錄音的終點應該是知識庫
今年開始我積極參加實體聚會、做陌生開發。很多時候重點跟需求都藏在對話裡，或是客戶突然打電話過來交代一些事情——這些當下都不方便拿筆記下來。
我的想法很簡單：只要有錄音，剩下的事情 AI 就能完成 90%。
但市面上的錄音設備跟軟體，主打的都停在會議記錄、摘要、心智圖，我還沒看到有人做到最後一步。我覺得終點應該是企業的知識庫才對。
這篇分享：我現在怎麼處理錄音、為什麼買了 HiDock P1 還是不滿意，以及我心中理想的流程長什麼樣子。
現在的流程：錄完音，還要記得搬
不管是用筆電還是手機錄音，錄完之後我都得記得做這幾件事：
- 把錄音檔搬到筆電（用手機錄的話）
- 跑本機的 Whisper（OpenAI 開源的語音辨識模型）轉成文字
- 把逐字稿放進指定的專案資料夾
- 再餵給 agent 去整理、做事
每一步都不難，但每一步都要我「記得」。忘了搬，那段對話就躺在手機裡；搬了沒轉，就只是一個音檔。
Day 269 我測了六個本機語音辨識模型，就是因為這條流程裡，轉文字這一步我每天都在用。
買了 HiDock P1，因為它能接 AirPods
我最近買了 HiDock P1。選它的原因是藍牙耳機可以透過它來錄音，所以我可以沿用平常習慣的 AirPods，講電話、開會都能錄到雙方的聲音。
但整個體驗其實還是有落差：
- 錄完之後，我要主動把錄音從設備轉移到筆電的網頁上，再點一下轉逐字稿
- 它的逐字稿，有時候甚至不如我本機跑的模型
- 整個流程一點都不聰明，每一步都還是要人去推
說穿了，它幫我解決的是「錄」這一步，後面的「搬、轉、整理、歸檔」還是我自己來。
我想像的流程長這樣
- 錄完音，檔案自動傳到筆電
- 傳到的那一刻，agent 自動偵測到新檔案，開始轉文字
- 轉完直接整理成方便閱讀的格式，例如一頁 HTML
- 10 分鐘後，我可以把剛剛的會議內容分享給客戶，請對方確認規格
- 同一份內容同步匯入我的知識庫
從錄音按下停止到拿到可以給客戶確認的稿子，中間我一個按鈕都不用按。
理想的工具要做到這五件事
- 不改變使用習慣，隨時收音：這點最難，因為手機上的錄音支援還不齊全
- 自動轉逐字稿
- 自動整理成好讀的格式：例如 HTML，可以直接傳給客戶看
- 資訊不外洩：最好不透過雲端，整條流程留在本機（目前主流的錄音筆，包括 HiDock，轉逐字稿都還是走雲端）
- 續航力要夠：跑一整天的聚會跟電話不能沒電
卡住的是跟 agent 的結合
錄音、轉文字、摘要，每一段都已經有工具了。缺的是把它們接起來的那一段：錄音檔一出現就自動觸發轉錄、轉完自動交給 agent、agent 再依照我的 skill 整理成我要的格式，最後放進知識庫。
我想問的是：目前的服務是不是都很難跟 skill 之類的串起來？還是其實已經有人做好了，只是我還沒找到？
如果有一個工具能從錄音一路自動走到知識庫，你會想用嗎？
Day 269 本地語音轉文字模型比較：https://www.dawsonwang.com/day/269 HiDock P1：https://www.hidock.com/products/hidock-p1-ai-voice-recorder