AudioToText: сервис транскрибации встреч на базе MLX Whisper и Django

Что это такое?

В статье на Habr AI представлен AudioToText – сервис, который автоматически преобразует аудиозаписи встреч в готовый к использованию документ требований. Проект построен на модели MLX Whisper для распознавания речи и веб‑фреймворке Django для организации бизнес‑логики и пользовательского интерфейса.

Как работает сервис?

1. Загрузка записи – пользователь загружает файл формата MP3, WAV или любой поддерживаемый контейнер.
2. Транскрибация – MLX Whisper распознаёт речь, выдавая «чистый» текст с минимальными ошибками.
3. Структурирование – полученный текст автоматически разбивается на блоки (agenda, decisions, action items) с помощью простых правил парсинга.
4. Review‑контур – в веб‑интерфейсе участники могут быстро просмотреть, отредактировать и утвердить протокол, после чего документ сохраняется в PDF/Markdown.

Текущий статус и планы развития

• Версия 0.1 уже доступна в публичном репозитории GitHub (см. репозиторий).
• В ближайших релизах планируется интеграция NER (named‑entity recognition) для автоматического выделения ключевых сущностей (компоненты, сроки, ответственные).
• Будет реализован модуль поиска противоречий в резюме, позволяющий выявлять конфликтующие требования уже на этапе согласования.

Почему это важно?

Традиционный процесс согласования требований часто тратит часы на ручную расшифровку и форматирование записей встреч. AudioToText снижает эту нагрузку, ускоряя коммуникацию между продукт‑менеджерами, разработчиками и стейкхолдерами.

Источник: Habr AI – AudioToText: управление требованиями через записи встреч