RAG peste ședințe: ce se poate cita dintr-o transcriere

Cineva întreabă sistemul ce s-a stabilit despre termenul de livrare la un client anume. Răspunsul vine în trei secunde, cu citat: „ne încadrăm până pe 15, dacă primim datele până vineri” — vorbitorul 2, ședința de proiect din 12 martie, minutul 27.

Două lucruri sunt greșite și niciunul nu se vede în răspuns.

Primul: propoziția chiar s-a spus, dar nu a rămas așa. La minutul 41, în aceeași ședință, termenul s-a mutat pe 22. Sistemul a adus fragmentul cel mai apropiat de întrebare, nu ultimul lucru spus pe subiect.

Al doilea: numele produsului din citat nu e cel rostit. Modelul de transcriere l-a auzit greșit și l-a scris ca pe un cuvânt uzual. Citatul e fidel față de transcriere și fals față de înregistrare.

Ăsta e primul caz din cluster în care sursa nu e un document. Mecanismul RAG rămâne același — tai, indexezi, cauți, generezi — dar dispare lucrul pe care s-a sprijinit totul până acum: un artefact scris, stabil, cu o pagină la care poți trimite pe cineva.

Ce se schimbă când sursa e vorbită

Nu există pagină de citat

Într-un contract, citarea are o adresă naturală: document, versiune, articol, pagină. În baza de cunoștințe e titlul plus secțiunea. Cititorul deschide, vede fraza în context și decide singur ce înseamnă.

O transcriere nu are nimic din toate astea. Are un moment în timp, un vorbitor și o înregistrare-sursă. Ancora devine tripletul acesta, iar „deschide la locul citat” înseamnă altceva: nu derulezi o pagină, pornești redarea de la o secundă anume.

Diferența nu e cosmetică. Într-un document, textul este sursa. Într-o ședință, textul e un artefact derivat, produs de un model, iar sursa rămâne sunetul. Un sistem care tratează transcrierea ca pe original a pierdut deja posibilitatea de a verifica ceva.

Trei straturi între sunet și fragmentul indexat

Lanțul are mai multe puncte de rupere decât un pipeline pe documente.

Diarizarea decide unde începe o tură de vorbire și cui i se atribuie. Când doi oameni vorbesc peste, granițele se rup și replicile ajung la persoana nedreaptă.

Transcrierea produce textul, cu erori care nu sunt distribuite uniform — revin mai jos.

Segmentarea în chunk-uri taie textul pentru index. Tai pe lungime fixă și rupi întrebarea de răspuns, adică exact perechea care dă sens replicii.

Fiecare strat moștenește erorile celui de dinainte. Un cuvânt transcris greșit rămâne greșit în index, în rezultat și în citat, fără niciun semnal că a fost vreodată altfel.

Cum se raportează la restul clusterului

Ultima linie e cea care schimbă arhitectura. Peste feedbackul clienților problema era agregarea: opt fragmente nu sunt un eșantion. Aici problema e inversă și punctuală: un singur fragment, citat exact, poate fi complet înșelător ca fapt. Nu reiau agregarea; aici nimeni nu numără nimic.

Cel mai apropiat caz ca structură e corespondența scrisă, unde ancora e sigură, dar firul se auto-duplică prin citate citate înapoi și atribuie propoziția persoanei greșite — tratat separat în RAG peste e-mail.

Gate-ul e juridic, nu tehnic

Ordinea contează. La celelalte cazuri din cluster puteai construi un prototip și rezolvai conformitatea la scalare. Aici nu ai voie să indexezi până nu știi pe ce temei ai înregistrat.

Temeiul de prelucrare precede indexarea

O înregistrare a unei ședințe conține date personale ale tuturor participanților, iar transcrierea le multiplică într-o formă căutabilă. Regimul general — temei, informare, minimizare, categorii speciale de date — e cel din RAG și GDPR și nu-l reiau.

Ce e specific aici: temeiul diferă pe tipuri de înregistrare, iar diferența se propagă în arhitectură. Un apel de suport înregistrat pe baza unei obligații sectoriale, o ședință internă înregistrată pentru cine a lipsit și un apel comercial cu un client extern nu stau pe același temei și nu suportă aceleași durate de păstrare. Dacă le arunci pe toate în același index, ai luat implicit regimul cel mai permisiv pentru toate.

Plafonul de 30 de zile

Legea nr. 190/2018, care pune GDPR în aplicare în România, tratează separat monitorizarea la locul de muncă. Articolul 5 spune că, atunci când angajatorul folosește sisteme de monitorizare prin mijloace de comunicații electronice sau supraveghere video, prelucrarea datelor angajaților pe temeiul interesului legitim e permisă doar dacă sunt îndeplinite cumulativ cinci condiții: interesul legitim e temeinic justificat și prevalează, angajații au fost informați prealabil complet și explicit, sindicatul sau reprezentanții au fost consultați înainte de introducerea sistemelor, alte forme mai puțin intruzive nu și-au dovedit anterior eficiența, iar durata de stocare e proporțională cu scopul și nu mai mare de 30 de zile, cu excepția situațiilor temeinic justificate sau când legea permite o perioadă mai lungă.

Citește ultima condiție încă o dată, cu ideea de index în minte. Un sistem de căutare peste ședințele companiei presupune, prin definiție, o memorie lungă — valoarea lui vine tocmai din faptul că răspunde la întrebări despre discuții vechi. Pe ruta interesului legitim, memoria lungă e excepția care trebuie justificată, nu regula.

Asta nu înseamnă că nu poți construi nimic. Înseamnă că trebuie să știi, pentru fiecare sursă, pe ce rută ești și ce durată suportă — înainte de a scrie prima linie de cod de ingestie. Iar consultarea prealabilă a reprezentanților angajaților nu e o formalitate care se rezolvă cu un e-mail după lansare.

Ce e altceva: înregistrarea făcută de un participant

O confuzie frecventă merită tăiată. Prin Decizia nr. 39/2024, pronunțată pe 16 septembrie 2024, Înalta Curte de Casație și Justiție a stabilit că proba cu înregistrarea unei convorbiri telefonice între un salariat și un alt salariat sau reprezentant al angajatorului, cerută într-un litigiu împotriva angajatorului, e admisibilă chiar dacă înregistrarea s-a făcut fără acordul și fără informarea prealabilă a interlocutorului, cu condiția asigurării unui just echilibru între dreptul la probă și dreptul la viață privată.

E o dezlegare despre admisibilitatea unei probe într-un proces, nu o permisiune de a înregistra și indexa sistematic. Un participant care înregistrează ca să-și susțină o cauză și o companie care construiește un corpus permanent din toate ședințele sunt două situații complet diferite, iar a doua nu se sprijină pe prima.

Consecințe de arhitectură

Trei, și toate se implementează la ingestie, nu la retrieval.

Excludere implicită, includere explicită. O ședință intră în index doar dacă tipul ei e pe o listă aprobată. Discuțiile de evaluare, cele de disciplină și cele cu reprezentanții angajaților nu ajung niciodată acolo.

Retenție per tip de sursă, cu ștergere reală. Expirarea scoate obiectul din index, din baza vectorială și din stocarea audio deopotrivă — mecanica e cea din prospețime, ștergeri și reindexare.

Permisiunile se moștenesc de la ședință, nu de la corpus. Modelul de control al accesului e același, dar unitatea de permisiune devine înregistrarea, iar filtrarea se face înainte ca modelul să vadă ceva.

Transcrierea greșește exact cuvintele pe care le cauți

Ce arată evaluările cu set public pe română

Ungureanu și Dascalu publică în Applied Sciences (2026) o evaluare deschisă a modelelor moderne de recunoaștere a vorbirii pe română, cu seturi de test publice, decodare identică și aceeași normalizare pentru toate rulările. Cifrele lor: un Conformer antrenat pe Echo plus corpusul CRoWL ajunge la 3,01% WER pe setul consolidat, iar wav2vec 2.0 la 4,17%. Ca baseline, în tabelul lor Whisper small dă 35,0% pe setul de test Echo, iar Whisper large-v3 dă 7,6%.

Trei precizări înainte să transferi vreo cifră.

Echo e descris de autori ca vorbire citită, înregistrată în condiții de amator, iar CRoWL e vorbire parlamentară. Nici unul nu e o ședință de firmă cu patru oameni care se întrerup. Al doilea: WER-ul depinde masiv de normalizare și de decodare, iar autorii insistă pe asta tocmai fiindcă rezultatele din literatură nu sunt comparabile între ele. Al treilea: în același articol, secțiunea de discuție citează pentru Whisper large-v3 pe Echo o valoare mult diferită de cea din tabelul de baseline. Nu am de unde să reconciliez cele două, așa că nu construiesc pe niciuna — le folosesc doar ca ordin de mărime, iar tu măsori pe audio-ul tău.

Eroarea e corelată cu interogarea, nu aleatorie

Partea utilă din articolul citat nu e procentul, ci analiza calitativă. La revizuirea manuală a transcrierilor, autorii identifică drept surse frecvente de eroare: numele proprii și cuvintele străine, expresiile numerice și abrevierile, diacriticele în cuvinte rare și în nume, disfluențele și cuvintele parțiale din vorbirea spontană, plus terminologia specifică unui domeniu.

Uită-te la listă și apoi la ce caută oamenii într-o arhivă de ședințe. Numele unui client. Un cod de produs. O cifră. Un termen intern. Suprapunerea e aproape totală.

Consecința e neplăcută și rar spusă: un WER global mic nu îți garantează nimic despre exact cuvintele care poartă informația. Problema e recunoscută de mult în cercetare — metricile construite pe entități numite corelează mai bine cu performanța sarcinilor din aval decât WER-ul brut. Autorii articolului pe română își trec explicit la limitări faptul că nu au cuantificat categoriile de eroare pe numere, entități și diacritice.

Pentru un sistem de citare, asta răstoarnă ordinea de măsurare. Nu întrebi cât de bună e transcrierea în general. Întrebi cât de des scrie corect cele două sute de cuvinte care contează la tine.

Textul care nu s-a spus niciodată

Există un mod de eșec mai grav decât un cuvânt greșit. Aceiași autori descriu, ca motiv pentru care nu au ales Whisper ca bază, problema cunoscută a halucinațiilor: modelul poate produce un fragment de transcriere fără legătură cu audio-ul.

Într-un rezumat, o propoziție inventată se pierde în masă. Într-un citat prezentat ca verbatim, cu vorbitor și minut, devine o afirmație atribuită cuiva care nu a rostit-o — iar riscul nu mai e al sistemului, ci al companiei care l-a pus în funcțiune.

Regula care rezultă: niciun citat nu pleacă fără posibilitatea de a asculta sursa la un click, iar sistemul nu prezintă transcrierea ca fiind ce s-a spus, ci ce a înțeles modelul.

Ce faci concret

Patru intervenții, în ordinea raportului dintre efect și efort.

Lexicon de entități interne. Nume de clienți, coduri de produs, denumiri de proiecte, acronime. Îl dai modelului ca context de biasare și îl folosești la corecție după transcriere. Corecția asistată de retrieval peste un index de entități e documentată public, cu reduceri relative de eroare raportate în zona 33-39% pe entități rare din seturi sintetice — cifra nu se transferă la tine, direcția da.

Marcarea încrederii, la nivel de cuvânt. Segmentele sub prag apar vizibil incerte în citat. Unul care arată unde a ezitat modelul e mai util decât unul care pare perfect.

Nicio cifră direct din transcriere. Sumele, cantitățile și datele calendaristice se confruntă cu sistemul de evidență. Dacă nu există confruntare, sistemul spune că a auzit o cifră, nu că cifra e aceea.

Segmentare pe tură de vorbire. Unitatea naturală e replica, eventual grupată cu întrebarea care a provocat-o, nu un bloc de lungime fixă. Restul principiilor de segmentare a documentelor se aplică, dar granița se ia de la structura dialogului.

Ancora: minut, vorbitor, înregistrare

Ce intră în ancoră

Fragmentul de text singur nu e o citare. Ancora completă are: identificatorul înregistrării, momentul de start și de final, vorbitorul, tipul ședinței, data și versiunea modelului de transcriere.

Ultimul câmp pare exagerat până la prima reprocesare. Când reindexezi arhiva cu un model mai bun, textul se schimbă, iar citatele din răspunsurile vechi nu se mai potrivesc cu transcrierea curentă. Fără versiune, nu poți explica de ce.

Principiile generale de citare cu ancoră și de grounding sunt în cum reduce RAG halucinațiile; ce se adaugă aici e că ancora trimite spre un obiect care se poate reasculta, nu spre un text care se poate reciti.

Redarea de la secundă e funcționalitate, nu bonus

Un citat fără buton de redare e o afirmație pe cuvântul modelului. Cu redare, verificarea durează cincisprezece secunde și devine reflex.

Efectul secundar e cel mai valoros: oamenii prind erorile de transcriere și le semnalează. E singurul mecanism prin care corpusul se curăță, fiindcă nimeni nu citește transcrieri din proprie inițiativă.

Vorbitorul greșit e o eroare mai gravă decât cuvântul greșit

Un cuvânt transcris prost produce confuzie. O replică atribuită persoanei nedrepte produce un conflict.

Diarizarea greșește predictibil: la suprapuneri, la participanți care intră târziu, la voci apropiate ca timbru și la apeluri cu un singur microfon în sală. Tratamentul onest e să afișezi vorbitorul doar când sistemul are o identificare fermă, iar altfel să spui „vorbitor neidentificat” și să lași redarea să rezolve. Un citat fără nume e utilizabil. Unul cu numele greșit nu e.

Ce s-a spus nu e ce s-a decis

Patru statute posibile pentru aceeași propoziție

Într-o ședință, „facem livrarea pe 15” poate fi o ipoteză aruncată ca să se vadă cum sună, o propunere care urmează să fie contestată, o concesie de negociere sau o decizie asumată. Textul e identic în toate patru cazurile.

Ce le distinge e ce s-a întâmplat după: dacă a rămas necontestat, dacă a intrat în procesul-verbal, dacă l-a confirmat cineva cu autoritate. Nimic din asta nu e în fragment, iar similaritatea nu are cum să-l deducă.

Sistemul are două ieșiri corecte. Ori afișează statutul explicit — discuție, nu decizie — ori leagă fragmentul de consemnarea care l-a confirmat sau infirmat.

Ce nu supraviețuiește transcrierii

Prozodia dispare complet. Ironia, ezitarea, tonul de întrebare la finalul unei propoziții afirmative — toate ies din audio ca text plat. O frază spusă cu subînțeles devine, în index, o afirmație.

La fel se pierde structura conversațională. „Da” ca răspuns la o întrebare, izolat într-un chunk, își schimbă complet sensul. De aceea replica se indexează cu contextul ei imediat, nu singură.

Regula: transcrierea nu e sursă autoritativă pentru fapte

Pentru fiecare tip de afirmație există un loc unde adevărul chiar stă scris. Cifrele — în sistemul de evidență. Deciziile — în procesul-verbal sau în documentul de decizie. Angajamentele contractuale — în contract, unde monitorizarea scadențelor e o problemă separată, tratată în registrul de obligații contractuale. Ce s-a promis într-o ședință nu e o obligație și nu intră în acel registru. Aceeași distincție operează și când într-o ședință se anunță retragerea unei împuterniciri: anunțul consemnat nu produce efecte față de terți, iar regimul e detaliat în RAG pe mandate și împuterniciri.

Transcrierea rămâne foarte bună la altceva, și e motivul pentru care merită construită: la raționamentul care nu ajunge niciodată în document. De ce s-a ales varianta B, ce obiecție a fost ridicată și cum a fost închisă, ce alternativă s-a eliminat și pentru ce motiv. Aceeași cunoaștere care lipsește din arhiva scrisă și pe care registrul de lecții învățate încearcă s-o prindă la închiderea proiectului, doar că aici e captată în momentul în care s-a produs.

Formatul răspunsului trebuie să reflecte distincția: sinteză a discuției, cu statut declarat, plus trimitere la sursa autoritativă când există una. Regulile generale sunt în cum arată un răspuns bun de RAG.

Măsurare, praguri și pilot

Patru indicatori care spun ceva

Acuratețea pe lexiconul intern. Din două-trei sute de rostiri ale numelor de clienți, produse și proiecte, câte apar corect în transcriere. E metrica de sănătate a stratului de jos și singura care prezice cât de des va fi citatul fals.

Precizia ancorei. Din citatele afișate, câte pornesc redarea la momentul potrivit, cu o toleranță de câteva secunde. Un timestamp decalat cu treizeci de secunde e o ancoră ruptă, chiar dacă textul e corect.

Acuratețea atribuirii la vorbitor, măsurată separat pe ședințe cu suprapuneri și pe ședințe fără. Media pe tot corpusul ascunde exact cazurile grele.

Rata de refuz corect pe întrebări factuale. Din întrebările care cer o cifră sau o decizie, în câte sistemul a trimis la sursa autoritativă în loc să răspundă din transcriere. Aici, un refuz e un rezultat bun.

Cadrul general de evaluare e cel din cum evaluezi un sistem RAG; ce se schimbă e că adevărul de referință se construiește din audio ascultat de un om, nu din documente.

Setul de evaluare vine din ședințele care au și proces-verbal

Ai deja perechi utile în arhivă: ședințe înregistrate care au produs și o consemnare scrisă. Alegi treizeci, pui întrebările la care procesul-verbal răspunde și compari.

Câștigi două lucruri dintr-o singură trecere. Vezi dacă sistemul găsește momentul potrivit în audio și vezi dacă distinge discuția de decizie, fiindcă ai consemnarea drept arbitru.

Ce cifre am omis deliberat

WER-urile de vendor, în bloc. Aproape toate se publică fără eșantion declarat, fără domeniu și fără metodologie de normalizare, iar un procent măsurat pe vorbire citită nu spune nimic despre o ședință cu patru vorbitori și un microfon de laptop.

La fel, statisticile despre cât timp petrec managerii în ședințe și despre cât din informația unei companii ar fi „conținută în conversații”. Circulă cu atribuiri care se rup după doi pași.

Iar din sursa academică pe care am folosit-o, am lăsat afară perechea de valori contradictorii pentru același model pe același set de test. Când o publicație se contrazice intern, cifra nu devine mai adevărată pentru că e citabilă.

Pilotul: un tip de ședință, trei luni de arhivă

Alege o singură familie — ședințele săptămânale de proiect, de obicei — cu temei clar și participanți informați. Construiește lexiconul de entități înainte de prima transcriere, nu după. Indexează trei luni.

Livrabilul primelor șase săptămâni nu e o interfață de chat. E răspunsul la o singură întrebare: din cincizeci de citate returnate, câte rezistă la reascultare? Dacă sunt sub patruzeci, problema e la stratul de transcriere, și acolo se duc următoarele șase săptămâni.

Iar dacă întrebările tale reale sunt aproape toate despre decizii consemnate, e posibil să nu ai nevoie de audio deloc — pragurile la care merită să te oprești înainte să construiești sunt în când nu folosești RAG.

Întrebări frecvente

Pot să indexez direct rezumatele generate de platforma de videoconferință?

Poți, dar pierzi ancora. Un rezumat e deja o interpretare, fără timestamp și fără posibilitatea de a reasculta, deci nu poate susține o citare. Folosește-le ca metadate de navigare peste transcrierea completă, nu ca sursă de citat.

Cât de bună trebuie să fie transcrierea ca să merite?

Nu există un prag global util. Contează acuratețea pe lexiconul tău intern și pe cifre, nu WER-ul mediu. Un sistem cu erori pe cuvinte de legătură, dar corect pe nume și coduri, e utilizabil; unul invers, nu.

Ce fac cu ședințele în care se vorbește și română, și engleză?

Le tratezi ca pe un caz de comutare de cod, nu ca pe două limbi separate, și le testezi explicit — modelele scad vizibil la treceri în mijlocul frazei. Ține limba dominantă ca metadată și evită traducerea automată înainte de indexare, fiindcă adaugă un strat de eroare peste unul existent.

Trebuie să anunț și participanții externi, nu doar angajații?

Da, iar informarea lor e o problemă separată de cea a angajaților, cu alt temei și alt moment. Un client sau un furnizor nu intră sub regimul de monitorizare la locul de muncă și nu are cum să fie informat prin regulamentul intern.

Cum împiedic sistemul să prezinte o discuție drept decizie?

Prin construcție, nu prin prompt. Fiecare fragment poartă statutul lui ca metadată, iar răspunsul afișează statutul lângă citat. Când nu există o consemnare legată, sistemul spune că nu există — nu deduce din ton.

Începe cu partea juridică, fiindcă e singura care poate anula tot restul: pentru fiecare tip de înregistrare, care e temeiul, cine a fost informat și cât timp ai voie să păstrezi. Abia apoi lexiconul de entități, ancora cu redare și regula că nicio cifră nu iese din transcriere fără confruntare cu sistemul de evidență.

Dacă vrei să verifici dacă arhiva ta de ședințe suportă un index sau doar o retenție scurtă, trimite un mesaj. Restul cazurilor pe corpusuri de companie sunt în hubul Cazuri de utilizare enterprise, iar imaginea completă a serviciului în AI & RAG.