Функции ИИ в плане Ultra: сводки, протоколы и посты для соцсетей с локальной open-source-моделью

Транскрипция редко становится концом работы. После встречи приходит протокол. После интервью — сводка. После воркшопа — список задач. А после подкаста — пост в соцсетях, который на него ссылается. Всё это шаги, которые прекрасно поддаются автоматизации с помощью языковой модели – при условии, что вы готовы передать готовую транскрипцию для этого внешнему сервису.

И именно в этот момент большинство пользователей, заботящихся о приватности, отступают. Ведь транскрипцию, которая ранее была обработана с помощью шифрования на стороне клиента, не стоит на следующем шаге отправлять в OpenAI, Anthropic или Google. Поэтому scryp предлагает ИИ-анализ иначе: он работает на тех же GPU-воркерах, что и транскрипция, в той же изолированной среде, с использованием локальной open-source-модели. Эта функция доступна в плане Ultra.

Разница: локальная LLM вместо облачного API

ИИ-анализ в scryp работает на локальной open-source-языковой модели, запущенной на наших собственных GPU-воркерах в ЕС. Нет никакого вызова OpenAI, Anthropic, Google или другого внешнего ИИ-сервиса. У модели нет доступа к интернету, и она не может передавать данные наружу – даже технически.

Большинство ИИ-функций в инструментах транскрипции работают по простой схеме: готовая транскрипция передаётся в API – обычно поставщику из США, такому как OpenAI или Anthropic – и ответ отправляется обратно пользователю. Это быстро внедряется, но с точки зрения защиты данных это нарушение: данные, которые вы только что тщательно зашифровали, оказываются в открытом виде у сторонней компании за пределами ЕС.

scryp выбирает другой подход. Для ИИ-анализа мы используем языковую модель с открытым исходным кодом, которую размещаем сами. Она работает на тех же GPU-воркерах, что выполняют и транскрипцию, в тех же европейских ЦОД Hetzner. Конкретно это означает:

• Никакого внешнего вызова API. Ни OpenAI, ни Anthropic, ни Google не видят вашу транскрипцию. Нет никакого договора с поставщиком LLM из США, потому что технически он не нужен.
• Никакого доступа модели к интернету. У контейнера, в котором работает языковая модель, есть только входящее соединение с нашей внутренней очередью задач – не наоборот. Модель не может отправлять никакие запросы наружу.
• Никакого обучения модели на ваших данных.Open-source-модель статична. Мы не подстраиваем её под данные пользователей, не собираем промпты, и нет петли обратной связи, которая возвращала бы ваш контент в модель.
• Тот же правовой режим, что и у транскрипции. Обработка происходит в ЕС, на инфраструктуре европейского хостинга. Никакой передачи в третьи страны, никакого CLOUD Act.

Та же архитектура, что и у транскрипции

ИИ-анализ использует не только то же оборудование, что и сама транскрипция, но и ту же модель безопасности. Результаты сразу же заново шифруются вашим ключом, прежде чем покинуть среду воркера. Ни в какой момент они не лежат в открытом виде на диске или в базе данных – точно как транскрипции и аудиофайлы.

Поэтому ИИ-анализ не является новым вопросом доверия: он работает в рамках той же изолированной среды, которую мы уже используем для самой транскрипции.

Четыре типа анализа в плане Ultra

План Ultra сейчас предлагает четыре типа анализа. Каждый оптимизирован под конкретный сценарий использования, вместо того чтобы предлагать общую функцию “чата”. Результат — конкретный документ, готовый к использованию – а не общий вывод ИИ, который ещё нужно дорабатывать.

1. Сводка

Сводка сжимает транскрипцию до её основных утверждений. Она особенно хорошо подходит для длинных записей – часовых интервью, двухчасовых воркшопов, эпизодов подкастов – когда вам нужен быстрый обзор без чтения всей транскрипции.

Длину сводки можно задать ползунком от 100 до 2000 символов. Короткую для обзора в письме, длиннее для подробного управленческого резюме. Модель автоматически подстраивает плотность текста под нужную длину.

2. Протокол встречи

Протокол структурирует транскрипцию встречи по классическим разделам: участники, темы, пункты обсуждения, решения и открытые вопросы. В отличие от сводки, которая сжимает содержание в повествовательной форме, протокол следует фиксированной структуре – ровно такой, какую вы знаете по обычным протоколам встреч.

Эта функция хорошо подходит для протоколов встреч, документации повторяющихся jour fixe, обзоров проектов и везде, где нужна прослеживаемая, структурированная запись. Результат — документ, который можно использовать напрямую с небольшими правками.

3. Список задач

Список задач извлекает из встречи все to-do – вместе с ответственным лицом и, если упомянут, запланированным сроком. Модель целенаправленно ищет фразы вроде “Этим займётся Лиза”, “До пятницы нам нужно…” или “Даниэль, можешь этим заняться?” и превращает их в чёткие задачи к выполнению.

Это экономит шаг, который во многих командах никто не любит брать на себя: отслеживание открытых вопросов. Вместо того чтобы вручную прочёсывать транскрипцию в поисках обязательств, вы получаете готовый список, который можно перенести в свой инструмент управления проектами.

4. Пост для соцсетей

Из транскрипции вы можете сгенерировать пост для соцсетей для LinkedIn, Facebook или X (Twitter). Модель подбирает длину, тон и структуру, подходящие для платформы. Посты в LinkedIn обычно длиннее, содержательнее и сформулированы профессиональнее. Посты в X короткие, ёмкие и построены вокруг чёткого хука. Facebook находится посередине, с более личным тоном.

Это особенно полезно, когда вы и так позже опубликуете запись – доклад, интервью в подкасте, кейноут. Вместо того чтобы писать пост вручную по памяти, модель выдаёт готовый черновик на основе фраз, которые действительно прозвучали.

Что может open-source-модель – и где её границы

Мы намеренно не называем модель, которую используем. Причина: ландшафт ИИ развивается так быстро, что конкретный выбор через полгода может быть уже другим. Важен принцип: открытый исходный код, локальный запуск, никакого внешнего сервиса, обработка в ЕС. Этим свойствам мы привержены, даже если в итоге заменим модель на более современную.

Тем не менее вам стоит знать: локальные open-source-модели того размера, который работает на одном GPU, не находятся на том же абсолютном уровне качества, что крупнейшие облачные модели (класса GPT-4, Claude Opus). Для типичных задач анализа – сжатия, структурирования, переформулирования – они, однако, очень хорошо подходят. Разрыв в качестве к тому же значительно сократился за последние 18 месяцев, тогда как преимущество локальной модели в защите данных остаётся постоянным.

На практике это значит: если вы хотите свободно сформулированный, креативный текст, который звучит так, будто его написал опытный автор, вам стоит рассматривать вывод ИИ как отправную точку, а не как готовый текст. Для структурированных задач, таких как протоколы, списки задач или сводки, результат регулярно готов к немедленному использованию.

Что сохраняет результат – а что нет

Результат ИИ-анализа хранится в зашифрованном виде, ровно как и лежащая в его основе транскрипция. Никто вне вашей учётной записи не может его прочитать – ни наши сотрудники, ни кто-либо, кто получил бы физический доступ к базе данных. Промпты, которые мы используем внутренне для управления моделью, также не записываются вместе с вашим контентом.

Что мы сохраняем: что задача определённого типа (сводка, протокол, …) выполнялась, когда она выполнялась и сколько длилась обработка. Эти метаданные нужны нам для выставления счетов, диагностики ошибок и планирования мощностей. Содержания ваших транскрипций или результатов ИИ в этих логах нет.

Почему ИИ-анализ доступен только в плане Ultra

ИИ-анализ работает на тех же GPU, что и транскрипция. Длинная аналитическая задача может занять GPU на несколько минут; протокол или сводка занимают значительно меньше времени. Это дороже вызова API у облачного поставщика, но мы не передаём оборудование третьим сторонам.

Поэтому функция входит в план Ultra. Кто хочет активно ею пользоваться, получает необходимую аппаратную мощность – по предсказуемой месячной цене, вместо оплаты по токенам. Все подробности о планах вы найдёте на странице с ценами.

Итог

• Локальная open-source-модель: Работает на собственных GPU-воркерах scryp в ЕС. Никакого внешнего вызова API, никакого поставщика LLM из США.
• Изолированная среда: У модели нет доступа к интернету. Она не может отправлять данные наружу, потому что технически у неё нет для этого соединения.
• Та же модель безопасности, что и у транскрипции: Результаты хранятся в зашифрованном виде, а обработка идёт в той же изолированной среде.
• Никакого обучения на данных пользователей: Модель статична. Ваш контент не возвращается в модель.
• Четыре типа анализа: Сводка, протокол, список задач и пост для соцсетей (LinkedIn/Facebook/X) – каждый оптимизирован под конкретный сценарий использования.
• План Ultra: ИИ-анализ входит в план Ultra, потому что требуемое время GPU занимает реальную аппаратную мощность.

Заключение

Функция ИИ, которая затем отправляет вашу тщательно зашифрованную транскрипцию во внешний облачный сервис, имеет мало смысла с точки зрения защиты данных. Поэтому scryp так не делает. Сводка, протокол, список задач и пост для соцсетей создаются на той же системе воркеров, что выполняет и транскрипцию – в ЕС, на нашей собственной GPU-инфраструктуре, с локальной open-source-моделью, у которой нет окна во внешний мир. Это медленнее и дороже вызова API в OpenAI – но это единственный вариант, который вписывается в остальную архитектуру.