رونویسی صوتی با هوش مصنوعی و تولید گزارش در Google Docs

تولید کننده گزارش رونویسی صوتی با هوش مصنوعی و Google Docs

این گردش کار، رونویسی فایل‌های صوتی دریافتی از طریق Gmail را خودکار کرده و گزارش‌های رونویسی حرفه‌ای و دارای مُهر زمانی را در Google Docs تولید می‌کند. این گردش کار برای موارد استفاده‌ای مانند ضبط جلسات، یادداشت‌های صوتی، مصاحبه‌ها، پادکست‌ها، روزنامه‌نگاری و مستندسازی دسترسی‌پذیری ایده‌آل است.

این گردش کار و بسیاری موارد دیگر را در کاتالوگ Axeto کاوش کنید.

---

نمای کلی گردش کار

این گردش کار به پنج بخش منطقی تقسیم شده است:

1. نظارت بر ایمیل: به طور مداوم Gmail را برای ایمیل‌های جدید حاوی پیوست‌های صوتی بررسی می‌کند و این فایل‌ها را به طور خودکار برای شروع پردازش رونویسی دانلود می‌کند.

2. رونویسی صوتی با هوش مصنوعی: پیوست‌های صوتی را به صورت ناهمزمان به سرویس رونویسی VLM Run AI ارسال می‌کند که تبدیل گفتار به متن را با بخش‌های دارای مُهر زمانی و استخراج فراداده انجام می‌دهد.

3. دریافت وب‌هوک: تماس‌های برگشتی ناهمزمان از VLM Run با نتایج رونویسی تکمیل شده را مدیریت می‌کند و پردازش قابل اعتماد فایل‌های صوتی طولانی را بدون اتمام زمان گردش کار تضمین می‌کند.

4. تولید گزارش در Google Docs: یک سند Google را با متن رونویسی شده قالب‌بندی شده، شامل مُهر زمانی، مدت زمان و سبک حرفه‌ای ایجاد و به‌روزرسانی می‌کند.

5. مستندسازی گردش کار: یادداشت‌های چسبان در سراسر گردش کار، توضیحات دقیقی از هر مرحله، راهنمایی پیکربندی و زمینه را برای کاربران ارائه می‌دهد.

---

تحلیل بلوک به بلوک

۱. نظارت بر ایمیل

• هدف: صندوق ورودی جیمیل شما را برای ایمیل‌های دریافتی با پیوست‌های صوتی نظارت می‌کند. این پیوست‌ها را به طور خودکار برای شروع فرآیند رونویسی دانلود می‌کند.
• گره‌ها (Nodes):

* Monitor Email Attachments (تریگر جیمیل)

• جزئیات گره:

* نوع: n8n-nodes-base.gmailTrigger

* نقش: جیمیل را هر دقیقه برای ایمیل‌های جدید حاوی پیوست بررسی می‌کند.

* پیکربندی:

* بازه زمانی بررسی: every minute

* دانلود پیوست: فعال

* فیلترها: ندارد (همه ایمیل‌ها را نظارت می‌کند)

* ورودی‌ها: ندارد (گره تریگر)

* خروجی‌ها: پیوست‌های صوتی دانلود شده را به گره رونویسی هوش مصنوعی ارسال می‌کند.

* اعتبارنامه‌ها: نیاز به یک حساب OAuth2 جیمیل متصل و مجاز دارد.

* موارد استثنا:

* عدم وجود ایمیل جدید: گره تا بررسی بعدی بیکار می‌ماند.

* قالب‌های پیوست پشتیبانی نشده: توسط گره‌های بعدی نادیده گرفته می‌شوند.

* خطاهای احتمالی به دلیل محدودیت‌های نرخ API جیمیل یا انقضای توکن OAuth.

* یادداشت‌ها: پیوست‌ها را در قالب‌های صوتی رایج مانند MP3، WAV، M4A، AAC، OGG و FLAC به طور خودکار دانلود می‌کند.

۲. رونویسی صوتی هوش مصنوعی

• هدف: فایل‌های صوتی دانلود شده را به صورت ناهمزمان به سرویس رونویسی هوش مصنوعی VLM Run ارسال می‌کند. این امر از تشخیص گفتار پیشرفته، از جمله علائم نگارشی و مُهر زمانی بهره می‌برد.
• گره‌ها (Nodes):

* VLM Run Audio Transcriber (@vlm-run/n8n-nodes-vlmrun.vlmRun)

• جزئیات گره:

* نوع: @vlm-run/n8n-nodes-vlmrun.vlmRun

* نقش: فایل‌های صوتی را برای رونویسی به API VLM Run ارسال می‌کند. پردازش ناهمزمان برای مدیریت فایل‌های صوتی طولانی‌تر فعال است.

* پیکربندی:

* فایل: از اولین پیوست (attachment_0) از گره قبلی استفاده می‌کند.

* دامنه: audio.transcription (سرویس رونویسی را مشخص می‌کند).

* عملیات: audio (برای رونویسی).

* URL بازگشتی (Callback URL): URL نقطه پایانی وب‌هوک عمومی شما برای دریافت نتایج رونویسی.

* پردازش ناهمزمان: فعال (برای پشتیبانی از صداهای طولانی و جلوگیری از اتمام زمان حیاتی است).

* ورودی‌ها: پیوست‌های صوتی را از گره تریگر جیمیل دریافت می‌کند.

* خروجی‌ها: مستقیماً خروجی ندارد؛ نتایج رونویسی از طریق وب‌هوک پیکربندی شده بازگردانده می‌شوند.

* اعتبارنامه‌ها: کلید API VLM Run شما را نیاز دارد.

* موارد استثنا:

* خطاهای شبکه یا API در حین ارسال.

* قالب‌های فایل صوتی نامعتبر یا خراب.

* پیکربندی نادرست URL بازگشتی که منجر به عدم تحویل موفقیت‌آمیز نتایج می‌شود.

* یادداشت‌ها: برای پردازش قابل اعتماد فایل‌های صوتی بزرگ به صورت ناهمزمان عمل می‌کند.

۳. دریافت وب‌هوک

• هدف: به عنوان یک نقطه پایانی برای دریافت نتایج رونویسی به صورت ناهمزمان از VLM Run پس از اتمام فرآیند رونویسی عمل می‌کند. این شامل متن کامل رونویسی، مُهر زمانی و فراداده است.
• گره‌ها (Nodes):

* Receive Transcription Results (Webhook)

• جزئیات گره:

* نوع: n8n-nodes-base.webhook

* نقش: درخواست‌های POST را از VLM Run حاوی داده‌های رونویسی می‌پذیرد.

* پیکربندی:

* متد HTTP: POST

* مسیر (Path): audio-transcription (باید با URL بازگشتی پیکربندی شده در گره VLM Run مطابقت داشته باشد).

* هیچ گزینه اضافی پیکربندی نشده است.

* ورودی‌ها: یک درخواست POST خارجی از VLM Run.

* خروجی‌ها: داده‌های رونویسی را به گره تولید سند Google ارسال می‌کند.

* اعتبارنامه‌ها: نیازی به اعتبارنامه ندارد (وب‌هوک به صورت عمومی قابل دسترسی است؛ امنیت به پنهان بودن URL متکی است).

* موارد استثنا:

* فراخوانی‌های وب‌هوک از دست رفته یا تاخیری.

* داده‌های رونویسی ناقص یا بدشکل.

* خطرات امنیتی احتمالی در صورت افشای URL وب‌هوک.

* یادداشت‌ها: این گره برای تکمیل موفقیت‌آمیز گردش کار ناهمزمان ضروری است.

۴. تولید گزارش Google Docs

• هدف: یک گزارش حرفه‌ای قالب‌بندی شده Google Docs ایجاد می‌کند که شامل متن رونویسی، مُهر زمانی برای هر بخش، مدت زمان کل صدا و سایر جزئیات مرتبط است.
• گره‌ها (Nodes):

* Generate Transcription Report (Google Docs)

• جزئیات گره:

* نوع: n8n-nodes-base.googleDocs

* نقش: داده‌های رونویسی قالب‌بندی شده را به یک سند Google Docs مشخص شده اضافه می‌کند.

* پیکربندی:

* عملیات: update (برای اضافه کردن به یک سند موجود).

* URL سند: URL ثابت سند Google Docs که گزارش‌ها در آن ذخیره می‌شوند.

* متن درج شده شامل:

* سربرگ گزارش با تاریخ/زمان (با استفاده از منطقه زمانی انگلیسی ایالات متحده قالب‌بندی شده است).

* مدت زمان کل صدا بر حسب ثانیه.

* هر بخش رونویسی، شامل شماره بخش، مُهر زمانی شروع/پایان (با دو رقم اعشار) و متن رونویسی کوتاه شده.

* از عبارات جاوا اسکریپت برای نگاشت پویا بر روی بخش‌ها و قالب‌بندی متن استفاده می‌کند.

* ورودی‌ها: داده‌های JSON رونویسی را از گره وب‌هوک دریافت می‌کند.

* خروجی‌ها: ندارد (این خروجی نهایی گردش کار است).

* اعتبارنامه‌ها: نیاز به اعتبارنامه‌های OAuth2 Google Docs پیکربندی شده دارد.

* موارد استثنا:

* محدودیت‌های سهمیه API Google Docs یا انقضای مجوز.

* خطاهای دسترسی یا مجوز سند.

* ساختارهای داده رونویسی غیرمنتظره که باعث شکست عبارات می‌شوند.

* یادداشت‌ها: این گره قالب‌بندی ثابت را تضمین می‌کند و به همان سند اضافه می‌کند و یک گزارش تجمیعی ایجاد می‌کند.

۵. مستندسازی گردش کار (یادداشت‌های چسبان)

• هدف: توضیحات و تفسیرهای عمیقی را برای هر مرحله از گردش کار ارائه می‌دهد و به درک بهتر و ساده‌سازی نگهداری کمک می‌کند.
• گره‌ها (Nodes):

* 🎙️ Workflow Overview

* 📧 Email Monitoring

* 🤖 AI Transcription

* 🔗 Async Processing

* 📄 Document Generation

• جزئیات گره:

هر یادداشت چسبان توضیحات متمرکزی را ارائه می‌دهد، از جمله:

* هدف کلی و مراحل سطح بالای گردش کار.

* قالب‌های صوتی پشتیبانی شده و رفتار بررسی جیمیل.

* ویژگی‌ها و مزایای هوش مصنوعی رونویسی VLM Run.

* توضیح پردازش ناهمزمان و مکانیزم بازگشتی وب‌هوک.

* توضیح قالب‌بندی گزارش نهایی Google Docs و محل خروجی.

این یادداشت‌ها به عنوان مستندات درون ویرایشگر عمل می‌کنند و در جریان داده شرکت نمی‌کنند.

---

جدول خلاصه

---

بازسازی گردش کار از ابتدا

1. ایجاد گره "نظارت بر پیوست‌های ایمیل":

* نوع: n8n-nodes-base.gmailTrigger

* حالت نظرسنجی را روی "every minute" تنظیم کنید.

* دانلود پیوست‌ها را فعال کنید.

* اعتبارنامه‌های OAuth2 جیمیل خود را وصل کنید.

* برای نظارت بر همه ایمیل‌ها، فیلترها را خالی بگذارید.

2. ایجاد گره "VLM Run Audio Transcriber":

* نوع: @vlm-run/n8n-nodes-vlmrun.vlmRun

* عملیات را روی "audio" و دامنه را روی "audio.transcription" تنظیم کنید.

* ورودی فایل را روی attachment_0 از گره قبلی تنظیم کنید.

* پرچم "processAsynchronously" را فعال کنید.

* URL بازگشتی را به نقطه پایانی وب‌هوک عمومی خود پیکربندی کنید (به عنوان مثال، https://yourdomain.com/webhook/audio-transcription).

* اعتبارنامه‌های API VLM Run خود را وصل کنید.

3. خروجی گره "نظارت بر پیوست‌های ایمیل" را به ورودی گره "VLM Run Audio Transcriber" وصل کنید.

4. ایجاد گره وب‌هوک "دریافت نتایج رونویسی":

* نوع: n8n-nodes-base.webhook

* متد HTTP را روی POST تنظیم کنید.

* مسیر را روی audio-transcription تنظیم کنید.

* به طور پیش‌فرض احراز هویت لازم نیست، اما در صورت لزوم، امنیت نقطه پایانی خود را در نظر بگیرید.

5. ایجاد گره "تولید گزارش رونویسی":

* نوع: n8n-nodes-base.googleDocs

* عملیات را روی "update" تنظیم کنید (برای افزودن به یک سند موجود).

* URL سند Google Docs را که گزارش‌ها در آن ذخیره می‌شوند، وارد کنید.

* "Actions" را برای درج متن با استفاده از عبارات پیکربندی کنید. محتوا باید شامل موارد زیر باشد:

```javascript

=📄 گزارش رونویسی صوتی

🗓️ تاریخ: {{ new Date($json.body.completed_at).toLocaleString('en-US', { dateStyle: 'medium', timeStyle: 'short' }) }}

⏱️ مدت زمان کل: {{ $json.body.response.metadata.duration }} ثانیه

{{

$json.body.response.segments.map((segment, index) =>

\n +

🔹 بخش ${index + 1}\n +

⏰ زمان: ${segment.start_time.toFixed(2)}s → ${segment.end_time.toFixed(2)}s\n +

🗣️ رونویسی: ${segment.text.trim()}\n

).join('')

}}

```

* خروجی گره "دریافت نتایج رونویسی" را به ورودی این گره وصل کنید.

* اعتبارنامه‌های OAuth2 Google Docs خود را وصل کنید.