ไอเดีย #81: ระบบสรุปประชุมจากไฟล์เสียง

ประชุมชั่วโมงครึ่ง จบแล้วทุกคนแยกย้าย สามวันต่อมาไม่มีใครจำได้ว่าใครรับปากจะทำอะไร เลขาที่ต้องเขียนรายงานการประชุมก็ต้องนั่งฟังเสียงย้อนหลังทั้งคืน ไอเดียนี้คือระบบที่รับไฟล์เสียงประชุม ถอดเป็นข้อความภาษาไทย แล้วช่วยร่างสรุปและรายการสิ่งที่ต้องทำ (action item) ให้คนตรวจแก้ก่อนส่งออก ใช้ได้ทั้งในบริษัท โรงเรียน หรือการประชุมของหน่วยงานท้องถิ่น

ใครจะใช้

• เลขานุการ/ผู้จดบันทึก — อัปโหลดไฟล์เสียง ตรวจแก้บทถอดความและสรุป ส่งออกรายงาน
• ผู้เข้าประชุม — อ่านสรุป ค้นหาประเด็น ดู action item ของตัวเอง
• หัวหน้า/ประธาน — อนุมัติสรุปก่อนเผยแพร่ ติดตามงานที่มอบหมาย

ฟีเจอร์ขั้นต่ำ (MVP)

• อัปโหลดไฟล์เสียง/วิดีโอ แปลงเป็นรูปแบบมาตรฐาน และตัดเป็นช่วงสั้น ๆ
• ถอดเสียงเป็นข้อความด้วยโมเดล speech-to-text พร้อม timestamp
• หน้าตรวจแก้บทถอดความ คลิกประโยคแล้วเล่นเสียงตรงช่วงนั้น
• สร้างร่างสรุปเป็นหัวข้อ: วาระ ประเด็นที่คุย มติ
• สกัด action item: งาน ผู้รับผิดชอบ กำหนดเสร็จ ให้คนยืนยันทีละรายการ
• ส่งออกเป็น Word/PDF ตามแบบฟอร์มรายงานการประชุม
• สถานะงาน: ร่าง → ตรวจแล้ว → เผยแพร่

ต่อยอดได้อีก

• แยกผู้พูด (speaker diarization) แล้วให้ผู้ใช้ตั้งชื่อ
• คลังคำศัพท์เฉพาะองค์กร เพื่อให้ถอดชื่อเฉพาะได้ถูกขึ้น
• ส่ง action item ไปเป็น task และเตือนทาง LINE เมื่อใกล้กำหนด
• ค้นหาข้ามการประชุมทั้งหมด เช่น "เรื่องงบซ่อมถนนคุยไว้ครั้งไหน"

โครงข้อมูลตั้งต้น

• meeting — id, title, meeting_date, audio_path, duration_sec, status, created_by
• transcript_segment — id, meeting_id, start_ms, end_ms, speaker_label, text, edited
• meeting_summary — id, meeting_id, content, version, reviewed_by, reviewed_at
• action_item — id, meeting_id, description, assignee_id, due_date, confirmed, status
• processing_job — id, meeting_id, step, status, error, started_at, finished_at

ระดับความยาก และสิ่งที่จะได้เรียนรู้

ท้าทาย

• pipeline ประมวลผลไฟล์ใหญ่แบบ async ด้วย queue และแสดงความคืบหน้า
• ใช้ ffmpeg แปลงและตัดไฟล์เสียง
• ออกแบบ prompt ให้สรุปตามแบบฟอร์ม และสกัดข้อมูลเป็น JSON ที่ตรวจ schema ได้
• ทำ UI ตรวจแก้ข้อความที่ sync กับเครื่องเล่นเสียง

ข้อควรระวัง

• ต้องแจ้งผู้เข้าประชุมก่อนบันทึกเสียง และเสียงกับเนื้อหาประชุมถือเป็นข้อมูลส่วนบุคคล/ความลับองค์กร ต้องกำหนดอายุการเก็บไฟล์
• AI ถอดเสียงภาษาไทยผิดได้ง่าย โดยเฉพาะชื่อคน ตัวเลข และภาษาถิ่น สรุปก็อาจตกหล่นหรือแต่งเติม ต้องให้คนตรวจทุกครั้งก่อนเผยแพร่
• มติที่ประชุมที่เป็นทางการต้องผ่านการรับรองตามขั้นตอนเดิมขององค์กร ระบบเป็นแค่ผู้ช่วยร่าง

คนที่เคยลองถอดเสียงภาษาไทยด้วยโมเดลต่าง ๆ เจอปัญหาตรงไหนมากที่สุดครับ? และคิดว่าควรรันโมเดลถอดเสียงบนเซิร์ฟเวอร์ตัวเองเพื่อความเป็นส่วนตัว หรือเรียกบริการภายนอก มาคุยกัน ใครทำแล้วเอาตัวอย่างสรุปมาโชว์ในกระทู้ได้เลย