فناوری تبدیل گفتار به متن (transcription) یکی از کاربردی‌ترین قابلیت‌های عصر هوش مصنوعی است. دستیارهای هوشمند جلسه می‌توانند مکالمات را پیاده‌سازی کرده و خلاصه‌ای از نکات مهم ارائه دهند، اما بیشتر این سرویس‌ها هزینه‌بر هستند و نگرانی‌هایی درباره حریم خصوصی (privacy) ایجاد می‌کنند.
استفاده از سرویس‌های تجاری معمولاً به معنای بارگذاری فایل‌های صوتی روی سرورهای ابری است که برای پروژه‌های محرمانه مناسب نیست. علاوه بر این، ابزارهای موجود اغلب اشتراک ماهانه ۱۰ تا ۲۰ دلاری دارند.
برنامه Meetily با بهره‌گیری از مدل‌های کدباز (open-source)، زیرساختی رایگان و ساده برای پیاده‌سازی جلسات ارائه کرده است. نسخه عمومی و کدباز این نرم‌افزار به‌طور رایگان از GitHub قابل دریافت است و روی سیستم‌عامل‌های Windows و macOS اجرا می‌شود. کاربران Linux نیز می‌توانند آن را از سورس‌کد برنامه اجرا کنند. یک نسخه Pro با قیمت ۱۰ دلار در ماه نیز وجود دارد، اما نسخه رایگان نیازهای اصلی را برطرف می‌کند.
پس از نصب Meetily، نرم‌افزار مدل‌های هوش مصنوعی (AI models) لازم را دانلود می‌کند. برای عملکرد درست، باید دسترسی به میکروفون و صدای سیستم (system audio) به برنامه داده شود تا امکان ضبط تمام بخش‌های مکالمه فراهم شود.
کاربران می‌توانند هنگام تماس‌های تصویری در سرویس‌هایی مانند Zoom، Google Meet، Microsoft Teams یا هر ابزار دیگری، دکمه ضبط را فشار دهند. Meetily به ابزار خاصی محدود نیست و حتی برای جلسات حضوری نیز قابل استفاده است، به شرطی که میکروفون لپ‌تاپ توانایی دریافت صدای افراد حاضر در اتاق را داشته باشد.
در طول جلسه، روند پیاده‌سازی گفتار به‌صورت زنده قابل مشاهده است. پس از پایان جلسه و فشردن دکمه توقف، متن پیاده‌شده به همراه خلاصه تولیدشده توسط هوش مصنوعی ارائه می‌شود. همچنین امکان دادن دستورالعمل‌های خاص برای تمرکز روی نکات مشخص وجود دارد.
یک قابلیت آزمایشی (beta) نیز اجازه می‌دهد فایل‌های صوتی یا ویدئویی ضبط‌شده از قبل را وارد برنامه کرده و متن و خلاصه آن‌ها را دریافت کنید.
با این حال، نسخه رایگان Meetily محدودیت‌هایی دارد. مهم‌ترین محدودیت، عدم توانایی در شناسایی گویندگان (speaker labels) است؛ به این معنی که مشخص نیست چه کسی چه جمله‌ای را گفته است.
ابزارهای رایگان دیگری نیز در این زمینه وجود دارند. برای نمونه، noScribe ابزاری کاملاً رایگان است که قابلیت تشخیص گوینده را دارد، اما امکان ضبط زنده جلسات را ندارد و فقط فایل پردازش می‌کند. برنامه Anarlog (که پیش‌تر Hyprnote نام داشت) رابط کاربری (user interface) مدرن‌تری دارد اما راه‌اندازی آن کمی پیچیده‌تر است. ابزار Quill نیز پیاده‌سازی محلی رایگان ارائه می‌دهد اما نیازمند ساخت حساب کاربری است.
چرا این خبر مهم است؟
پردازش محلی جلسات، وابستگی به سرویس‌های ابری گران‌قیمت را کاهش می‌دهد و امنیت داده‌های حساس تجاری را تضمین می‌کند. توسعه ابزارهای کدباز رایگان نشان می‌دهد که فناوری‌های پیشرفته هوش مصنوعی به سمت عمومی‌شدن و دسترس‌پذیری بیشتر حرکت می‌کنند.
وضعیت کاربران ایرانی
از آنجا که Meetily مدل‌های هوش مصنوعی را به صورت محلی روی دستگاه کاربر اجرا می‌کند، برای استفاده از ویژگی‌های اصلی آن نیازی به تحریم‌شکن یا پرداخت ارزی نیست. کاربران ایرانی می‌توانند بدون نگرانی از مسدود شدن حساب یا نقض حریم خصوصی، از این ابزار روی Windows و macOS استفاده کنند.