Как мы экономим около 35 часов работы в месяц на расшифровке созвонов без риска для NDA

Планерки и звонки занимают значительную часть рабочего времени в IT и digital-компаниях. Исследование Яндекс 360 говорит, что специалисты из IT и маркетинга тратят от 40 минут до часа на один созвон. При средней нагрузке в 20 встреч в неделю это 13–20 часов рабочего времени только на обсуждения, а у нас в работе обычно около сотни проектов.

После встречи нужно собрать итоги: кто что делает, к какому сроку и о чем договорились. Не все участники сделали записи во время разговора, а при пересказе теряются детали. Сотрудники, которые подключились к проекту позже, восстанавливают контекст, слушая записи созвонов коллег. 

В результате на расшифровку и фиксацию итогов уходит еще 1–2 часа в день. Суммарно это до 35–40 часов в месяц — почти рабочая неделя специалиста!

Экономим время по-максимуму: подключаем транскрибацию созвонов и ИИ

Ручная обработка записей — задача, которую логично автоматизировать, и сервисы для транскрибации уже существуют. Но во времена, когда все внедряют AI, можно рассчитывать на больше, чем просто перевод речи в текст.

Мы хотели не только расшифровывать встречу, но и сразу:

• видеть разбивку по спикерам, чтобы понимать, кто что предложил, где запросы и пожелания клиента;
• получать краткое резюме встречи: что обсуждали, к каким решениям пришли, какие задачи появились. 

Большинство сервисов умеют распознавать речь с пунктуацией, но не структурируют текст: не выделяют спикеров, не делают краткую выжимку. Поэтому рабочий процесс часто превращается в цепочку итераций: сначала транскрибация, потом редактирование, затем саммари с помощью ИИ. Это быстрее, чем вручную, но все еще не так удобно.

Еще одно требование связано с безопасностью:  мы часто обсуждаем проекты под NDA, на созвонах звучат коммерческие данные, поэтому использование облачных решений для нас рискованно — не хочется передавать чувствительную информацию на сторону. Вся обработка должна выполняться внутри корпоративного контура.

Так мы пришли к образу AI-транскрибатора, которого не было на рынке. Пришлось делать самим — силами своего R& D-центра решений в области AI. 

Как мы технически закрыли вопрос «что решили на созвоне?»

Мы научили систему обрабатывать длинные записи встреч и формировать краткий отчет по сути разговора:

1. Изучили модели speech-to-text, протестировали решения для диаризации — разделения речи по спикерам, и саммаризации — автоматического резюме встречи.
2. Собрали все компоненты в рабочий процесс от загрузки аудио до получения документа с текстом.
3. Сделали интерфейс, чтобы было удобно загружать запись созвона и получать результат.
4. Добавили возможность управлять транскрибациями: редактировать диалоги, задавать имена спикерам, добавлять теги и искать нужные записи в истории.

Сервис назвали RiverSpeech. 

Как этим пользоваться команде

После созвона все происходит по простой схеме:

1. Загружаем запись разговора в MP3, MP4, WAV или другом видео или аудиоформате.
2. Ждем 3–5 минут — система сама расшифровывает звонок, скорость зависит.
3. Расставляем имена — подписываем, кто говорит, дальше ИИ расставит их по голосам. 

Итоги встречи становятся частью рабочего процесса: вместо хаотичных заметок команда получает структурированный документ с транскрибацией ВКС и краткое резюме встречи.

5 минут на расшифровку и резюме встречи против часа прослушивания записи

В AI-транскрибатор RiverSpeech мы заложили функции, которых не хватало при ручной работе:

• разделение по спикерам: реплики разделены по говорящим, которых можно подписать;
• выводы из встречи: можно за 2 минуты понять суть часового совещания;
• все записи в корпоративном контуре без передачи третьим лицам;
• редактирование: возможность что-то дописать, исправить или удалить;
• интеграции: можно настроить отправку конспекта в CRM, документооборот или базу знаний. 

Обычно после встречи или созвона запись переслушивают несколько человек — участники, чтобы собрать «постмит» — резюме встречи, и те, кто подключился к проекту позже. С транскрибатором созвонов RiverSpeech транскрибация часового созвона занимает не час с лишним, а минут 15, из которых 5 уходит на работу сервиса и 10 на оценку результата человеком. При нагрузке в 100 звонков ежемесячно это дает экономию до 2,5 рабочих недель.

В итоге сотрудники не тратят время на рутинное конспектирование, а руководители получают протоколы встречи и выводы в удобном формате. 

Главный результат: освобожденное время и защищенные данные

У нас RiverSpeech плотно вошел в рабочие процессы менеджеров, дизайнеров, аналитиков, QA-специалистов и HR — в общем, стал частью рабочей экосистемы.

Эксперимент решил сразу две задачи:

• сэкономил команде десятки часов, освободив от механической работы;
• создал корпоративное решение, которое подходит всем, кому важны безопасность данных и эффективность.