Составлять протокол совещания с помощью ИИ можно, не отдавая запись ни одному облачному сервису. Модель распознавания речи превращает аудио в текст, вторая модель отмечает, кто и когда говорил (это называют диаризацией), а языковая модель пишет черновик с решениями, задачами и открытыми вопросами. Секретарь совещания сверяет черновик со стенограммой и утверждает его. Все это работает на сервере или рабочей станции в вашем офисе, поэтому записи заседаний руководства и разговоров с клиентами остаются внутри компании.

Если записи должны загружать и читать в браузере несколько коллег, посмотрите сравнение Scriberr и Whishper как замены Otter.

Коротко

  • Процесс состоит из шести шагов: запись, распознавание, метки спикеров, черновик от языковой модели, проверка человеком, удаление лишнего.
  • На украинском FLEURS в статье NVIDIA у Whisper large-v3 WER 6,51 %, у Parakeet TDT 0.6B v3 6,79 %; на записях совещаний ошибок больше (у Parakeet на английском AMI 11,31 %), а измерений на суржике не опубликовано.
  • Сервер с двумя RTX PRO 6000 Server Edition держит ассистента на одной карте, а распознавание в MIG-экземпляре второй; gpt-oss-120b, по нашей оценке, обслуживает на одной карте 19 сессий по 32 тыс. токенов.
  • По статье 12 Закона № 2297-VI участников предупреждают еще до записи: кто записывает, зачем, кому передаются данные и какие у людей права.

Шесть шагов от записи до утвержденного протокола

Шаг Что происходит Кто или что
1. Запись микрофон в переговорной или запись видеозвонка организатор совещания
2. Распознавание аудио превращается в текст с метками времени Whisper или Parakeet на GPU
3. Метки спикеров «спикер 1, спикер 2» для каждого фрагмента модель диаризации на GPU
4. Черновик решения, задачи, ответственные, сроки языковая модель на GPU
5. Проверка черновик сверяют со стенограммой секретарь совещания
6. Хранение или удаление протокол остается, аудио удаляют правило хранения, заданное заранее

Источник: наше описание процесса; модели по их карточкам на Hugging Face, прочитано 25.10.2026.

Если модель перепутала спикеров, задача достанется другому человеку, поэтому пятый шаг выполняет человек.

Запись совещания: микрофон в переговорной или видеозвонок

Модели из этой статьи принимают аудио 16 кГц моно (карточка Parakeet называет WAV или FLAC), модель диаризации NVIDIA тоже. Обычный конференц-микрофон это обеспечивает, а на результат сильнее всего влияет помещение.

Переговорная с одним микрофоном на столе пишет все голоса в один канал, с разного расстояния, вместе со скрипом стульев и репликами, которые накладываются друг на друга. По карточке Parakeet TDT 0.6B v3, на корпусе AMI (записи совещаний на английском) ошибочных слов 11,31 %, на прочитанном тексте LibriSpeech test-clean 1,93 %. Иначе говоря, на совещании неверно примерно каждое девятое слово, на чистой записи каждое пятидесятое. Шум такой же громкости, как речь, поднимает среднюю ошибку в той же карточке с 6,34 % до 11,66 %.

Видеозвонок обычно звучит чище, потому что каждый говорит в гарнитуру вблизи. Если система пишет каждого участника на отдельную дорожку, спикеры уже разделены и шаг с метками можно пропустить, как с отдельными каналами в контакт-центре. Если же встроенные стенограммы и итоги самой системы видеосвязи работают на серверах поставщика, запись попадает туда независимо от того, что вы делаете с файлом потом.

Ставьте микрофон в центр стола, подальше от проектора, на большом совещании просите людей представляться, когда они впервые берут слово, и избегайте параллельных разговоров: там, где голоса накладываются, чаще всего ошибаются и распознавание, и метки спикеров.

Распознавание совещания на украинском и русском

По состоянию на октябрь 2026 года большинство офисных совещаний закрывают две открытые модели. Whisper large-v3 от OpenAI знает 99 языков; репозиторий OpenAI выпускает код и веса под MIT и указывает около 10 ГБ видеопамяти для больших моделей. Parakeet TDT 0.6B v3 от NVIDIA распознает 25 европейских языков, в том числе украинский и русский, сама определяет язык, расставляет пунктуацию и метки времени для слов и распространяется под CC BY 4.0. За один проход она обрабатывает до 24 минут аудио с полным вниманием (на A100 80GB) или до 3 часов с локальным.

Модель Языки WER uk, FLEURS WER ru, FLEURS RTFx на одной A100
Whisper large-v3 99 6,51 % 4,17 % 145,5
Parakeet TDT 0.6B v3 25 европейских 6,79 % 5,51 % 3 333
Canary-1B v2 25 европейских 10,50 % 6,90 % 749

Источник: WER по статье NVIDIA arXiv 2509.14128, прочитано 13.11.2026; RTFx на английских тестовых наборах и одной A100-SXM4-80GB по статье Open ASR Leaderboard (arXiv 2510.06961v3, 10.12.2025); языки по карточкам на Hugging Face, прочитано 25.10.2026.

FLEURS состоит из прочитанных предложений, так что на записях из переговорной ошибок будет больше. Опубликованных измерений на суржике или на совещаниях, где украинский смешан с русским, мы не нашли, поэтому такие записи проверьте отдельно. Как исправлять имена и термины, описано в статье о локальном распознавании украинского и русского.

Карточка Whisper предупреждает, что модель работает неравномерно на разных языках и акцентах и может выдать текст, которого в аудио не было (галлюцинация). Секретарь, который читает стенограмму, такие места заметит, а итог, написанный только по стенограмме, может перенести их в протокол.

Скорость здесь не ограничивает. RTFx показывает, сколько секунд аудио модель обрабатывает за секунду вычислений. Часовое совещание в Whisper large-v3 занимает 3 600 ÷ 145,5, то есть около 25 секунд работы GPU, в Parakeet примерно секунду (наш расчет). Даже 20 часовых совещаний в день дают около восьми минут для Whisper.

Кто что сказал: метки спикеров и имена

Модель диаризации помечает каждый фрагмент анонимной меткой с временем начала и конца. Nemotron 3 Diarization от NVIDIA (23.09.2026, OpenMDW License 1.1) по карточке различает до восьми спикеров, допускает коммерческое использование и на совещаниях AMI с одним удаленным микрофоном дает долю ошибок 11,14 % в офлайн-профиле. Для совещаний, где голосов больше восьми, pyannote community-1 (CC BY 4.0) позволяет задать минимальное и максимальное число спикеров; подробнее в статье о диаризации на собственном сервере. Показателя DER для украинского или русского карточка pyannote не приводит.

Имена к меткам секретарь назначает вручную по списку присутствующих. Другой путь, сравнение голосов с сохраненными образцами, может считаться обработкой биометрических данных, которые статья 7 Закона № 2297-VI относит к особым категориям.

Как языковая модель пишет черновик протокола

Языковая модель читает стенограмму с метками спикеров и заполняет постоянный шаблон: дата, участники, повестка, решения, задачи с ответственным и сроком, открытые вопросы. Для каждого решения и задачи шаблон требует метку времени, чтобы секретарь сразу нашел нужное место стенограммы.

Для немецкого опубликованное измерение дает 1,76 токена на слово, так что 8 000 произнесенных слов занимают около 14 100 токенов. Для украинского такого измерения для токенизатора gpt-oss мы не нашли, поэтому посчитайте токены на собственной стенограмме. Запас здесь большой. gpt-oss-120b, открытая модель OpenAI под Apache 2.0, по конфигурационному файлу принимает 131 072 токена, а в немецком примере сессия на 32 768 токенов вмещает час стенограммы, шаблон и черновик.

На каждый сгенерированный токен gpt-oss-120b читает около 5 ГБ весов, поэтому RTX PRO 6000 Server Edition с пропускной способностью памяти 1 597 ГБ/с дает до 320 токенов/с на один запрос (верхняя граница по нашей оценке).

Решения в шаблоне записывают так, как их сформулировали на совещании, а то, что модель не может ни к кому отнести (например, задачу без ответственного), она выносит в открытые вопросы.

Какой сервер нужен и сколько совещаний он выдержит

Протоколы редко бывают единственной задачей, поэтому удобно, когда тот же сервер обслуживает корпоративного чат-ассистента, поиск по документам и перевод.

Конфигурация с RTX PRO 6000 Что где работает Емкость (оценка) Потребление (оценка)
Станция, 2 × Max-Q карта 1: ассистент и протоколы; карта 2: речь, спикеры, поиск 19 сессий по 32 тыс. токенов на карте 1 около 1,1 кВт
Сервер, 2 × Server Edition карта 1: ассистент и протоколы; карта 2: четыре MIG-экземпляра 19 сессий по 32 тыс. токенов на карте 1 около 1,8 кВт
Сервер, 4 × Server Edition как выше, плюс карты для других отделов 19 на карту, по одной копии модели около 3,4 кВт, 2,7 кВт при 450 Вт на карту

Источник: типовые конфигурации под задачу; сессии по нашему правилу для gpt-oss-120b (60,8 ГиБ весов, 1,125 ГиБ 16-битного кэша на сессию 32 768 токенов); потребление по нашей оценке (карты и процессоры плюс 15 % на остальную систему), подтверждается измерением на готовой системе.

Одна карта только для протоколов. Минимальный шаг, по нашей оценке, это станция с одной RTX PRO 4500 Blackwell (32 ГБ, 200 Вт). Из 25,7 ГиБ, которые оставляет наше правило, Whisper turbo занимает около 5,6 ГиБ, gpt-oss-20b 12,8 ГиБ, а оставшиеся 7,3 ГиБ вмещают 9 черновиков по 32 тыс. токенов одновременно. Она работает от офисной розетки.

Две карты в сервере. Наше правило берет 90 % от 95,6 ГиБ, которые драйвер показывает для RTX PRO 6000 Server Edition, минус 3 ГиБ на карту и минус веса модели. После gpt-oss-120b на первой карте остается 22,2 ГиБ, то есть 19 одновременных сессий. MIG делит вторую карту на четыре изолированных экземпляра по 24 ГБ: для Whisper или Parakeet, для модели диаризации (файл 397 МБ), для моделей поиска и для тестов (см. статью о MIG и vGPU). Сервер потребляет около 1,8 кВт и укладывается в линию 230 В на 16 А, которая при нагрузке 80 % выдерживает 2,94 кВт. Его ставят в серверную, а с учетом отключений в Украине питание планируют вместе с ИБП и генератором.

Две карты в рабочей станции. Без серверной подойдет станция с двумя RTX PRO 6000 Blackwell Max-Q по 300 Вт: около 1,1 кВт от обычной розетки 230 В, лучше в отдельной комнате. ETE собирает такие станции и серверы под задачу и считает конфигурацию от вашего числа совещаний, языков и пользователей.

ИТ-отделу стоит запускать распознавание, диаризацию и языковую модель как отдельные сервисы, держать их за LLM-шлюзом с ключами и журналом запросов (--api-key в vLLM 0.32.0 защищает лишь часть путей), проверить, что ни один компонент не отправляет аудио в облако, и реализовать правила хранения как задания по расписанию.

Запись совещания и Закон № 2297-VI: кого и о чем предупредить

Голос и записанный разговор являются персональными данными, поэтому запись совещания подпадает под Закон № 2297-VI, и собственный сервер этих обязанностей не снимает. Отдельного закона о записи разговоров коммерческими компаниями в Украине нет, действуют общие нормы, в частности статья 32 Конституции: она запрещает собирать конфиденциальную информацию о лице без его согласия, кроме случаев, определенных законом.

Основание и предупреждение. Статья 11 Закона № 2297-VI называет шесть оснований обработки, среди них согласие, договор и законный интерес; какое выбрать, решает ваш юрист. По статье 12 человеку сообщают, кто владелец данных, какие данные собирают, с какой целью, кому их передают и какие у него права. Для регулярного совещания хватит пометки в приглашении и фразы в начале; гостей из других компаний тоже предупреждают, а запись включают, когда никто не возражает. Статья 29 КЗоТ требует под подпись знакомить работника с условиями труда, поэтому постоянную запись совещаний стоит описать в локальном акте.

Без анализа эмоций. Специального закона об ИИ в Украине пока нет. В ЕС статья 5(1)(f) EU AI Act с 02.02.2025 запрещает определять эмоции человека на рабочем месте (с медицинскими исключениями и исключениями по соображениям безопасности); для украинской компании это важно, если система или ее результаты используются в ЕС.

Образцы голоса. Если голоса сопоставляют с образцами, исходите из того, что это биометрия: такие данные обрабатывают только по исключениям части 2 статьи 7, например при однозначном согласии. Уполномоченный Верховной Рады Украины по правам человека относит биометрию к обработке с особым риском, о которой его уведомляют в течение 30 рабочих дней (ст. 9).

Раздел дает общую информацию по состоянию на ноябрь 2026 года и не является юридической консультацией.

Сколько хранить аудио, стенограмму и протокол

Записи разговоров хранят только столько, сколько нужно для цели записи. Для протоколов это обычно три разных срока.

Что Пример правила Почему
Аудиозапись удаляют после утверждения протокола содержит каждый голос и каждую реплику в сторону
Стенограмма удаляют после короткого срока проверки нужна только для сверки черновика
Утвержденный протокол хранят как документ компании на него опираются люди

Источник: пример для иллюстрации; сроки для вашей компании определяет юрист исходя из цели обработки по Закону № 2297-VI.

Человек вправе требовать уничтожения своих данных (ст. 8), а на сервере протоколов они лежат в хранилищах аудио и стенограмм, в поисковом индексе, в истории чата ассистента и в резервных копиях. Удаление настраивают как автоматическое задание еще при построении системы, а записи не добавляют в общий поиск по документам.

Частые вопросы

Может ли ИИ составить протокол совещания без облака?

Да. Распознавание речи, модель меток спикеров и языковая модель вроде gpt-oss-120b работают на сервере в вашей компании, поэтому запись и стенограмма не попадают к внешнему поставщику. Черновик утверждает человек.

Насколько точно ИИ распознает совещания на украинском?

На украинском FLEURS статья NVIDIA дает WER 6,51 % для Whisper large-v3 и 6,79 % для Parakeet TDT 0.6B v3. Это прочитанные предложения; на английских совещаниях AMI Parakeet ошибается в 11,31 % слов. Данных для суржика нет, так что начните с нескольких собственных записей.

Нужно ли согласие участников на запись совещания?

Согласие лишь одно из шести оснований статьи 11 Закона № 2297-VI. Обязательно информирование по статье 12: заранее сообщают, кто записывает, зачем и какие у людей права, а на практике запись не включают, если кто-то возражает.

Может ли ИИ определить, кто что сказал на совещании?

Модель диаризации помечает фрагменты как «спикер 1», «спикер 2»; Nemotron 3 Diarization различает до восьми спикеров. Имена секретарь добавляет по списку присутствующих, потому что сопоставление голосов с образцами может считаться обработкой биометрических данных.

Какой сервер нужен для протоколов совещаний?

Сервер с двумя RTX PRO 6000 Server Edition держит ассистента и протоколы на одной карте, а распознавание в MIG-экземпляре второй; часовое совещание занимает около 25 секунд работы GPU. Только для протоколов, по нашей оценке, хватит станции с одной RTX PRO 4500 на 32 ГБ.

Сколько хранить записи совещаний?

Не дольше, чем нужно для цели записи: аудио удалять после утверждения протокола, стенограмму держать короткий срок, протокол хранить как документ компании. Конкретные сроки определяет юрист.

Что из этого есть в ETE

  • ETE AI Workstation: станция с RTX PRO 6000 на 96 ГБ, которая расширяется до двух Max-Q для схемы «ассистент на одной карте, речь на второй».
  • ETE AI Server RTX PRO: четыре RTX PRO 6000 Server Edition (384 ГБ видеопамяти) и 768 ГБ DDR5 ECC в 4U; по нашей оценке, по 19 сессий gpt-oss-120b на карту для протоколов, ассистента и других отделов.
  • NVIDIA RTX PRO 6000 Server Edition 96 ГБ: карта, которую MIG делит на четыре экземпляра по 24 ГБ.
  • NVIDIA RTX PRO 4500 Blackwell 32 ГБ: минимальный шаг для станции только под протоколы: Whisper turbo, gpt-oss-20b и 9 черновиков по 32 тыс. токенов одновременно.

Нужен сервер для протоколов совещаний?

Напишите, сколько совещаний в неделю вы записываете, на каких языках говорят участники, как сейчас ведется запись и кто еще будет работать с ассистентом на том же сервере. ETE посчитает конфигурацию, а при необходимости инженеры Vixen.UNO настроят распознавание, шаблон протокола и автоматическое удаление.

Обсудить задачу

Автор: Инженер ETE