La Pipeline in 3 passaggi: Come auraScribe elabora l'audio
auraScribe non elabora l'audio in un solo passaggio. Utilizza invece una pipeline in 3 passaggi attentamente orchestrata in cui ogni passaggio è ottimizzato per un'attività diversa. Questa architettura massimizza la qualità della trascrizione, riduce al minimo i costi dell'IA e consente un'analisi comportamentale profonda che differenzia auraScribe.
Passaggio 1 — Trascrizione
Il primo passaggio si concentra esclusivamente su velocità e precisione: trascrivere l'audio il più rapidamente possibile, con la diarizzazione dei parlanti (identificando chi ha detto cosa) ma nessuna analisi comportamentale.
Questo è l'unico passaggio che elabora l'audio originale. Se l'audio è più lungo di quanto l'IA possa elaborare in una richiesta, un ciclo di continuazione riprende automaticamente da dove si era interrotto, utilizzando l'ancoraggio del timestamp per andare avanti. Ogni parola viene elaborata — nessun troncamento, indipendentemente dalla lunghezza.
Il risultato: una trascrizione completa e con timestamp con etichette acustiche del parlante (Voce 1, Voce 2, ecc.).
Passaggio 1.5 — Identificazione dei parlanti
Un passaggio leggero basato solo su testo che legge la trascrizione e deduce nomi reali, qualifiche professionali, aziende e ruoli dal contesto conversazionale. Separando la diarizzazione acustica (Passaggio 1) dall'attribuzione del nome (Passaggio 1.5), il modello evita l'errore comune di confondere le etichette vocali con l'identità.
Passaggio 2 — Profilazione dei parlanti e analisi comportamentale
È qui che viene generato il principale fattore di differenziazione di auraScribe — Raw Audio Cues. Utilizzando una cache di contesto contenente sia l'audio che la trascrizione, il Passaggio 2 esegue tre attività contemporaneamente:
- Verifica della voce: Conta voci distinte, rileva relatori uniti o duplicati
- Identificazione del parlante: Verifica nomi, funzioni, ruoli e aziende
- Generazione Raw Audio Cues: L'esauriente registro comportamentale cronologico — micro-segnali, cambiamenti di tono, esitazioni, interruzioni, risate, schemi di coinvolgimento e dinamiche interpersonali
Questo è l'unico passaggio di analisi audio. L'architettura attenta ai costi significa che i token audio vengono utilizzati esattamente due volte: una per la trascrizione, una per l'analisi comportamentale.
Fase di revisione — Human-in-the-Loop
Prima di generare l'analisi finale, auraScribe si ferma per la revisione umana. Gli utenti possono modificare la trascrizione, correggere i nomi dei parlanti, scambiare o unire i parlanti e verificare attribuzioni incerte. Questo è l'unico passaggio in cui il giudizio umano supera l'IA — l'identificazione dei parlanti è il punto in cui i modelli inciampano frequentemente.
Passaggio 3 — Sintesi e analisi
Il passaggio finale utilizza solo testo — la trascrizione revisionata più i Raw Audio Cues — per generare l'analisi completa. Nessun ricaricamento audio, il che significa che questo passaggio è veloce ed economico.
L'output include: sintesi esecutiva, riepilogo strutturato, riepilogo comportamentale (dinamiche di gruppo), segnali di intenzione d'acquisto (quando rilevati) e osservazioni individuali per oratore con punti di coaching.
Perché tre passaggi?
I token audio sono costosi. Strutturando la pipeline come trascrivi → cache → analizza → sintetizza, auraScribe riduce al minimo i costi delle API multimodali massimizzando al tempo stesso la profondità delle informazioni. L'alternativa — fare tutto in un unico enorme prompt — sacrificherebbe i dettagli o l'efficienza dei costi.