आपके पास एक recording है — एक standup, एक client call, एक parent-teacher meeting — और आपको उसके इस्तेमाल लायक हिस्से चाहिए: क्या तय हुआ, कौन क्या कर रहा है, और कौन-सा हिस्सा किस speaker का है। यह रहा वह workflow जो काम करता है, असली output के साथ।
Step 1 — File डालिए, बताइए कि आपको उससे क्या चाहिए
अंदर आने के तीन रास्ते: एक audio file upload कीजिए (MP3, WAV, M4A, FLAC — एक pass में एक घंटे तक), message box में mic button दबाकर dictate कीजिए या record कीजिए, या file drawer के ऊपर वाला record button इस्तेमाल कीजिए — recordings दोनों ही सूरत में आपके workspace में उतरती हैं। फिर एक sentence में बताइए कि आपको असल में क्या चाहिए:
- सिर्फ़ transcript — "इसे transcribe करो" से आपको text मिल जाता है।
- Minutes — "इसे action items के साथ minutes में बदलो" से आपको एक structured document मिलता है।
- Sections — "school-level वाले हिस्से को class-level वाले हिस्से से अलग करो" भी काम करता है — transcript में timestamps होते हैं, इसलिए agent समय के हिसाब से sections काट सकता है।
अगर audio में कई speakers हैं तो बता दीजिए — transcription speaker separation के साथ
चलती है, और output में turns <|speaker:0|>, <|speaker:1|>, आदि के नाम से आते हैं।
Step 2 — असली transcript कैसा दिखता है
हमने एक 32-second की दो-speaker वाली standup synthesize की (वही voice engine जो हमारी podcast pipeline चलाता है — तो यह file copyright-clean demo material है, किसी की असली meeting नहीं) और उसे pipeline से गुज़ारा। ख़ुद सुनिए:
और उसने जो असली transcription दी, speaker labels सहित:
<|speaker:0|> Let us start the sprint review. Marketing finished the landing page refresh, and sign-ups are up 12% week over week. <|speaker:1|> Good numbers. On my side, the new transcription pipeline shipped yesterday. Meeting recordings up to 60 minutes now work in one pass. Next, I want feedback on the minutes format before we announce it. <|speaker:0|> One open item. Pricing for the minutes feature, I will bring a proposal to Thursday. Anything else? <|speaker:1|> Just one thing. We still owe the team an incident write-up from last week. I will draft it today.
हर turn में start/end timestamps भी होते हैं — इसीलिए sections बाँटना और "जहाँ pricing की बात हुई वह हिस्सा clip करो" जैसी चीज़ें बिना दोबारा सुने मुमकिन होती हैं।
Step 3 — Minutes एक shaping step है, transcription step नहीं
Transcript कच्चा माल है; minutes एक editorial product है। Agent को audience और shape बताइए — "team के लिए minutes, decisions एक section में, owners के साथ action items" — और वह document लिखता है, सिर्फ़ dump को format नहीं करता। एक असली run में उसने एक ही recording से दो files बनाईं: एक school-level summary और एक class-level summary, उस moment पर बँटी हुईं जहाँ meeting का scope बदला।
ईमानदार limits
- अजीब containers वाले recorders ख़राब decode हो सकते हैं। अगर कोई file fail हो जाए, agent उसे ffmpeg से WAV में बदलकर दोबारा कोशिश करता है — "यह fail हो गई" कहिए और वह सुलझा लेगा, लेकिन phone से आई standard MP3/M4A सबसे आसान रास्ता है।
- मिश्रित-भाषा वाली audio में dominant-language का bias होता है। English और Chinese मिलाकर अच्छे से काम करता है; बहुत multilingual recording में secondary-language के हिस्से transcribe होने के बजाय language tag के साथ mark हो सकते हैं।
- Speaker labels numbers हैं, names नहीं। Transcript में speaker:0 और speaker:1 आता है; agent context से पहचान का अंदाज़ा लगाता है ("principal," "client") और अक्सर सही होता है — minutes publish करने से पहले names verify कर लीजिए।
- Hyphens और product names बिगड़ सकते हैं। "meeting-to-minutes" वापस "meeting to minutes" बनकर आ सकता है। proper nouns पर एक बार नज़र डाल लीजिए।
आगे यह कहाँ जाता है
यही pipeline transcript के downstream की हर चीज़ को feed करती है: email follow-ups, meeting content से बने slide decks, standups का एक weekly digest। यह persistent agent की एक capability है — वही workspace जो आपके documents रखता है, audio भी रखता है, transcript भी, और जो कुछ आप उनसे बनवाने को कहते हैं वह भी।
आज़माइए: workspace खोलिए, एक recording डालिए, और कहिए "इसे transcribe करो, फिर मेरे लिए minutes लिखो।"