Confgraph: изобрёл ли я велосипед, делая ИИ-секретаря для видеозвонков

Периодически ловлю себя на мысли: «а что, если это уже кто-то сделал?» — уже после того, как написал очередной кусок кода. С confgraph, моим ИИ-секретарём для видеоконференций, я решил не гадать, а разобраться честно: насколько это открытие Америки, и есть ли смысл продолжать.

Что вообще за проект

Confgraph — это бэкенд-бот на базе LiveKit, который заходит в видеозвонок как subscribe-only участник (без своего микрофона, часто вообще скрытый в списке участников), слушает каждого говорящего отдельно и:

• распознаёт речь локально, через faster-whisper на CPU — без отправки аудио куда-либо наружу;
• классифицирует фразы по темам и строит из них граф обсуждения — не плоский список тегов, а узлы (темы) со связями (relation) между ними, через LLM (OpenRouter);
• сохраняет транскрипт, эмбеддинги и граф в SQLite — сырое аудио в базу не попадает;
• отвечает на вопросы по содержанию звонка через RAG-эндпоинт;
• после звонка собирает саммари: по темам, оффтоп, решения, дедлайны, задачи на следующий созвон.

Сверху — Meet, форк livekit-examples/meet с панелью «Секретарь»: список тем, дерево обсуждения с автообновлением, кнопка саммари. Всё это крутится в собственном docker-compose (LiveKit + confgraph + meet), без внешних SaaS-зависимостей, кроме одного вызова LLM через API. Попробовать вживую можно на meet.regionruza.ru.

Небольшой штрих для тех, кто любит детали конфигурации — из того, что реально настраивается:

ACTIVE_SPEAKER_MODE=replace   # границы фразы = active speaker + hangover 2с
CLASSIFY_TOPIC_CONFIDENCE=0.9 # порог, ниже которого короткое "ок" не переключает тему
LIVEKIT_HIDDEN=true           # бот не отображается в списке участников
CHAT_LOG_ENABLED=false        # не спамить в общий чат встречи

Проверка на велосипед

Прежде чем писать ещё одну строчку, я прошёлся по рынку — и вот что там есть.

Коммерческие SaaS

Otter.ai, Fireflies, Fathom, tl;dv, Grain, Read.ai — вся эта категория работает по одному принципу: бот-гость заходит в чужой звонок (Zoom, Google Meet, Teams) как отдельный участник, аудио уходит в облако, взамен — транскрипт и саммари. Цены — от бесплатного тарифа с ограничениями (у Fathom, например, лимит на число AI-саммари в месяц) до 30–40 долларов за место в месяц на старших планах. У некоторых (Fireflies, MeetGeek) есть «topic tracking» — но это отслеживание повторяющихся тем как аналитика, плоский список, а не граф со связями между темами.

Self-hosted и open-source альтернативы

Тут интереснее, потому что это прямые конкуренты по духу «бесплатно и без подписки»:

• Meetily — открытый код, MIT-лицензия, локальный Whisper/Parakeet, саммари через Ollama или любой API по выбору. По факту это ближайший бесплатный аналог confgraph в части «STT + саммари локально». Но это desktop-приложение для одного человека на своей машине — не сервис с API для комнаты с несколькими участниками, не встроено ни в какой видеозвонок как продукт.
• Vexa — открытый, self-hostable API для ботов-участников, заходящих в Google Meet/Teams/Zoom, с реалтайм-транскриптами и вебхуками. Ближе всего к confgraph по архитектуре (self-host, API-first), но это конструктор для разработчиков, заточенный под то, чтобы заходить в чужие звонки, а не своя платформа для встреч. Графа тем и RAG по комнате там нет.
• LiveKit Agents — фреймворк, на котором построен confgraph, сам по себе даёт STT/TTS/VAD-примитивы для голосовых агентов, но это стройматериал, а не готовый секретарь. Использование LiveKit тут — это не переизобретение, а применение готового кирпича по прямому назначению.

Так что не велосипед

Если сузить до самого факта «локальная транскрипция + LLM-саммари без подписки» — это уже решено, Meetily тому доказательство, и тут я не первый.

Но три вещи в такой комбинации не нашёл ни у кого:

1. Секретарь встроен в свою платформу для звонков, а не заходит гостем в чужую. Не нужно ничьего разрешения впускать бота, не нужно доверять чужой инфраструктуре аудио — это часть моего собственного Meet.
2. Граф тем со связями, а не плоский список. Плюс sticky-логика: короткое «да/ок» не перебрасывает разговор в другую тему без высокой уверенности классификатора. Ни у одного из найденных инструментов такого нет.
3. RAG-запросы, привязанные к конкретной комнате, через собственный API — не общий поиск по всей истории аккаунта, а именно по контексту одного разговора.

Итог

Отчасти да, велосипед — базовый узел «слушать и расшифровывать» я не изобретал заново, он существовал и до меня. Но собранная целиком конструкция — своя платформа + граф тем + RAG по комнате — под мою задачу нигде не нашлась целиком. И главный практический плюс для меня — не в уникальности архитектуры, а в том, что это моё: никакой подписки за место в команде из одного человека, полный контроль над тем, что происходит с данными звонка, и возможность в любой момент поменять то, что не устраивает, а не писать в саппорт.