文字起こし、 オプション。

分離。文字起こしは録画料金にバンドルされるべきではないと考えます。一部のチームはすでにより高品質な出力のために Deepgram や Gladia に支払っており、トランスクリプトを無視するために隠れた $0.15/時を強制するのは侮辱になります。だから 2 つのパスを出荷し、ボットごとに選んでもらいます。新規アカウントのデフォルトは「文字起こしなし」です。最も安い API 呼び出しは行わない呼び出しだからです。

BYOK はプロバイダのキーを meetbot アカウントに保存することを意味します。録画完了時 (またはライブ、WebSocket 経由) で音声をそのプロバイダの API 経由でルーティングし、結果をボットの webhook で返します。トランスクリプトの内容はルーティングに必要な分以上見ません。ホスト型 Whisper は Hetzner GPU マシン (RTX 4090) で動作し、約 20 の同時リアルタイムストリームを処理し、ミーティング途中の言語切り替えをサポートします。話者タグはボットの既存の話者ごと音声マッピングの上に乗ります — 我々はすでに誰が何を言ったかを知っており、トランスクリプトはそれを継承します。

Async でも realtime でも、選んでください。Async はミーティング終了後の 1 回の POST。Realtime は wss://api.meetbot.dev/v1/transcripts/:bot_id で WebSocket を開き、produce されるごとに partial + 確定発話をストリームします。両モードとも、今日字幕に使っているのと同じ speaker-id タグ付き JSONL 形を返すので、下流コンシューマで字幕をトランスクリプトに 1 行で交換できます。