howdeploy/kisa-stack/voice-summary

Voice Summary - Скилл выжимки из голосовых

Создает краткие выжимки из голосовых сообщений и аудиофайлов. Идеален для быстрого понимания содержания подкастов, лекций и длинных записей.

Режимы работы

1. Обработка аудио с выжимкой

Триггеры:

• "сделай выжимку из войса"
• "кратко расскажи что в голосовом"
• "суммируй это аудио"
• "что в этом подкасте"
• "переведи и сделай выжимку"
• "выжми главное из записи"

Workflow:

1. Получаю аудиофайл от пользователя
2. Отправляю на транскрипцию через API (Whisper/ElevenLabs)
3. Получаю полный текст транскрипции
4. Сохраняю полную транскрипцию в файл
5. Создаю развернутую выжимку с 4 блоками:

• Общий пересказ своими словами
• Список основных тезисов
• Мои наблюдения и интерпретации
• Поиск ссылок на упомянутые проекты/ресурсы

1. Возвращаю структурированную выжимку + ссылку на полный текст

2. Только транскрипция (без выжимки)

Триггеры:

• "просто транскрибируй"
• "только текст из войса"
• "нужен полный текст"

Workflow:

1. Получаю аудиофайл
2. Отправляю на транскрипцию
3. Возвращаю полный текст без суммаризации

Технические детали

API для транскрипции

Использую доступные Speech-to-Text API:

• Автоматический выбор лучшего доступного API
• Поддержка русского и английского языков
• Получение чистого текста без таймкодов

Структура хранения

voice-summaries/
├── transcripts/           # Полные транскрипции
│   ├── 2026-02-01_00-05_transcript.txt
│   └── ...
└── summaries/            # Краткие выжимки
    ├── 2026-02-01_00-05_summary.md
    └── ...

Формат файлов

Транскрипция (`.txt`):

[2026-02-01 00:05] Исходный файл: voice_message.opus
 
полный текст транскрипции...

Выжимка (`.md`):

# Выжимка от 2026-02-01 00:05
 
## 📖 Общий пересказ
Автор рассказывает своими словами суть контента...
 
## 📋 Основные тезисы
• Тезис 1 с контекстом
• Тезис 2 с объяснением
• Тезис 3 и его значение
 
## 🔍 Мои наблюдения
Свободный текст с наблюдениями и интерпретациями. Что автор на самом деле имел в виду, какой глубинный посыл, интересные детали которые можно заметить между строк. Пишу как живой человек, а не списком тезисов.
 
## 🔗 Упомянутые проекты/ресурсы
-**Название проекта** — описание, [ссылка]()
-**Еще проект** — контекст упоминания, [ссылка]()
 
---
📄 Полная транскрипция: transcripts/2026-02-01_00-05_transcript.txt

Процесс обработки

Транскрипция + развернутая выжимка

1. Получаю аудиофайл от пользователя
2. Напрямую обращаюсь к Speech-to-Text API для транскрипции
3. Сохраняю полный текст в voice-summaries/transcripts/
4. Анализирую текст и создаю выжимку по 4 блокам:

• Пересказ своими словами
• Список основных тезисов
• Мои наблюдения и интерпретации
• Поиск ссылок на упомянутые проекты через веб-поиск

1. Сохраняю структурированную выжимку в voice-summaries/summaries/
2. Возвращаю полную выжимку + ссылку на транскрипцию

Только транскрипция

1. Получаю аудиофайл
2. Обращаюсь к API для транскрипции
3. Возвращаю только чистый текст (не сохраняю)

Уточняющие вопросы

При обработке:

• "Нужна подробная выжимка или краткая?"
• "Сохранить полную транскрипцию?"
• "Это подкаст, лекция или разговор?"

Action-first режим для голосовых с жалобами/идеями/требованиями

Если пользователь прислал голосовое не ради пересказа, а чтобы превратить сказанное в артефакт — например ТЗ, prompt для coding-агента, список правок, требования заказчика — не застревать в длинной аналитической пасте по умолчанию.

Правильный порядок:

1. Вытащить факты, боли, требования и ограничения.
2. Сразу собрать целевой артефакт в нужном формате.
3. Для Telegram и быстрых рабочих чатов по умолчанию делать краткую, емкую, готовую к вставке версию.
4. Развернутую версию давать только если ее реально просили.

Формат по умолчанию для Telegram

• сначала 1 короткая фраза-контекст, если она вообще нужна;
• затем готовый блок: prompt, ТЗ, TODO, список требований;
• без огромной подводки, без повторения одного и того же разными словами;
• если пользователь явно просит "кратко/четко/без пасты" — ужимать до 5–12 строк или одного компактного блока.

Если пользователь присылает несколько войсов с ТЗ/требованиями подряд

Частый рабочий режим: пользователь пересылает голосовые от другого человека не ради пересказа, а чтобы восстановить что тот хочет как ТЗ. В этом режиме не начинать каждый войс как новый независимый summary.

Правильный порядок:

1. Держать общий накопительный документ требований в голове текущего диалога.
2. Каждый новый войс обрабатывать как добавку/уточнение к ТЗ.
3. Сразу выдавать компактный блок: что добавилось, какие метрики/поля/аналитика/логика теперь нужны.
4. Убирать разговорный мусор, сомнения и повторы, но сохранять числовые ориентиры, названия сущностей и причинно-следственную логику.
5. Если в войсах есть продуктовая аналитика, разделять: цель, текущие показатели, целевые показатели, что вывести в админке, зачем это нужно.

Если пользователь просит список проблем из нескольких войсов

Это отдельный частый режим: не пересказывать весь разговор, а собрать короткий баг-лист / список проблем по нескольким голосовым подряд.

Правильный порядок:

1. Слить все присланные голосовые в один общий набор наблюдений.
2. Убрать повторы и разговорный мусор.
3. Выдать сначала сухой список проблем в 3–8 пунктов.
4. Если пользователь потом просит "разверни", раскрывать те же пункты, а не переписывать ответ с нуля в другой форме.
5. Если в голосовых описано поведение диалога/воронки, добавлять не только сам баг, но и как он проявляется в переписке и к чему приводит.

Два полезных режима для таких войсов

1. Ультракоротко, для быстрой фиксации

• только пункты проблем;
• без лишних вступлений;
• хорошо подходит для Telegram и рабочих чатов.

2. Чуть подробнее, для баг-репорта

• проблема;
• как именно проявляется в диалоге;
• последствие для сценария/конверсии/логики.

Если пользователь спрашивает, "ты точно все послушала?"

Если у тебя была не прямая аудиообработка, а готовая расшифровка от платформы, отвечать честно и прямо:

• не делать вид, будто слушала ушами;
• сказать, что разобрала расшифровки всех голосовых;
• при желании перечислить кратко, что было в 1-м, 2-м, 3-м сообщении.

Pitfall

• Плохо: после голосового с жалобами на продукт выдать длинный пересказ, а полезный prompt спрятать внизу.
• Плохо: когда пользователь попросил очень короткий список проблем, а ответ расползся в анализ, выводы и советы.
• Плохо: при просьбе "разверни" полностью менять структуру вместо расширения уже собранного списка.
• Хорошо: быстро конвертировать речь в рабочий deliverable, а не в литературное summary.
• Хорошо: сначала дать короткий баг-лист, потом по запросу раскрыть каждый пункт через проявление и последствия.

Примеры использования

Выжимка из голосового

Пользователь: [присылает 7-минутное голосовое] "сделай выжимку"

Ответ:

🎙️ Обработала аудио (7:15)
 
## 📖 Общий пересказ
Автор делится новогодними размышлениями под алкоголем, рассказывая о двух ключевых ударах 2025 года — болезненном расставании и разочаровании в работе. Несмотря на тяжелые моменты, он нашел свое призвание в работе с контентом и строит планы на четыре новых проекта.
 
## 📋 Основные тезисы  
• Самые тяжелые события — это не конец, а начало нового этапа
• Призвание — работа с аудиторией и контентом, а не карьерный рост
• Поддержка подписчиков имеет колоссальное значение
• "Просто работать и верить — этого достаточно"
 
## 🔍 Мои наблюдения
Слушая это голосовое, понимаешь что автор проходит через классическую трансформацию "раненого целителя" — он превращает свою боль в силу для других. Особенно показательно, что он впервые записывает под алкоголем — это не случайность, а способ стать более уязвимым и искренним с аудиторией.
 
Интересно, как он строит контраст: начинает с самого темного, чтобы подчеркнуть светлые моменты. Главная мысль — внешний успех вторичен перед человеческими связями и внутренним призванием.
 
## 🔗 Упомянутые проекты
- **GuideDAO** — проект с командой ребят [поиск ссылки...]
- **Web3/Web2 проект** — новое направление работы
- **ИИ-стартап** — команда из 3х человек на российский рынок
 
📄 Полная транскрипция: transcripts/2026-02-01_00-23_transcript.txt

Только транскрипция

Пользователь: [присылает аудио] "просто текст, без выжимки"

Ответ:

📝 **Транскрипция:**
"Привет! Хочу обсудить идею нового скилла который будет делать краткие выжимки из голосовых сообщений..."
 
⏱️ Длительность: 2:15

Error Handling

• Файл не найден → "Не могу найти этот аудиофайл"
• API недоступен → "Сервис транскрипции временно недоступен, попробуй позже"
• Слишком длинный файл → "Файл слишком длинный (>30 мин), разбей на части"
• Поврежденный файл → "Не удается обработать этот аудиофайл"
• Тихий/неразборчивый звук → "Звук слишком тихий или неразборчивый для транскрипции"
• Ошибка выжимки → "Транскрипция готова, но не удалось создать выжимку"