Meetly
Engineering21. November 202613 min read

Meetly Auto Engine, Teil 2: Sprechererkennung und Stimmgedächtnis

Wie Meetly lange Aufnahmen auf dem iPhone ohne Datenverlust transkribiert, leere aussortiert, Sprecher zuordnet und gespeicherte Stimmen erkennt, ohne zu raten.

Meetly transkribiert lange Aufnahmen auf dem iPhone in fortsetzbaren Abschnitten, sortiert leere früh aus und ordnet Sprecher mit offenen pyannote-Modellen zu. Im Zweifel bleibt eine Zeile ohne Zuordnung, und eine gespeicherte Stimme wird nur benannt, wenn genau eine passt. In 16 AMI-Meetings ordnete es 81 von 81 angelernten Sprechern richtig zu und akzeptierte keine von 1725 fremden Stimmen.

Inside Meetly Auto Engine. One audio file in. A tagged transcript out.

Einleitung

In Teil 1 hat Meetly Auto Engine eine Aufnahme auf dem iPhone angehört, ihre Sprache mit einer Paarregel bestimmt und sie an ein Sprachmodell weitergeleitet, das für diese Sprache gebaut ist. Dieser Teil folgt der Aufnahme durch die restliche Arbeit auf dem Gerät: eine Transkription, die Unterbrechungen übersteht, einen frühen Filter, der entscheidet, ob sich weitere Arbeit lohnt, und Sprechererkennung und Stimmgedächtnis, die den Zeilen Namen geben.

Der rote Faden durch alle vier Stufen: Ist die Engine unsicher, tut sie weniger, nicht mehr.

Hintergrund: vom gewählten Modell zu benannten Sprechern

Nach Teil 1 weiß die Engine, welches Modell sie ausführen soll. Bis ein Transkript lesbar ist, bleiben vier Stufen, und alle laufen ohne Netzwerk auf dem Telefon: Transkription in Abschnitten, der frühe Filter, die Sprechererkennung und das Stimmgedächtnis. Abbildung 1 in Teil 1 zeigt, wo sie liegen, und jede davon lässt sich ab einem Checkpoint fortsetzen.

Das Problem: langes Audio, leere Aufnahmen und der falsche Name

Jede der vier Stufen kann auf ihre eigene Weise scheitern, und jedes Scheitern sieht, wer das Transkript liest. Vier Herausforderungen haben das Design geprägt. Jeder Abschnitt unten beantwortet eine davon, in der Reihenfolge, in der die Engine ihnen begegnet, nachdem das Sprachmodell gewählt und geladen ist.

  1. iOS suspendiert Apps im Hintergrund. Eine 90-minütige Aufnahme, die nach jeder Unterbrechung wieder bei null beginnt, wird nie fertig.
  2. Nicht jede Aufnahme verdient die teuren Stufen. Sprecheranalyse und Zusammenfassungen sollten nicht für einen Fernseher im Nebenzimmer verbraucht werden.
  3. Zwei Modelle müssen sich einigen, wer welches Wort gesagt hat. Beim Zusammenführen von Redebeiträgen und Wörtern entstehen die meisten sichtbaren Fehler.
  4. Ein falscher Name ist schlimmer als gar keiner. Schreibt die App Priya einen Satz zu, den Daniel gesagt hat, traut man keiner Zuordnung mehr.

Lange Aufnahmen in fortsetzbaren Abschnitten transkribieren

Ziel ist, dass eine Unterbrechung Sekunden kostet, nicht den ganzen Auftrag. Die Engine misst zunächst die Energie des Audios in Frames von 20 ms und plant dann etwa alle fünf Minuten einen Schnitt, gesetzt auf den leisesten Frame in den 30 Sekunden vor jeder Marke. Danach wird jeder Abschnitt einzeln transkribiert und gespeichert.

In einer Pause schneiden, damit kein Wort geteilt wird

MeetlyCore/TranscriptionChunking.swiftswift
let firstFrame = earliest / frameSamples
let lastFrame = min(latest / frameSamples, frameEnergies.count - 1)
var cut = latest
if firstFrame <= lastFrame, firstFrame < frameEnergies.count {
    var quietest = firstFrame
    for frame in firstFrame...lastFrame where frameEnergies[frame] <= frameEnergies[quietest] { quietest = frame }
    // Cut in the middle of the quietest frame.
    cut = min(max(quietest * frameSamples + frameSamples / 2, earliest), latest)
}
chunks.append(.init(index: chunks.count, startSample: start, endSample: cut))
start = cut

Weil in einer Pause geschnitten wird, landet kein Wort in zwei Abschnitten, und Parakeet trägt seinen Decoder-Zustand von einem Abschnitt in den nächsten, sodass die Nahtstellen im Transkript nicht auffallen.

Gespeicherte Abschnitte lassen eine Unterbrechung nur Sekunden kosten

Jeder fertige Abschnitt wird als eigene Datei gespeichert, nach einem Hash seines Inhalts benannt und beim Einlesen geprüft. Nach einem Neustart findet der Auftrag denselben Audio-Hash, überspringt alle gespeicherten Abschnitte und wiederholt nur den, der gerade in Arbeit war.

Wärme wird wie eine Unterbrechung behandelt

Vor jedem Abschnitt liest die Engine den thermischen Zustand und geht auf einen Worker herunter, wenn das Telefon warm ist, oder pausiert 60 Sekunden, wenn der Zustand kritisch ist. Im Hintergrund plant sie Abschnitte von 45 Sekunden, damit sie innerhalb der von iOS gewährten Zeit sauber anhalten kann. Abbildung 1 zeigt, welches Tempo das auf einem Telefon übrig lässt.

Balkendiagramm der Transkriptionszeit auf einem iPhone 14 Pro Max: 19 Minuten Audio in 21,6 Sekunden, 33 Minuten in 49,9 Sekunden, 87 Minuten in 176,6 Sekunden.
Abbildung 1: Rund 30- bis 54-mal schneller als Echtzeit auf einem iPhone 14 Pro Max. In der realen Nutzung wird das mediane Gespräch von 11,4 Minuten in 26,3 Sekunden transkribiert (Telemetrie).

Der frühe Filter: behalten, prüfen oder archivieren

Sobald die Wörter vorliegen, noch vor Sprechererkennung und Zusammenfassung, entscheidet die Engine, ob sich weitere Arbeit an der Aufnahme lohnt. Die Antwort lautet behalten, prüfen oder archivieren, mit einer einzeiligen Begründung, die man lesen kann. Zuerst entscheiden Regeln, eine optionale Modellprüfung nur dann, wenn die Regeln keine Meinung haben, und was ein Urteil bewirkt, hängt von der Art der Aufnahme ab.

Deterministische Regeln fangen leere Aufnahmen zuerst ab

MeetlyCore/MeetlyAutoEngine.swiftswift
public static func ruleVerdict(duration: Double, lines: [String], now: Date = Date()) -> Verdict? {
    let text = lines.map { $0.trimmingCharacters(in: .whitespacesAndNewlines) }.filter { !$0.isEmpty }
    if text.isEmpty { return Verdict(decision: .archive, reason: "No speech found", source: .rule, date: now) }
    if duration.isFinite, duration > 0, duration < minimumSeconds {
        return Verdict(decision: .archive, reason: underTenSeconds, source: .rule, date: now)
    }
    let assessment = TranscriptQualityGate.assess(lines: text.map { .init(text: $0) }, duration: duration)
    guard assessment.hasNoMeaningfulContent else { return nil }
    let reason = switch assessment.reason {
    case .repetitive: "Repeated sounds"
    case .empty: "No speech found"
    default: "No real words"
    }
    return Verdict(decision: .archive, reason: reason, source: .rule, date: now)
}

Das Qualitäts-Gate hinter diesem Aufruf ist deterministisch. Es entfernt Rauschmarker und Phrasen, die Spracherkenner in Stille hinein erfinden, etwa „thanks for watching“, und sucht nach Schleifen: eine Zeile, die 60 % des Transkripts ausmacht, oder weniger als ein unterschiedliches Wort auf vier. Hindi in lateinischer Schrift, gemischte Schriften und langes, abwechslungsreiches Sprechen werden nie an einem englischen Wörterbuch gemessen.

Eine optionale Modellprüfung, die im Zweifel behält

Haben die Regeln keine Meinung und haben Sie die Cloud-Verarbeitung erlaubt, liest ein einzelner Aufruf eines kleinen Modells den Text und antwortet mit einem Wort und einer Begründung von höchstens zwölf Wörtern, begrenzt auf 200 Token. Ein langes Transkript wird nicht vollständig gesendet: Der Aufruf bekommt Anfang, Mitte und Ende. Die Prüfung ist fail-open: Keine Einwilligung, kein Netz, ein Timeout oder eine unlesbare Antwort bedeuten jeweils behalten.

MeetlyCore/Intelligence/MeaningCheck.swiftswift
/// The start, middle and end of the text, within maxCharacters.
public static func sample(_ lines: [String], limit: Int = maxCharacters) -> String {
    let text = lines.map { $0.trimmingCharacters(in: .whitespacesAndNewlines) }.filter { !$0.isEmpty }.joined(separator: "\n")
    guard text.count > limit else { return text }
    let part = limit / 3
    let start = text.prefix(part)
    let middleStart = text.index(text.startIndex, offsetBy: (text.count - part) / 2)
    let middle = text[middleStart...].prefix(part)
    let end = text.suffix(part)
    return [String(start), String(middle), String(end)].joined(separator: "\n…\n")
}

Archivieren archiviert nur Clips

Was ein Urteil bewirkt, hängt von der Art ab. Archivieren blendet einen Clip aus; ein Gespräch, das Sie selbst gestartet haben, wird nur zur Prüfung markiert, sofern es nicht eindeutig leer ist. Eine Entscheidung, die Sie selbst per Tipp auf Behalten oder Archivieren treffen, wird mit Ihnen als Quelle gespeichert, und die Engine setzt sich nie darüber hinweg. Archivierte Aufnahmen bleiben erhalten und lassen sich wiederherstellen.

MeetlyCore/MeetlyAutoEngine.swiftswift
/// What this verdict does to a recording of this kind: archive only archives a clip.
public func effective(for kind: Kind) -> Decision {
    decision == .archive && kind == .conversation && source != .you && !isClearlyEmpty ? .review : decision
}

Sprechererkennung: wer wann gesprochen hat

Die Sprechererkennung nutzt die offenen Modelle pyannote community-1, nach Core ML konvertiert und über FluidAudio ausgeführt. Sie sind 22 MB groß und in der App enthalten. Ein Segmentierungsmodell erkennt, wer in jedem Fenster von 10 Sekunden spricht, ein Embedding-Modell macht aus jeder Stimme 256 Zahlen, den Stimmabdruck, und ein Clustering fasst Stimmabdrücke zu Personen zusammen. Die Fenster liegen eine Sekunde auseinander, damit auch kurze Wortwechsel erfasst werden.

Eine Obergrenze von 8 Sprechern ließ Personen verschmelzen

Die Bibliothek verlangt eine Höchstzahl an Sprechern, und unsere lag bei 8. Über diesem Maximum meldet sie keine zusätzlichen Personen, sondern clustert alle neu in genau so viele Gruppen. Ein aufgezeichneter Earnings Call mit 19 Personen kam als 8 „Personen“ zurück, jede eine Mischung aus mehreren. Eine einzige Konstante von 8 auf 32 anzuheben, behob das und änderte nichts an den kleinen Meetings, die wir auf Regressionen geprüft haben.

Tabelle 1 zeigt die beiden Aufnahmen, bei denen es darauf ankam. Vergleichen Sie die letzten beiden Spalten: Die Fehlerrate sank, und der Anteil der Wörter bei der richtigen Person stieg.

AufnahmePersonenGefunden, 8 → 32FehlerrateWörter bei der richtigen Person
Earnings-21 Hershey198 → 1925,8 % → 5,4 %72,3 % → 94,2 %
Earnings-21 Monro108 → 935,0 % → 6,3 %62,7 % → 93,5 %
Tabelle 1: Die Diarisierungsfehlerrate zählt verpasste Sprache, fälschlich erkannte Sprache und Sprecherverwechslungen als Anteil der Sprechzeit. Mac-Host, mit dem Sprechercode der App.

Lange Aufnahmen werden in Fenstern von 30 Minuten zugeordnet

Aufnahmen über 60 Minuten werden in Fenster von etwa 30 Minuten zerlegt, jeweils an einer leisen Stelle geschnitten und per Checkpoint gesichert. Anschließend werden Sprecher über Fenster hinweg verknüpft, wenn ihre Stimmabdrücke höchstens 0,35 voneinander entfernt sind. Bei einem zweistündigen Meeting erreichte der Fensterpfad dieselbe Fehlerrate wie der Einzeldurchlauf, 20,3 %, mit 857 MB statt 1016 MB Speicher (Mac-Host). Auf dem iPhone 14 Pro Max dauerte die Zuordnung für 19 bis 87 Minuten Audio 41 bis 238 Sekunden (iPhone).

Lieber ohne Zuordnung als geraten

Eine Zeile ohne Zuordnung ist ehrlich; eine Zeile, die selbstbewusst der falschen Person zugeschrieben wird, ist ein Fehler, den der Leser nicht sehen kann. Deshalb verbindet die Engine Wörter und Sprecher über feste Schwellenwerte, und wenn ein Wort oder eine kleine Gruppe von Wörtern nicht eindeutig zu einer Person gehört, bleiben sie ohne Sprecher, statt dass einer gewählt wird.

Ein Wort bekommt nur bei klarer Abdeckung einen Sprecher

Ein Wort bekommt nur dann einen Sprecher, wenn dessen Redebeiträge mindestens 30 % des Wortes abdecken und der Gewinner mindestens 60 % der abgedeckten Zeit hält. Ein einzelnes Wort unter 0,3 Sekunden, das jemand anderem zugeordnet ist, gilt als Flackern und wird ignoriert.

Verirrte Sprechergruppen werden nur bei eindeutiger Übereinstimmung zugeschlagen

Das Clustering erzeugt oft eine kleine verirrte Gruppe: vierzig Wörter, die größtenteils von einem echten Sprecher stammen, angezeigt als rätselhafter Sprecher 5. Eine Gruppe mit weniger als 60 Wörtern und unter 1 % der Aufnahme wird nur dann einem größeren Sprecher zugeschlagen, wenn ihr Stimmabdruck höchstens 0,35 von diesem entfernt ist und der nächstnähere mindestens 0,05 weiter weg liegt. Andernfalls bleiben ihre Wörter ganz ohne Sprecher.

ActNote/Services/Transcription/DiarizationService.swiftswift
for (id, count) in words where !protected.contains(id) {
    let share = Double(count) / Double(total)
    let isSmall = count < small.words && share < small.share
    let isUnprinted = prints != nil && prints?[id] == nil && count < unprinted.words && share < unprinted.share
    guard isSmall || isUnprinted else { continue }
    result.updateValue(prints?[id].flatMap { own in
        let ranked = words.filter { $0.key != id && $0.value > count }.keys
            .compactMap { other in prints?[other].flatMap { SpeakerVerification.distance($0.centroid, own.centroid) }.map { (other, $0) } }
            .sorted { $0.1 < $1.1 }
        guard let best = ranked.first, best.1 <= fold.distance,
              ranked.count < 2 || ranked[1].1 - best.1 >= fold.margin else { return nil }
        return best.0
    }, forKey: id)
}

Über 37 Läufe auf langen Meetings entfernte das alle 6 verirrten Sprecher, ließ den Anteil der Wörter bei der richtigen Person unverändert und behielt jeden echten Sprecher, der kleinste davon mit mehr als 70 Wörtern (Mac-Host). Namen, die Sie vergeben, und Zeilen, die Sie von Hand zugeordnet haben, bleiben unangetastet.

Stimmgedächtnis: die Personen benennen, die Sie markiert haben

Markieren Sie einen Sprecher einmal, erkennt Meetly diese Person in späteren Aufnahmen wieder. Diese Funktion fällt den Leuten am meisten auf, und bei ihr wird ein Fehler am wenigsten verziehen. Deshalb sorgen drei Entscheidungen für Präzision: Sie lernt nur aus sauberer Sprache, sie nennt einen Namen nur, wenn genau eine gespeicherte Stimme passt, und wir messen den Fehler, auf den es ankommt, nämlich den falschen Namen.

Nur aus sauberer Sprache lernen

Sprechen zwei Personen im selben Fenster von 10 Sekunden, ist der Stimmabdruck dieses Fensters eine Mischung aus beiden. Deshalb verwirft die Engine jedes Fenster, in dem überhaupt jemand anderes spricht. Die übrigen werden um den Medoid herum kombiniert, also das Fenster, das allen anderen am ähnlichsten ist; Fenster, die mehr als 0,45 davon entfernt sind, fallen weg, und der Abdruck scheitert, wenn mehr als die Hälfte wegfallen würde.

ActNote/Services/Transcription/DiarizationService.swiftswift
/// Each retained interval is genuine diarizer speech within the embedding window.
/// A window touched by another credible speaker is rejected conservatively.
nonisolated static func evidence(from result: DiarizationResult) -> [SpeakerEvidence] {
    (result.chunkEmbeddings ?? []).flatMap { chunk -> [SpeakerEvidence] in
        let overlapping = result.segments.filter {
            min(chunk.endTimeSeconds, Double($0.endTimeSeconds)) > max(chunk.startTimeSeconds, Double($0.startTimeSeconds))
        }
        guard !overlapping.contains(where: { $0.speakerId != chunk.speakerId }) else { return [] }
        return overlapping.filter { $0.speakerId == chunk.speakerId }.map { turn in
            SpeakerEvidence(speakerID: chunk.speakerId,
                start: max(chunk.startTimeSeconds, Double(turn.startTimeSeconds)),
                end: min(chunk.endTimeSeconds, Double(turn.endTimeSeconds)), embedding: chunk.embedding256,
                observationStart: chunk.startTimeSeconds, observationID: String(chunk.chunkIndex))
        }
    }
}

Ein Abdruck braucht 3 Sekunden saubere Sprache, und eine gespeicherte Stimme braucht 15 Sekunden, bevor sie jemanden benennt. Das hat einen echten Preis: Wer nur im schnellen Hin und Her spricht, bekommt womöglich nie ein sauberes Fenster. Bei Meeting-Audio, das mit Raummikrofonen aufgenommen wurde, bekamen 60 von 63 Personen einen Abdruck.

Nur benennen, wenn genau eine gespeicherte Stimme passt

Der Abgleichcode liest sich am besten als Liste von Gründen, niemanden zu benennen.

MeetlyCore/SavedVoices.swiftswift
var result: [Int: SavedVoice] = [:]
for (speaker, ranked) in distances where !excluding.contains(speaker) {
    guard let best = ranked.first, best.1 <= limit(best.0),
          ranked.filter({ $0.1 <= limit($0.0) }).count == 1 else { continue }
    if ranked.count > 1, ranked[1].1 - best.1 < policy.margin { continue }
    let rivals = distances.filter { other, list in
        other != speaker && list.contains { $0.0.id == best.0.id && $0.1 <= limit($0.0) }
    }
    // On a device you wear, several speakers near your own voice are you, split by the
    // diarizer; they all match you. Other saved people still abstain on a rival.
    guard rivals.isEmpty || (best.0.isSelf && selfThreshold != nil) else { continue }
    result[speaker] = best.0
}
return result

Der Code lässt sich als vier Verweigerungen lesen. Die nächste gespeicherte Stimme muss in der Kosinusdistanz innerhalb von 0,35 liegen. Genau eine gespeicherte Stimme darf innerhalb dieser Grenze liegen. Die zweitnächste muss mindestens 0,05 weiter entfernt sein. Und passen zwei Sprecher in einer Aufnahme beide zur selben gespeicherten Stimme, wird keiner benannt, weil einer davon falsch sein muss. Gespeicherte Stimmen benennen Sprecher erst nach dem Clustering; sie ändern nie, wer gefunden wird.

Den Fehler messen, auf den es ankommt: einen falschen Namen

Wir haben Stimmen aus je einem AMI-Meeting pro Gruppe angelernt und an den anderen drei getestet. In Tabelle 2 zählt die letzte Spalte: wie oft eine Person den Namen eines anderen bekam.

AudioRichtig benanntAusgelassenFalsch benannt
Sauberer Headset-Mix41 von 4100
Telefonqualität (12 kbit/s Opus)40 von 4110
Alle angelernt, einige abwesend81 von 8100
1725 Versuche mit fremden Stimmenentfälltentfällt0 akzeptiert
Tabelle 2: AMI-Korpus, 16 Meetings, 63 Personen; Stimmen aus je einem Meeting pro Gruppe angelernt und an den anderen drei getestet. Mac-Host.

Der eine Ausfall bei Telefon-Audio war eine ausgelassene Zuordnung, kein falscher Name. Am nächsten kam eine fremde Stimme einer gespeicherten mit 0,396 bei Telefon-Audio, die Grenze von 0,35 hat also Luft. Mit einer Bibliothek von 30 gespeicherten Stimmen über 10.000 Versuche waren 99,7 % der Zuordnungen richtig, und 0,17 % der fremden Stimmen wurden benannt (Mac-Host).

Ihre eigene Stimme bekommt am Wearable eine weitere Grenze

Eine Grenze weicht ab. Bei Clips eines Rekorders, den Sie am Körper tragen, liegt die Grenze für Ihre eigene Stimme bei 0,45. Auf kurzen, verrauschten Clips lag unsere eigene Stimme 0,13 bis 0,49 von ihrem gespeicherten Abdruck entfernt, niemand sonst kam näher als 0,6, und das Gerät sitzt an Ihrem Körper. Alle anderen gespeicherten Stimmen behalten 0,35. Ein Stimmabdruck besteht aus 256 Zahlen, Audio wird nicht gespeichert; gespeicherte Stimmen werden nur verschlüsselt über Ihre private iCloud synchronisiert, wenn Sie die Synchronisierung einschalten.

Ergebnisse

In der realen Nutzung wird das mediane Gespräch von 11,4 Minuten in 26,3 Sekunden transkribiert (Telemetrie). Die Anhebung der Sprecher-Obergrenze von 8 auf 32 senkte die Fehlerrate bei einem Call mit 19 Personen von 25,8 % auf 5,4 %, die Regel für verirrte Sprecher entfernte über 37 Läufe alle 6 Ausreißer, und das Stimmgedächtnis benannte 81 von 81 angelernten Personen richtig und akzeptierte keine von 1725 fremden Stimmen (Mac-Host).

Wie es in dieser Serie weitergeht

Bisher lief alles auf dem iPhone. Teil 3 zeigt, wie alles auf ein Telefon passt und was es verlässt: den Scheduler, der immer nur ein schweres Modell im Speicher hält, was die optionale Cloud-Zusammenfassung sendet und zurückweist, wohin die Zeit von Stopp bis zur Zusammenfassung geht und was wir gemessen, aber nicht ausgeliefert haben.

Fazit

Die vier Stufen in diesem Teil lösen unterschiedliche Probleme, folgen aber einer gemeinsamen Regel. Kann die Engine nicht sicher sein, wählt sie das Ergebnis, von dem man sich erholen kann: einen Abschnitt wiederholen, eine Aufnahme behalten, eine Zeile ohne Zuordnung lassen oder eine Stimme unbenannt lassen. Diese Regel kostet etwas Abdeckung, und genau deshalb kann man den Zuordnungen vertrauen, die erscheinen.

Nehmen Sie etwas in einer beliebigen Sprache auf, die Sie sprechen. Der Sprachschritt, das gewählte Modell und die erkannten Sprecher werden während der Verarbeitung auf der Gesprächsseite angezeigt.

Meetly für das iPhone laden

Fragen zur Meetly Auto Engine

Woher weiß Meetly, wer spricht?

Offene Sprechermodelle von pyannote, nach Core ML konvertiert und in der App enthalten, erkennen, wer wann spricht, und machen aus jeder Stimme einen Stimmabdruck aus 256 Zahlen. Wenn Sie einen Sprecher markieren, lernt Meetly diese Stimme nur aus sauberer Sprache, also aus Fenstern, in denen niemand sonst spricht. Später benennt es einen Sprecher nur, wenn genau eine gespeicherte Stimme innerhalb der Distanzgrenze liegt, die nächstnähere deutlich weiter entfernt ist und kein anderer Sprecher in derselben Aufnahme ebenfalls passt. Auf unserem Testset ergab das 81 von 81 richtigen Zuordnungen, und von 1725 fremden Stimmen wurde keine akzeptiert. Ist sich die Engine unsicher, bleibt der Sprecher unbenannt.

Was passiert, wenn iOS eine lange Transkription unterbricht?

Eine Unterbrechung kostet Sekunden, nicht den ganzen Auftrag. Meetly misst die Energie des Audios in Frames von 20 ms und schneidet es etwa alle fünf Minuten am leisesten Frame in den 30 Sekunden vor jeder Marke, sodass kein Wort geteilt wird. Jeder fertige Abschnitt wird als eigene Datei gespeichert, nach einem Hash seines Inhalts benannt und beim Einlesen geprüft. Nach einem Neustart findet der Auftrag denselben Audio-Hash, überspringt alle gespeicherten Abschnitte und wiederholt nur den, der gerade in Arbeit war. Außerdem geht die Engine auf einen Worker herunter, wenn das Telefon warm ist, und plant im Hintergrund Abschnitte von 45 Sekunden.

Löscht Meetly Aufnahmen, die es für leer hält?

Nein. Direkt nach der Transkription gibt die Engine jeder Aufnahme ein Urteil, behalten, prüfen oder archivieren, mit einer einzeiligen Begründung. Archivieren blendet einen Clip des tragbaren Rekorders aus, ein Gespräch, das Sie selbst gestartet haben, wird dagegen nur zur Prüfung markiert, sofern es nicht eindeutig leer ist. Archivierte Aufnahmen bleiben erhalten und lassen sich wiederherstellen. Tippen Sie auf Behalten oder Archivieren, wird diese Entscheidung mit Ihnen als Quelle gespeichert, und die Engine setzt sich nie darüber hinweg. Die optionale Modellprüfung ist fail-open: Keine Einwilligung, kein Netz, ein Timeout oder eine unlesbare Antwort bedeuten jeweils behalten.

Warum lässt Meetly manchmal eine Zeile ohne Sprecher?

Weil eine Zeile ohne Zuordnung ehrlich ist und eine Zeile bei der falschen Person ein Fehler, den der Leser nicht sehen kann. Ein Wort bekommt nur dann einen Sprecher, wenn dessen Redebeiträge mindestens 30 % des Wortes abdecken und der Gewinner mindestens 60 % der abgedeckten Zeit hält. Eine kleine verirrte Gruppe mit weniger als 60 Wörtern und unter 1 % der Aufnahme wird nur dann einem größeren Sprecher zugeschlagen, wenn ihr Stimmabdruck eindeutig diesem Sprecher am nächsten ist; andernfalls bleiben ihre Wörter ohne Zuordnung. Über 37 Läufe auf langen Meetings entfernte das alle 6 verirrten Sprecher und behielt jeden echten.