Smallest.ai Lancerer Pulse STT Med Skarpere Multi-Taler Diarisering

Smallest.ai Lancerer Pulse STT Med Skarpere Multi-Taler Diarisering

Smallest.ai's Pulse-model håndterer nu talerdiarisering i både batch- og streamingtilstand og tildeler konfidensscorede talermærker i realtid [1]. Den store overskrift handler om hastighed — 64 ms latenstid på 38+ sprog — men det mere interessante detalje for mødetunge teams er grænsen for antal talere: ikke-streaming-tilstand ligger stabilt op til fire talere, hvorefter nøjagtigheden falder, mens streaming-tilstand kan håndtere betydeligt flere [2].

Det er en stille, men vigtig indrømmelse fra branchen: diarisering i stor skala — det klassiske mødelokale med 8-10 personer — er stadig et svært problem, som ingen har løst fuldt ud. Smallest.ai sigter eksplicit mod B2B-infrastrukturlaget under værktøjer som Fireflies, Otter, Fathom og Granola og positionerer Pulse som motoren frem for selve appen [3].

Reaktionerne på X var overvejende begejstrede over nøjagtighedsforbedringerne i større møder, selvom det er værd at tage påstande om "høj nøjagtighed ved 8-10 talere" med et gran salt, indtil uafhængige benchmarks foreligger. Men hvis diariseringsinfrastrukturen fortsætter med at forbedres i dette tempo, bør forskellen mellem "hvem sagde hvad"-nøjagtighed i en samtale mellem to personer og et heldagsmøde med ti personer hurtigt blive mindre.

IBM Fremmer Agentiske Videngrafer Som Det Nye AI-Hukommelseslag

IBM har sammen med edX og Pluralsight udgivet et cirka en time langt kursus om at bygge agentiske videngrafer — med fokus på entiteter, relationer, ontologier, og hvordan agenter udtrækker og integrerer struktureret og ustruktureret data i hukommelsen til multi-agent-systemer [1]. Det ligger i forlængelse af IBM's bredere pensum om agentisk AI inden for LangGraph, ReAct og orkestrering, med værktøjshenvisninger til Neo4j og LangChain til forklarbar, multi-hop-resonnering [2].

Den underliggende pointe er større end et kursus: videngrafer bliver ikke længere positioneret som blot et pænt visualiseringslag, men som selve hukommelsesgrundlaget for AI-agenter, der skal resonnere over tid, kontekst og relationer — ikke bare hente lignende tekst frem. Det er en markant anderledes arkitektur end en vektordatabase fyldt med embeddings.

Diskussionen på X kredsede om PKM-vinklen — folk trak linjer fra disse virksomhedsrammer til personlige videnværktøjer som Obsidian og foreslog, at de samme principper (entiteter, relationer, forklarbar genfinding) gælder, uanset om man bygger en virksomheds "hjerne" eller sin egen [3].

HydraDB Lancerer Tidsbevidste Kontekstgrafer Til AI-Hukommelse i Virksomheder

HydraDB har udgivet det, de kalder et "manglende kontekstlag" til AI: tidsmæssige videngrafer, der behandler tid som en førsteklasses egenskab, med gyldighedsvinduer, tidsstempler og Git-lignende append-only-versionering [1]. Systemet kombinerer hybrid genfinding — vektorsøgning, grafgennemløb og vægtning efter aktualitet — med automatisk udtrækning af entiteter og relationer ved indlæsning, rettet direkte mod virksomhedsteams, der forsøger at følge med i, hvordan fakta, mennesker og beslutninger udvikler sig [2].

Benchmark-tallene er bemærkelsesværdige: 90,79 % nøjagtighed på LongMemEval-S med Gemini 3.0 Pro, med genfindingstider under 200 ms, hvilket hævdes at overgå almindelige vektordatabaser specifikt på tidsmæssige resonneringsopgaver [3]. Det er kernen i budskabet — almindelig vektorsøgning er god til "hvad ligner hvad", men dårlig til "hvad ændrede sig, og hvornår" — og det er præcis den slags spørgsmål, der betyder mest, når man forsøger at huske, hvad der blev besluttet for tre møder siden, versus hvad der gælder i dag.

Indlæg på X stillede HydraDB eksplicit op mod vektordatabaser og fremhævede det som det rette grundlag for at huske mennesker, projekter og skiftende kontekst i lange, AI-understøttede arbejdsrelationer — ikke bare genkaldelse inden for en enkelt session.

Hvad Dette Betyder For Dine Møder

Fire historier, ét tema: branchen bevæger sig mod den fælles idé, at et mødereferat er værdiløst uden struktur, hukommelse og tid. Googles offline-satsning viser, at brugerne vil have, at deres samtaler forbliver private som standard. Smallest.ai's fremskridt inden for diarisering viser, at det grundlæggende "hvem sagde hvad"-problem stadig er under aktiv udvikling — ikke færdigløst. Og både IBM's kursus og HydraDB's lancering fremfører det samme argument fra hver sin vinkel — at videngrafer, ikke flade transskriptioner eller embeddings, er det, der gør det muligt for AI reelt at resonnere over din historik frem for blot at søge i den.

Det er præcis det terræn, Proudfrog har gjort krav på fra dag ét. Et transskriptionsværktøj, der kun transskriberer, er blot et minimumskrav i 2026; den egentlige værdi ligger i det, der sker efter mødet er slut — at omdanne dialog til en struktureret, talerattribueret, tidsbevidst videngraf, som din AI-assistent kan gennemsøge måneder senere, når du spørger: "hvad aftalte vi med den leverandør tilbage i marts, og er der sket ændringer siden?" Det er et spørgsmål om tidsmæssig resonnering, ikke en nøgleordssøgning, og dagens nyheder bekræfter, at hele branchen kapper om at nå frem til grafbaseret hukommelse for at kunne svare på netop det.

For fagfolk, der drukner i møder på stribe, er den praktiske konklusion denne: de værktøjer, der vinder på den lange bane, bliver ikke dem med den reneste live-transskription, men dem, der lader dig genfinde, forbinde og stole på, hvad der blev sagt — privat, nøjagtigt og med fuld kontekst om, hvordan dine projekter har udviklet sig over tid.

Vigtigste pointe: Transskription er ved at blive en hyldevare — privatliv, nøjagtig diarisering og tidsbevidste videngrafer er dér, hvor den reelle konkurrencekamp om din mødeintelligens nu udspiller sig.

Sources

1. https://www.theverge.com/tech/1007985/google-ai-notetaking-app-transcribe-offline
2. https://www.cnet.com/tech/services-and-software/google-ai-note-taker-edge-foresight/
3. https://www.notebookcheck.net/Google-AI-Edge-Foresight-Offline-AI-for-meeting-notes-on-Mac.1418337.0.html
4. https://docs.smallest.ai/models/speech-to-text/features/diarization
5. https://smallest.ai/speech-to-text
6. https://docs.smallest.ai/waves/model-cards/speech-to-text/pulse
7. https://www.pluralsight.com/courses/agentic-knowledge-graphs
8. https://www.edx.org/learn/computer-science/agentic-ai-with-langchain-and-langgraph
9. https://developer.ibm.com/technologies/agentic-ai/learningpaths/
10. https://hydradb.com/blog/temporal-knowledge-graphs-tracking-how-ai-context-evolves-over-time
11. https://docs.hydradb.com/essentials/v2/context-graphs
12. https://hydradb.com/blog/knowledge-graph-memory-systems-ai-agents