تبدیل صدای جلسه به متن با هوش مصنوعی؛ از فایل ضبط‌شده تا صورتجلسه

جلسهٔ هفتگی ۴۵ دقیقه طول کشید، بحث‌ها داغ بود و کسی یادداشت برنداشت. یک هفته بعد، هیچ‌کس دقیقاً به خاطر نمی‌آورد چه کسی قول داده بود کدام کار را تا چهارشنبه تمام کند و کدام تصمیم به جلسهٔ ماه آینده موکول شده بود. نوشتن دستی صورتجلسه تمرکز را می‌گیرد؛ کسی که یادداشت برمی‌دارد کمتر در بحث شرکت می‌کند و باز هم ممکن است بخشی از توافق‌ها از قلم بیفتد. با تبدیل صدای جلسه به متن، بخش بزرگی از این کار را می‌شود به هوش مصنوعی سپرد و خودتان در بحث بمانید.

در این راهنما به شما نشان می‌دهیم چطور صدای یک جلسهٔ کاری را طوری ضبط کنید که مدل کمتر اشتباه بشنود. بعد فایل را در گیسو بارگذاری می‌کنید و متنش را می‌گیرید، و در آخر این متن خام را با یک پرامپت ساده به صورتجلسه‌ای مرتب با جدول کارها و مسئول‌ها تبدیل می‌کنید. در طول مسیر، چند آزمایش واقعی روی یک فایل را هم می‌بینید: یک بار بدون جدا کردن گوینده‌ها و بعد با آن.

دو مرحله، دو مدل هوش مصنوعی برای مدیریت جلسه

برای گرفتن یک صورتجلسهٔ دقیق و قابل استناد، کار را در دو مرحله و با دو مدل هوش مصنوعی متفاوت انجام می‌دهیم. اول یک مدل گفتار به متن (Speech-to-Text) حرف‌های فایل صوتی را می‌نویسد. هزینهٔ این مرحله در GPT Transcribe و Whisper برحسب دقیقهٔ صدا حساب می‌شود و در gemini-3.5-transcribe و gpt-4o-transcribe برحسب واحد شمارش صدا و متن (توکن)، که آن هم با طول فایل بالا می‌رود. در مرحلهٔ دوم، این متن طولانی و یکپارچه را کپی می‌کنیم و به یک مدل متنی می‌دهیم تا خلاصه جلسه با هوش مصنوعی نوشته شود.

دلیل دو مرحله ساده است: هر مدل یک کار را خوب انجام می‌دهد. مدل گفتار به متن فقط می‌نویسد چه گفته شد؛ خلاصه نمی‌کند و جدول نمی‌سازد. مدل متنی در مرتب کردن، خلاصه کردن و جدا کردن تصمیم از گفت‌وگو خوب است.

مزیت دیگر دو مرحله، کنترل کیفیت است. وقتی متن پیاده‌شده را دارید، می‌توانید پیش از نوشتن صورتجلسه آن را یک بار مرور کنید. اگر نام یک شرکت یا اصطلاحی فنی اشتباه شنیده شده باشد، آن را در متن خام درست می‌کنید و بعد متن درست‌شده را به مدل متنی می‌دهید تا صورتجلسه از متن درست ساخته شود.

چطور صدا را ضبط کنیم که متن دقیق‌تری بگیریم؟

مدل فقط صدا را می‌شنود؛ نه لب‌ها را می‌بیند و نه زبان بدن را. اگر کیفیت ضبط پایین باشد یا صدای محیط روی صدای گویندگان غلبه کند، خروجی متن جلسه پر از کلمه‌های اشتباه خواهد بود. برای این‌که متن با خطای کمتری پیاده شود، هنگام ضبط این چند نکته را رعایت کنید:

• گوشی موبایل یا دستگاه ضبط را در مرکز میز و با فاصلهٔ مساوی از افراد قرار دهید. اگر میز طولانی است، گوشی را به فردی که صدای آرام‌تری دارد نزدیک‌تر کنید تا بلندی صداها نزدیک به هم ضبط شود.
• جلسه را در یک اتاق ساکت برگزار کنید. صدای فن لپ‌تاپ‌های روی میز، دستگاه قهوه‌ساز روشن، یا باز بودن پنجره‌ای که رو به خیابان است، نویز زیادی دارد و تشخیص کلمه‌ها را برای مدل سخت می‌کند.
• بگذارید هر کس حرفش را تمام کند. وقتی دو نفر هم‌زمان حرف می‌زنند، مدل‌ها معمولاً صدای ضعیف‌تر را نادیده می‌گیرند و فقط صدای بلندتر را به متن تبدیل می‌کنند.
• در همان ثانیه‌های اولِ ضبط، حاضران در اتاق را با صدای بلند نام ببرید («حاضران این جلسه مریم، امید و علی هستند»). این کار بعداً به مدل متنی کمک می‌کند تا افراد را بشناسد.
• تصمیم‌ها و کارها را بلند و شفاف اعلام کنید. در پایان یک بحث طولانی به جای گفتن جملهٔ گنگِ «همین کار را می‌کنیم»، بگویید: «پس تصمیم این شد که تا سه‌شنبه گزارش فروش را بفرستیم.»
• برای جلسه‌های آنلاین و دورکاری، صدای محیط را با گوشی ضبط نکنید. از قابلیت ضبط داخلی خودِ نرم‌افزار (مثل Google Meet یا Zoom) استفاده کنید؛ صدای این فایل‌ها معمولاً از ضبطِ صدای بلندگو تمیزتر است.

آماده‌سازی فایل صوتی برای بارگذاری

ابزار «گفتار به متن» در «تولید محتوا» هر بار یک فایل صوتی یا ویدیویی تا ۲۵ مگابایت می‌گیرد. قالب‌های MP3، M4A، WAV، OGG، FLAC، WebM و ویدیوی MP4 پذیرفته می‌شوند. فایل یک جلسهٔ طولانی، به‌خصوص اگر با کیفیت بالا ضبط شده باشد، اغلب از ۲۵ مگابایت بیشتر است. آن‌وقت فایل را فشرده کنید یا به چند تکه ببُرید.

ابزار خط فرمان FFmpeg، که روی ویندوز، مک و لینوکس نصب می‌شود، هر کدام از این دو کار را با یک دستور انجام می‌دهد. دستور اول کیفیت فایل را پایین می‌آورد و آن را مونو ذخیره می‌کند؛ صدای گفت‌وگو به استریو نیازی ندارد و با این تنظیم هر ساعت صدا حدود ۱۵ مگابایت می‌شود. دستور دوم بدون افت کیفیت و بدون پردازش مجدد، یک فایل طولانی را به بخش‌های ۳۰ دقیقه‌ای (معادل ۱۸۰۰ ثانیه) خرد می‌کند تا بتوانید آن‌ها را جداگانه بارگذاری کنید:

# Compress to mono MP3 for speech
ffmpeg -i meeting.m4a -ac 1 -ar 16000 -b:a 32k meeting.mp3

# Split into 30-minute parts without re-encoding
ffmpeg -i meeting.mp3 -f segment -segment_time 1800 -c copy part%02d.mp3

تبدیل صدای جلسه به متن در گیسو، قدم‌به‌قدم

فایل که آماده شد، این پنج قدم را بردارید:

1. ورود به ابزار. در اپ به صفحهٔ «تولید محتوا» بروید و ابزار «گفتار به متن» را انتخاب کنید.
2. انتخاب مدل. از فهرست مدل‌ها یکی را انتخاب کنید، مثلاً gemini-3.5-transcribe یا gpt-4o-transcribe؛ قیمت هر مدل در صفحهٔ همان مدل در کتابخانهٔ مدل‌ها آمده است.
3. تنظیم زبان. «زبان صوت» را روی «فارسی» بگذارید؛ با مشخص کردن زبان، مدل کمتر اشتباه می‌کند.
4. قالب خروجی و جدا کردن گوینده‌ها. اگر فقط متن گفته‌ها را می‌خواهید، «متن» را بگذارید. اگر می‌خواهید معلوم باشد هر جمله را کدام گوینده گفته، با gemini-3.5-transcribe کلید «جدا کردن گوینده‌ها» را روشن کنید؛ در قالب «متن» هر نوبت حرف در یک خط با برچسب گوینده می‌آید و در SRT و VTT هر زیرنویس برچسب خودش را دارد (بخش «چه کسی چه گفت» را ببینید). قالب‌های «با زمان‌بندی»، SRT و VTT فقط برای gemini-3.5-transcribe و whisper-1 هست؛ مدل‌های GPT Transcribe فقط متن ساده می‌دهند.
5. پردازش. فایل صوتی خود را انتخاب کنید و دکمهٔ اجرا را بزنید. هزینه از اعتبار شما کم می‌شود و مبلغ دقیقش روی کارت نتیجه می‌آید.

پس از پردازش، متن روی صفحه می‌آید و در فهرست اجراهای اخیر همان ابزار هم می‌ماند؛ خود فایل صوتی نگه داشته نمی‌شود، پس متن را همان موقع کپی کنید. صفحهٔ تبدیل صدا به متن گیسو مدل‌ها و قالب‌های خروجی را کامل‌تر توضیح می‌دهد. جدول زیر هزینهٔ امروز را به سکه نشان می‌دهد؛ ردیف «گفتار به متن» آن، هزینهٔ هر دقیقه صدا در مدل‌هایی است که دقیقه‌ای حساب می‌شوند:

یک نمونهٔ واقعی؛ خروجی پیاده کردن صدا

برای این آزمایش یک جلسهٔ کاری ۵۰ ثانیه‌ای میان دو همکار ساختیم: متن گفت‌وگو را نوشتیم و مدل gemini-3.8-flash-tts آن را با دو صدا خواند تا صدا تمیز باشد. سپس این فایل را با همان تنظیم‌های ابزار «گفتار به متن» به مدل gemini-3.5-transcribe دادیم: زبان فارسی، قالب «متن»، و «جدا کردن گوینده‌ها» را خاموش گذاشتیم. نتیجه را عیناً در کادر زیر می‌بینید:

کلمه‌ها تقریباً همان‌هاست که گفته شد و شکل گفتاری‌شان مانده است («بیشترشون»، «در میارم»). پایان جمله‌ها و علامت‌های سؤال درست آمده، ولی همه‌چیز بی‌نقص نیست: ویرگول‌ها جا افتاده (بعد از «خب» و «امید»)، «سفارشم کجاست» بی‌گیومه آمده، و «تاخیر» و «سوال» بی‌همزه و «هفته پیش» و «جلسه بعد» بی‌«ـهٔ» نوشته شده‌اند. این‌ها را پیش از استفاده درست کنید.

نکتهٔ مهم‌تر این است که متن یکپارچه آمده و معلوم نیست هر جمله را چه کسی گفته، چون کلید «جدا کردن گوینده‌ها» خاموش بود. کلمه‌هایی مثل «خودم» در این متن بلاتکلیف هستند و می‌توانند به هر کدام از دو فرد حاضر در اتاق اشاره کنند. در نظر داشته باشید که این یک نمونهٔ آزمایشگاهی تمیز بود؛ صدای اتاق کنفرانسِ واقعی شلوغ‌تر است، اکو دارد و احتمالاً با خطاهای تشخیص کلمهٔ بیشتری همراه خواهد بود. پس متن خروجی را همیشه یک بار سریع بخوانید.

استخراج وظایف و نوشتن صورتجلسه از روی متن خام

حالا باید این محتوای خام و یکپارچه را به یک صورتجلسهٔ ساختاریافته تبدیل کنیم. برای این کار، متن به‌دست‌آمده از آزمایش اول را با دمای ۰٫۲ (همان «دقیق» در «سبک پاسخ») به مدل gemini-3.8-flash دادیم؛ همین کار را در چت با هوش مصنوعی گیسو می‌کنید. از آنجا که نام گویندگان مشخص نبود، در پرامپت نوشتیم که مریم و امید حاضران جلسه بوده‌اند و از مدل خواستیم کارها را در قالب یک جدول منظم کند. پرامپت ما و خروجی مدل را در دو کادر زیر می‌بینید:

مدل متنی دو تصمیم و سه کار بعدی را با مسئول و مهلت هر کدام درست از متن بیرون کشید و پرسش بازِ جلسه را هم در بخش آخر آورد.

مدل کار تماس با شرکت پیک را به مریم و نوشتن متن آماده برای «سفارشم کجاست» را به امید سپرد. این درست بود، ولی متن خام نشان نمی‌داد هر جمله را چه کسی گفته؛ مدل احتمالاً از ترتیب جمله‌ها حدس زده است (مثلاً «خودم» درست بعد از حرف مدیر). در یک جلسهٔ یک‌ساعته با پنج نفر حاضر، این نوع حدس زدن‌ها می‌تواند گاهی اشتباه از آب دربیاید. به همین دلیل، پیش از ارسال صورتجلسه، نام مسئول هر کار را خودتان یک بار بررسی کنید.

چه کسی چه گفت؛ جدا کردن گوینده‌ها

در «گفتار به متن» گیسو، مدل gemini-3.5-transcribe کلید «جدا کردن گوینده‌ها» دارد و تا ۸ گوینده را از هم جدا می‌کند. برچسب‌ها اسم نیستند، شماره‌اند (مثل spk:0 و spk:1)؛ این‌که هر شماره کیست را خودتان از متن می‌فهمید. همان فایل جلسهٔ نمونه را یک بار دیگر به همین مدل دادیم، این بار با کلید روشن و همان قالب «متن»:

هر هشت نوبت حرف به گویندهٔ درست رسیده است: spk:0 همان مریم است و spk:1 امید. خطاها اما کم نیست. در این حالت مدل بعضی واژه‌ها را نوشتاری کرده («بگویید»، «نیامد»، «را»، «درمی‌آورم») و بعضی را گفتاری نگه داشته («بیشترشون»، «باهاشون»، «منم»)؛ یعنی متن نه گفتاری یکدست است نه نوشتاری. یک خطای شنیداری هم دارد («سفارش هم کجاست» به‌جای «سفارشم کجاست»)، «یه» پیش از «متن آماده» جا افتاده و در نوبت هفتم علامت سؤال لاتین («?») آمده است. «تاخیر» و «سوال» هم مثل آزمایش اول بی‌همزه‌اند و گیومه‌ای در کار نیست. با «جست‌وجو و جایگزینی»، به‌جای [spk:0] و [spk:1] اسم آدم‌ها را بگذارید و بعد متن را به پرامپت صورتجلسه بدهید.

اگر زیرنویس می‌خواهید، همین کلید با قالب SRT هم کار می‌کند و هر زیرنویس برچسب گویندهٔ خودش را دارد. همان فایل را با SRT هم گرفتیم:

1
00:00:00,200 --> 00:00:01,400
[spk:0] خب شروع کنیم.

2
00:00:02,400 --> 00:00:04,500
[spk:0] امید از ارسال‌های هفته پیش بگویید.

3
00:00:04,600 --> 00:00:05,900
[spk:0] چند تا سفارش دیر رسید؟

4
00:00:06,500 --> 00:00:08,200
[spk:1] هفت تا سفارش تهران دیر رسید.

5
00:00:08,400 --> 00:00:09,600
[spk:1] بیشترشون دو روز.

6
00:00:09,900 --> 00:00:11,500
[spk:1] سه نفر هم توی دایرکت پیگیری کردن.

7
00:00:12,300 --> 00:00:13,200
[spk:0] دلیلش چی بود؟

8
00:00:13,300 --> 00:00:14,400
[spk:0] پیک یا بسته‌بندی؟

9
00:00:15,000 --> 00:00:15,400
[spk:1] پیک.

10
00:00:15,800 --> 00:00:18,200
[spk:1] شرکت پیک دو بار نیامد بسته‌ها را ببرد.

11
00:00:18,300 --> 00:00:19,700
[spk:1] بسته‌بندی سر وقت آماده بود.

12
00:00:20,400 --> 00:00:24,000
[spk:0] پس از هفته بعد سفارش‌های تهران را با شرکت پیک دوم می‌فرستیم.

13
00:00:24,400 --> 00:00:27,400
[spk:0] شنبه خودم باهاشون تماس می‌گیرم و قرارداد را نهایی می‌کنم.

14
00:00:27,800 --> 00:00:28,200
[spk:1] باشه.

15
00:00:28,700 --> 00:00:33,700
[spk:1] منم تا پنجشنبه متن آماده برای جواب سفارش هم کجاست می‌نویسم که

16
00:00:33,700 --> 00:00:35,900
[spk:1] همه همکارهای پشتیبانی یه جور جواب بدهند.

17
00:00:36,700 --> 00:00:37,100
[spk:0] خوبه.

18
00:00:37,500 --> 00:00:39,300
[spk:0] یه سوال هم می‌مونه برای جلسه بعد.

19
00:00:40,000 --> 00:00:43,800
[spk:0] برای سفارش‌هایی که دیر رسیدن جبرانی در نظر بگیریم یا نه?

20
00:00:44,000 --> 00:00:45,200
[spk:0] فعلاً تصمیمی نمی‌گیریم.

21
00:00:46,000 --> 00:00:46,500
[spk:1] موافقم.

22
00:00:46,900 --> 00:00:50,000
[spk:1] تا اون موقع تعداد دقیق تاخیرهای این ماه را درمی‌آورم.

هر ۲۲ زیرنویس به گویندهٔ درست رسیده و زمان‌بندی‌ها برای زیرنویس ویدیو کافی است؛ همان خطاهای متن بالا این‌جا هم هست، و در زیرنویس ۱۹ علامت سؤال لاتین آمده است.

اگر کلید را روشن نکرده‌اید یا مدل دیگری را به کار برده‌اید، سه راه دیگر هم هست:

راه اول: نام و سمت حاضران را در دستور سیستمی (System Prompt) یا در خود پرامپت بنویسید تا مدل بداند حرف‌های چه کسانی را مرتب می‌کند. راه دوم: عادت جلسه را عوض کنید؛ از اعضای تیم بخواهید پیش از اعلام یک تصمیم مهم، نام خودشان را بگویند (مثلاً: «من، علی، این گزارش را تا سه‌شنبه آماده می‌کنم»). راه سوم: در پرامپت صورتجلسه بنویسید «اگر نام مسئول کاری روشن نیست، در جدول نامشخص بنویسید و حدس نزنید.» این جمله احتمال سپردن کار به آدم اشتباه را کم می‌کند.

یادداشت‌های صوتی کوتاه و دیکته کردن بعد از جلسه

گاهی لازم نیست کل جلسه را ضبط کنید و فقط می‌خواهید تصمیم‌های نهایی را زود بنویسید. با دکمهٔ میکروفون چت تا پنج دقیقه پیوسته حرف بزنید. صدای شما به متن تبدیل شده و در کادر پیام می‌نشیند. این برای گفتن یک خلاصهٔ فوری درست بعد از جلسه به کار می‌آید.

اگر همکارانتان در پیام‌رسان کار را با پیام صوتی می‌سپارند، می‌توانید آن فایل را در گوشی خود ذخیره کرده و در ابزار «گفتار به متن» بارگذاری کنید تا متن آن را داشته باشید.

حریم خصوصی و ملاحظات مهم در ضبط جلسه‌های کاری

پیش از روشن کردن دستگاه ضبط، حتماً به همهٔ حاضران در اتاق اطلاع دهید که صدای این جلسه برای پیاده کردن متن و نوشتن صورتجلسه ضبط می‌شود. جلسه‌ای را که در آن اطلاعات حساس مالی یا اسرار تجاری گفته می‌شود ضبط نکنید و صورتجلسه‌اش را دستی بنویسید.

گیسو خود فایل صوتی جلسه را پس از تبدیل نگه نمی‌دارد، ولی فایل برای تبدیل به سرویس‌دهندهٔ همان مدل (Google یا OpenAI) می‌رود و سیاست نگه‌داری داده‌های خود او برقرار است. متنی که می‌گیرید در فهرست اجراهای اخیر ابزار «گفتار به متن» می‌ماند. اگر متن به کارتان می‌آید، آن را همان موقع جای امنی ذخیره کنید.

در جلسهٔ کاری بعدی، یک گوشی را وسط میز بگذارید، ضبط را با نام بردن از حاضران شروع کنید و در پایان بیرون کشیدن کارها را به مدل متنی بسپارید. سعی کنید صورتجلسه را در همان روز برای همکاران بفرستید تا کارها و مهلت‌ها در ذهن همه تازه بمانند.