smallest.ai:n Pulse-malli vie puheentunnistuksen kruunun

smallest.ai:n Pulse-malli vie puheentunnistuksen kruunun

Puhujien erottelu eli diarisaatio — sen tietäminen, kuka sanoi mitä — on hiljaisesti ollut kokoustranskription vaikein ongelma, ja smallest.ai julkaisi juuri vakuuttavan tuloksen. Sen Pulse-malli nousi VoiceArena Diarization Bench v1 -vertailun kärkeen 7. lokakuuta 2026 saavuttaen 24,4 % DER-arvon 139 keskustelussa ja yli 280 puhujan joukossa — parannus on 1,7-kertainen verrattuna ElevenLabs Scribe v2:een (40,71 %), AssemblyAI:hin (44,64 %) ja Deepgramiin (67,13 %) [4][5][6].

Parannus pitää pintansa sekä sotkuisissa kasvokkaisissa kokouksissa (24,7 % DER) että siistimmissä verkkopuheluissa (22,4 % DER), ja mallissa on suoratoistotuki useille puhujille yli 21 kielellä. Tuo kasvokkaisten kokousten luku on merkittävämpi kuin miltä se ensin näyttää — useimmat vertailut kaunistelevat itseään siistillä Zoom-äänellä, joten malli, joka pysyy kasassa meluisassa neuvotteluhuoneessa, on se, joka on oikeasti hyödyllinen todelliseen kokousälyyn.

Yhteisön reaktiot X:ssä olivat suoraviivaisia onnitteluja, joihin sekoittui ilmeinen jatkokysymys: kuinka nopeasti tämä valuu kuluttajille suunnattuihin kokoustyökaluihin, joita kaikki jo käyttävät?

Hybridihaku on hiljalleen nousemassa RAG:n oletusratkaisuksi

Tasainen virta tämän jakson opastuksia päätyi samaan arkkitehtuuriin: BM25-avainsanahaun yhdistäminen vektoriupotuksiin yhdessä hakuputkessa. LangChainin EnsembleRetriever yhdistettynä ChromaDB:hen ja Nomic-upotuksiin on referenssipino, joka esiintyy kaikkialla, tyypillisesti 50/50-painotuksella ja Reciprocal Rank Fusionilla tulosten yhdistämiseen [7][8][9].

Houkutus on käytännöllinen, ei akateeminen — puhdas semanttinen haku on hyvä löytämään "pääasian", mutta huono löytämään "tarkan lauseen, jonka joku sanoi". Hybridihaku korjaa tämän puutteen, mikä on valtavan tärkeää, kun kyselet kuukausien kokoustranskriptioita yksittäisten dokumenttien sijaan.

X:n kehittäjät suhtautuvat tähän vähemmän tutkimuksellisena kuriositeettina ja enemmän perusedellytyksenä kaikille, jotka rakentavat vakavasti otettavaa tietokantaa kokousdatan päälle — merkki siitä, että transkriptioiden ympärille rakentuva RAG-työkalusto standardisoituu nopeasti.

Kokouspöytäkirjoista tulee eläviä tietograafeja

Tämän kuukauden kiinnostavin trendi ei ole yksittäinen tuote — se on kaava. Useat projektit muuttavat nyt raakoja kokoustranskriptioita jäsennellyiksi, kyseltäviksi tietograafeiksi. Meetily vie paikallisen transkription Obsidian-pohjaisiin graafeihin, joihin on liitetty toimenpiteet [10]. Erillinen projekti käyttää LLM-poimintaa rakentaakseen itsepäivittyviä Neo4j-graafeja, jotka yhdistävät kokoukset, ihmiset ja tehtävät suhteilla kuten OSALLISTUI [11]. Ja tl;dv:n ja Cogneen integraatio rakentaa entiteettigraafeja, jotka on suunniteltu nimenomaan vastaamaan kysymyksiin kuten "kuka ilmoittautui vapaaehtoiseksi X:ään" tai "mikä jarruttaa Y:tä" [12].

Tämä on siirtymä transkriptiosta arkistona kohti transkriptiota infrastruktuurina. Kukaan ei halua kasaa haettavaa tekstiä; ihmiset haluavat järjestelmän, joka muistaa suhteet — kuka sitoutui mihinkin, milloin, ja tapahtuiko se. X:n keskusteluketjut tästä aiheesta käyttävät yhä useammin ilmausta "toinen aivot", ja se jää elämään, koska se on osuva: nämä järjestelmät alkavat käyttäytyä vähemmän muistiinpanosovellusten ja enemmän organisaation muistin tavoin.

Mitä tämä tarkoittaa sinun kokouksillesi

Kun nämä neljä uutista yhdistää, esiin piirtyy selkeä kuvio: kokousälyn teknologiapino jakautuu kerroksiin, ja jokainen kerros saa vakavasti otettavan päivityksen itsenäisesti. Tallennus tarkentuu (Pulsen loikka diarisaatiossa), haku älykkäistyy (hybridihausta tulee oletus), ja tulostuskerros kehittyy litteistä yhteenvedoista jäsennellyiksi tietograafeiksi, jotka ymmärtävät ihmisten, päätösten ja tehtävien väliset suhteet. Assistenttimarkkinoiden vertailut ovat oikeastaan välillinen kamppailu siitä, mikä yritys osaa parhaiten nivoa nämä kerrokset yhteen.

Proudfrogille tämä on vahvistava kehityssuunta. Pohjoismaissa rakennettu työkalu, joka jo yhdistää tarkan puhujantunnistuksen tietograafiin koko kokoushistoriastasi, ei juokse trendin perässä — se on rakennettu sinne, minne kategoria on menossa. Diarisaatiovertailut osoittavat, miksi "kuka sanoi mitä" vaatii yhä omistautunutta insinöörityötä, ei jälkikäteen transkriptio-API:in liitettyä lisäominaisuutta. Ja hybridihaun yleistyminen vahvistaa, että kokousarkiston tehokas kysely vaatii enemmän kuin pelkän vektorihaun — tarkat nimet, projektien koodinimet ja yksittäiset sitoumukset tarvitsevat avainsanatarkkuutta semanttisen haun rinnalle.

Käytännön johtopäätös ammattilaisille: kokoushistoriastasi on tulossa omaisuus, jota voi kuulustella, ei enää pelkkä transkriptio, jonka selaat kerran läpi ja unohdat. Nopeimmin kehittyvät työkalut ovat niitä, jotka kohtelevat tarkkuutta, rakennetta ja hakua yhtenä yhtenäisenä ongelmana kolmen erillisen ominaisuuden sijaan.

Keskeinen havainto: Kokousäly kypsyy "tallenna ja tiivistä" -vaiheesta "muista ja päättele" -vaiheeseen — ja ne työkalut, jotka yhdistävät tarkan tallennuksen jäsenneltyyn, kyseltävään tietograafiin, määrittelevät tämän kategorian tulevaisuuden.

Sources

1. https://www.remogrid.com/blog/ai-tools/best-ai-meeting-assistants-2026
2. https://sieva.co/best/ai-meeting-assistants/
3. https://www.techrepublic.com/article/news-best-ai-meeting-note-takers-2026/
4. https://docs.smallest.ai/models/speech-to-text/benchmarks/performance
5. https://x.com/smallest_AI/status/2107680800045183003
6. https://docs.smallest.ai/waves/model-cards/speech-to-text/pulse
7. https://www.youtube.com/watch?v=Hn0UK2l1Nkw
8. https://stackoverflow.com/questions/79477745/bm25retriever-chromadb-hybrid-search-optimization-using-langchain
9. https://www.mintlify.com/chroma-core/chroma/guides/hybrid-search
10. https://meetily.ai/blog/the-decision-makers-second-brain
11. https://pub.towardsai.net/building-a-self-updating-knowledge-graph-from-meeting-notes-with-llm-extraction-and-neo4j-b02d3d62a251
12. https://dev.to/insane_odyssey/turning-meeting-transcripts-into-an-ai-knowledge-graph-with-tldv-cognee-57e7