Com funciona la transcripció automàtica: de la veu del client a una fitxa estructurada amb Whisper i models de llenguatge. El cas real de Moblio.
Un fuster surt de la primera visita amb el cap ple: mides, materials, un endoll que fa nosa, què vol exactament el client. Si té sort, ho apunta en una llibreta. Si no, ho reconstrueix de memòria al vespre. La tecnologia per estalviar-se això ja existeix, i és més senzilla del que sembla.
De l'àudio al text
El primer pas el fa un model de reconeixement de veu, com Whisper, d'OpenAI. La seva feina és una: convertir àudio en text. Li dones una gravació de vint minuts i et torna la conversa transcrita. El pas és el mateix que fa el dictat del mòbil, però amb una qualitat d'una altra lliga.
Funciona bé amb català i castellà barrejats, amb soroll de taller de fons i amb frases a mig fer. No és perfecte, però no li cal ser-ho. El text no és el resultat final: és la matèria primera del segon pas.
Del text a la fitxa
Aquí entra el model de llenguatge. Li passem la transcripció amb instruccions concretes: extreu les peces, els materials, les mides i les observacions, i estructura-ho en una fitxa.
D'una conversa desordenada («l'armari faria... posem-hi dos vint d'ample, i ella el volia lacat blanc però pressupostem també roure») en surt una fitxa ordenada: peça, material, mida, acabat. La clau és demanar-li poc i demanar-l'hi clar: no li deixem interpretar el projecte, només ordenar la informació.
El que abans era mitja hora de despatx ara són segons.
El cas Moblio
A Moblio això no és una demo: és el cor del producte. El fuster grava la primera visita amb el client i fa quatre fotos. Quan arriba al taller, la fitxa del projecte ja està feta, amb peces, materials i mides estructurats.
I la gràcia és el que ve després. Aquella fitxa alimenta la resta del cicle: les comunicacions automàtiques al client a cada canvi d'estat del projecte i, quan el moble està acabat, el contingut per a Instagram i el blog. Tot penja d'aquella primera conversa ben capturada.
Els límits, dits clarament
La transcripció no és infal·lible. Un «seixanta» pot acabar sent un «setanta» si la serra de cinta treballa de fons. Per això la fitxa que genera la IA és un esborrany bo, no una veritat absoluta: el professional la revisa i la confirma.
I no tot es diu en veu alta. Per això a Moblio la veu va acompanyada de fotos: entre la conversa i les imatges, la primera visita queda capturada sencera.
Trenta segons de revisió contra mitja hora de redacció. El tracte surt a compte.
La veu és la interfície més antiga que tenim i la que menys fem servir per treballar. Si al teu negoci la informació encara viatja de memòria, potser hi ha marge: l'avaluació de processos és gratuïta i serveix exactament per detectar-ho.
← Tots els articles del blog · Qui sóc · IA per a empreses a Lleida i Catalunya