बैठक संपली, पण कोणीही टिपणं लिहिलं नाही? टीम्समधील एआय सारांश कसा तयार होतो ते पाहा

कल्पना करा, सकाळी दहाची मीटिंग संपली. तुम्ही लॅपटॉप बंद केला आणि लक्षात आलं की बोलणं ऐकता ऐकता कोणीच टिपणं घेतली नाहीत. आता 'पुढच्या आठवड्यात अहवाल पाठवायचा' हे कोणी सांगितलं, आणि तो मुदत कोणती होती, हे सांगणारा कोणीच नाही. पण जर ती बैठक Microsoft Teams वर झाली असेल, तर तुमच्यासाठी एक सारांश तयार झालेला असतो — तुम्ही काहीही लिहिलं नसताना.

बोलणं अक्षरांत कसं बदलतं?

बैठक सुरू झाल्यावर यजमान 'रेकॉर्ड आणि ट्रान्स्क्राइब' हा पर्याय चालू करतो. तेव्हा Teams सर्व सहभागींना एका ठळक सूचनेने कळवतो की बैठकीचं बोलणं लिहून घेतलं जात आहे. ही सूचना महत्त्वाची आहे, कारण तुमच्या संमतीशिवाय ही नोंद सुरू होत नाही.

मग प्रत्येक सहभागीचा आवाज मायक्रोफोनमार्फत संगणकाकडे पोहोचतो. आवाजाच्या लहरींचं रूपांतर संगणक डिजिटल आकड्यांमध्ये करतो, आणि भाषेचं मॉडेल त्या आकड्यांमधून शब्द ओळखतं. हे काम 'वाक् ओळख' (स्पीच रेकग्निशन) या नावाने ओळखलं जातं. फक्त शब्द ओळखणं पुरत नाही — कोण बोलतंय हेही ओळखावं लागतं. म्हणून प्रत्येक सहभागीच्या आवाजाची वैशिष्ट्यं वेगळी करून, नोंदीत 'स्नेहा म्हणाल्या...' असं नाव जोडलं जातं.

बैठक संपल्यावर खरी किमया सुरू होते. आता संगणकाकडे हजारो शब्दांचा मजकूर असतो. तो वाचून त्यातले मुख्य विषय, घेतलेले निर्णय आणि पुढील कामं वेगळी करणं हे काम भाषेचं मॉडेल करतं. हे मॉडेल म्हणजे लाखो वाक्यांचा अभ्यास करून शब्दांचा संदर्भ समजून घेणारा संगणकीय नियमांचा संच. तो मजकुरात 'पुढच्या सोमवारपर्यंत' आणि 'अहवाल' हे शब्द जवळ असतील तर ते एक काम म्हणून ओळखतो.

सारांशात नेमकं काय दिसतं?

बैठकीच्या चॅटमध्ये 'Recap' नावाचा एक भाग तयार होतो. तिथे तीन गोष्टी मुख्यतः दिसतात: बैठकीत चर्चा झालेले विषय, घेतलेले निर्णय आणि पुढे कोणी काय करायचं याची यादी. याशिवाय एक वेळापट्टी असते, जिथे तुमचं नाव कधी घेतलं गेलं ते चिन्हांकित केलेलं असतं. त्यामुळे संपूर्ण रेकॉर्ड ऐकण्याऐवजी थेट त्या भागावर उडी मारता येते.

आणखी एक गोष्ट म्हणजे तुम्ही सारांशाला प्रश्न विचारू शकता. उदाहरणार्थ, 'प्रकल्पाच्या मुदतीबद्दल मराठीत काय बोललं होतं?' असं विचारल्यास संगणक तो नेमका भाग शोधून दाखवतो. हे काम शब्दांचा अर्थ जुळवून करतं, त्यामुळे प्रश्न जितका स्पष्ट असेल तितकं उत्तर नेमकं मिळतं.

मर्यादा कुठे दिसतात?

सगळंच अचूक होतं असं नाही. जर बैठकीत आवाज खराब असेल, अनेकजण एकाच वेळी बोलत असतील किंवा पार्श्वभूमीचा गोंधळ असेल, तर संगणक एखादं काम चुकीच्या व्यक्तीकडे लिहू शकतो. त्यामुळे सारांश हा शेवटचा शब्द न मानता, एक उपयुक्त पहिला मसुदा म्हणून वापरणं योग्य ठरतं. महत्त्वाच्या निर्णयांची खात्री करून घेणं आणि जबाबदारी कोणाकडे आहे हे एकदा तपासून घेणं ही सवय ठेवा.

आणखी एक गोष्ट लक्षात ठेवा: ही सुविधा सर्वांसाठी मोफत नाही. ती Teams Premium किंवा Microsoft 365 Copilot या सदस्यत्वांमध्ये समाविष्ट असते. तसंच, नोंद सुरू करण्यापूर्वी सहभागींची संमती घेणं आणि गोपनीय विषय असल्यास ती बंद ठेवणं, हे यजमानाचं कर्तव्य आहे.

हे तंत्रज्ञान नक्की कसं काम करतं?

आता थोडं मागे जाऊन पाहू. बैठकीत बोललेलं प्रत्येक वाक्य संगणकाकडे ध्वनीच्या स्वरूपात पोहोचतं. तिथून तीन टप्पे पार पडतात:

• आवाजाचं अक्षरांत रूपांतर: मायक्रोफोनमधून आलेल्या ध्वनी लहरींचं संगणक डिजिटल स्वरूपात रूपांतर करतो आणि भाषेचं मॉडेल त्यातील शब्द ओळखतं.
• कोण बोलतंय हे ओळखणं: प्रत्येक सहभागीच्या आवाजाची वेगळी वैशिष्ट्यं तपासून नोंदीत योग्य नाव जोडलं जातं.
• अर्थ आणि जबाबदारी वेगळी करणं: भाषेचं मॉडेल मजकूर वाचून विषय, निर्णय आणि पुढील कामं वेगळी करतं आणि सारांश तयार करतं.

हे लक्षात घ्या की ही एक सामान्य रचना आहे. प्रत्यक्षात प्रत्येक कंपनी आपल्या पद्धतीने हे काम करते आणि तपशील वेगळे असू शकतात. पण मूळ कल्पना एकच आहे: बोलणं ऐकून, समजून आणि गोळा करून एक सारांश तयार करणं.

त्यामुळे पुढच्या बैठकीत तुम्ही मोकळेपणाने ऐकू शकता. टिपणं घेण्याची धावपळ संपली, पण शेवटी सारांश एकदा तपासून घ्या — कारण संगणक चुकू शकतो, आणि जबाबदारी शेवटी माणसाचीच असते.