我們每週有三場會，每場一到兩個小時，全部有錄音。

錄音檔就躺在雲端硬碟裡，沒有人再打開過。

那我們從最麻煩的那一段開始：兩個小時的檔案，先讓它變成模型吃得下的東西。

錄音檔有兩個小時，能處理嗎？

可以，但不是直接丟進去——長檔案要先拆。

為什麼不能直接丟？我看那些服務都寫「支援長音檔」。

兩小時的檔案直接送進轉錄服務，最常見的結果有三種：報錯、逾時、或者跑完才發現後半段被截掉。第三種最麻煩，因為它不會報錯，你要自己讀到最後才會發現。所以我們在送出去之前先做四件事——這四件事全部是決定性程式碼，沒有模型參與。

這四件事聽起來不難啊。

不難，但每個做語音產品的團隊都會踩一遍：切段邊界切在句子中間、聲道沒統一導致某些檔案辨識品質莫名其妙地差、段落合併時順序錯亂。我們已經踩完並寫成程式碼了。 你買的其實是這個。

那些數字是寫死的嗎？我們的會議室設備比較舊。

是預設值，可依部署調整。現行實作的實際值是這五個。

我們開會中間有一大段沒人講話，等大家看資料。那段也要算錢嗎？

沒人講話的段落，可以在送出去之前就切掉。

會議錄音裡有大量的空白——等人到齊、看投影片、傳文件、中場休息。按時長計費的服務不會替你分辨這件事，它照算。我們在管線前面掛一層語音活動偵測（VAD），只把有人聲的區段送出去。它不是機器學習模型，是一個很小的訊號處理器，只有三個參數。

為什麼要兩個時間參數？一個音量門檻不就好了。

因為單靠音量門檻會抖。講話中的自然停頓、換氣、咳嗽都會讓音量瞬間掉到門檻以下——沒有遲滯（hysteresis），一段話會被切成幾十個碎片。300ms 進、800ms 出這組非對稱門檻讓它進得快、出得慢，符合人講話的實際節奏。

這一層是掛在哪裡？我們之後可能想做即時的。

這個模組刻意寫成純邏輯——不擁有音訊環境、不碰前端狀態、不用計時器，只吃音框、吐狀態。所以它可以接在瀏覽器即時串流後面，也可以接在離線音檔管線前面，而且有單元測試。即時那一端的技術層我們有，但還沒包成產品——這條我記在後面一起講，等一下講「現在做不到什麼」的時候會再出現一次。

那我這樣可以省多少？

我們開會講話有台語混國語，有時候夾幾個英文專有名詞。這樣行嗎？

這一題我們的答案是——要先跑一次才知道，而且不是我們決定的。

不是你們決定的？那是誰決定的？

轉錄由外部的語音模型執行。混語表現取決於那個模型，不取決於我們的管線。我們沒有針對台語混國語做過任何量測，所以有三件事我要先講。

那如果跑完結果不能接受呢？就沒救了？

有三個方向。一、換轉錄模型——管線與模型是分開的，可換。二、在管線裡加詞彙表，把專有名詞與人名餵進去。三、接受逐字稿有誤但摘要層仍可用。第三種比想像中常見，因為結構化欄位抽取對零星誤字有相當的容忍度。

……你們業務不太像業務。

一個會在自家 Landing Page 上寫「這個我們沒測過」的供應商，比一個什麼都說可以的供應商省你更多時間。省下來的是你之後要花在返工上的那幾週。

老實說，我要的不是逐字稿。我要的是待辦事項。

逐字稿是中間產物。最後要的是可以填進系統的欄位。

三萬字的逐字稿沒有人會讀。真正有用的是從裡面抽出來的那幾行，而且要能直接進你的專案管理工具或 CRM，不是再貼一次。

那現在拿得到的是哪幾行？

在摘要之上抽一層固定欄位。會議場景的典型四欄是這四個。

我們不是開會，是做客服錄音品管。欄位完全不一樣。

欄位是可以換的。同一條管線換一組欄位定義，就從「會議記錄」變成「銷售訪談分析」（客戶痛點、預算、決策者、下一步）或「客服品管」（問題類型、處理結果、情緒轉折點、是否需回訪）。換欄位不用改管線。

兩個小時的會，一次丟給模型摘要，它讀得完嗎？

讀不完——內容超出視窗，細節會被平均掉。正確的做法是分層：逐段摘要 → 段落摘要再匯總 → 產出全場摘要，同時保留「摘要」與「原文索引」兩軌，讓每一條結論都能跳回它在錄音裡的位置。但這一段我必須把話說清楚——

等一下——那摘要跟欄位到底是誰做的？

由模型執行，而且 prompt 與 workflow 本體不在我們交付的程式碼裡，它們跑在一套獨立部署的 workflow 服務上。我們交付的是音訊前處理、串接、輪詢、把結果接回你的系統，以及欄位定義的設計。等一下我把現在做不到的事一條一條念完，這條分界你會再看到一次——我不想讓你以為那個模型是我們的。

那如果是需求訪談，可以直接變成報價單嗎？

方法論已經成形。產品還沒做出來。

這是我們自己最想做的一條線，所以先講清楚它現在在哪個階段：它是一份完整的系統架構文件，不是一套可以交付的產品。 架構圖畫完了、每個環節的技術選擇都想過了、資料流向定義了——但程式碼是零。

那你架構圖畫的是什麼？給我看一下。

五格，每一格都要標「規劃」——因為五格都還沒寫。

既然一行都沒寫，為什麼還要放在頁面上？

因為它的最前端是現成的——前面談的長音檔分段管線、VAD 靜音偵測，以及把外部 workflow 產出的欄位接回你的系統，這三段都已有實作。中段（分層匯總與雙軌索引）和兩端（會議來源接入、需求清單 → 報價單）都是零。 我把它放上來，是想找一個需求正好落在這條線上的人一起開發，不是想賣一個做完的東西。

也就是說今天談不成。

這條線談不成。前面那三段談得成。把只有文件的東西講成做完了，是這個產業最常見的謊——我們不做這件事，所以我寧可在這裡少賣一項。

我們的錄音會外流嗎？會被拿去訓練嗎？

可以承諾的寫在這裡。不能承諾的，我們寫「要逐案確認」。

這種問題我通常只會拿到「絕不外流」四個字。

那四個字沒有意義，因為它沒有指明是哪一段、由誰保證。所以我把它拆成兩欄——左邊是我現在就能說死的，右邊是要在合約裡填答案的。

右邊那一欄是不是就是「我們也不知道」？

是「還沒決定，而且該由你決定」。資料處理位置是一個合約條款，不是一句行銷詞。 右欄那四格會在導入時一格一格填上，填完寫進合約——不填就不上線。

有沒有一份文件可以給我們資安看？

有完整的資料流向說明文件，在下面的表單勾「需要資料處理說明」就會一起寄過去。

在我回去跟老闆講之前——你們現在做不到的，一次講完。

好。我一條一條念，一條都不跳過。

這幾條會變嗎？

會隨著實作進度更新。但順序是固定的：先做完，再改這一頁。 任何一條被解掉之前，這一頁不會先改。

我老闆會問，那你們到底做得到什麼。

三件事：把兩小時的音檔整理成模型吃得下的形狀、把沒人講話的段落在計費前切掉、把外部 workflow 吐回來的欄位接進你的系統。這三件事今天就能交付，其餘的都在上面那張表裡。

最快的驗證方式——拿一場你最不想再聽第二遍的錄音給我們。

要先簽什麼嗎？

不用先簽約、不用先定規格。挑一場實際的錄音——最好是最長的那一場，或者混語最嚴重的那一場——我們跑一次，一起看結果。你會知道逐字稿的品質、欄位抽出來像不像樣，以及這件事值不值得往下做。

那我把檔案寄去哪裡？

先填下面，我們回信告訴你怎麼給檔案。

〔錄音結束〕