в целях улучшения качества обслуживания» — вы наверняка сами такое слышали сто раз. Без этого использовать транскрипт как доказательство или официальный документ будет сложно, а хранить персональные данные из такой записи — прямое нарушение 152-ФЗ.

И ещё момент: даже локальный сервер с распознанным текстом нужно защищать как обычную базу персональных данных — с разграничением доступа, паролями, желательно с шифрованием диска. У нас на таких серверах стоит КриптоПро там, где это требуется по регламенту, плюс обычная политика доступа через Active Directory. Локальность решает проблему утечки наружу, но не отменяет базовую защиту внутри периметра.

Частые вопросы

Сколько стоит подключить транскрибацию совещаний в маленькой компании?
Если данные не критичны и подходит облако — от 5-10 тысяч рублей в месяц на подписку сервиса, в зависимости от объёма записей. Локальное решение с сервером и видеокартой обойдётся в 150-250 тысяч рублей разово плюс настройка, зато без ежемесячной платы и без данных на чужих серверах.

Насколько хорошо ИИ распознаёт русскую речь с акцентом или профессиональным жаргоном?
Базовая точность на чистой русской речи сейчас около 90-95 процентов. С сильным акцентом или специфической терминологией — например бухгалтерской или медицинской — точность падает, но это лечится подключением словаря терминов, актуального для вашей отрасли.

Можно ли использовать протокол, сделанный ИИ, как официальный документ?
Можно, если участники были предупреждены о записи разговора и это зафиксировано — в трудовом договоре, локальном акте компании или голосовым уведомлением при звонке. Без этого текст остаётся рабочим черновиком, а не юридически значимым документом.

Нужен ли отдельный сервер, если у нас уже есть сервер с 1С или терминальный сервер?
Обычно да, распознавание речи требует видеокарту и хорошо нагружает процессор, а сервер 1С или терминальный сервер под RDP этого не любят. Мы обычно ставим отдельную небольшую машину или добавляем видеокарту в существующий физический сервер, если он не виртуализирован и есть свободный слот.