Granola ja Fathom hylkäävät botin ja siirtyvät natiiviin tallennukseen

Granola ja Fathom hylkäävät botin ja siirtyvät natiiviin tallennukseen

Kaksi kokousmuistiinpanojen terävimmistä toimijoista teki tässä kuussa liikkeitä, jotka osoittavat eri suunnista samaan johtopäätökseen: näkyvä "botti liittyy puheluusi" -malli on jäämässä historiaan. Granola kerää äänen suoraan laitteeltasi — mikrofonista ja kaiuttimista — Zoomissa, Meetissä, Teamsissa ja muissa alustoissa, yhdistäen sen omiin kirjoitettuihin muistiinpanoihisi jäsennellyiksi yhteenvedoiksi ja toimenpidelistoiksi, kaiken aikaa täyttäen SOC 2 Type II -vaatimukset ja pysyen oletuksena yksityisenä [4]. Ei bottikuvaketta, ei kiusallista "tallennus alkoi" -ilmoitusta.

Fathom puolestaan julkaisi lokakuussa 2026 iOS-sovelluksen, joka tallentaa kasvokkaiset kokoukset suoraan iPhonen mikrofonista, luo välittömät yhteenvedot ja toimenpidelistat ja synkronoi ne osaksi mobiilin täyttä kokoushistoriaa — mukaan lukien ilmainen versio, jossa on rajaton tallennus ja litterointi [5][6]. Tämä on merkittävä laajennus videopuheluista käytäväkeskusteluihin, asiakaslounaisiin ja neuvotteluhuoneiden kokouksiin, joissa kukaan ei jaa näyttöään.

Reaktiot yhteisössä ovat olleet johdonmukaisen myönteisiä: botiton, laitteelta suoraan tapahtuva tallennus tuntuu luonnollisemmalta, vähemmän teatraaliselta ja paremmin linjassa sen kanssa, miten ihmiset oikeasti kokoustavat — mukaan lukien kasvava osuus kokouksista, jotka yhä pidetään kasvokkain.

RAG-Anything avaa lähdekoodin multimodaalisten tietograafien putkistolle

HKUDS:n RAG-Anything, joka on rakennettu LightRAG:n päälle ja julkaistu MIT-lisenssillä, on hiljaa muodostunut yhdeksi tärkeimmistä avoimen lähdekoodin rakennuspalikoista vakavasti otettavaan hakuavusteiseen generointiin (RAG) [7]. Se jäsentää tekstiä, kuvia, taulukoita, kaavioita ja jopa matemaattisia yhtälöitä dokumenteista, ja rakentaa sitten kaksoisgraafipohjaisia tietoesityksiä, jotka yhdistävät entiteettejä eri modaliteettien välillä — minkä jälkeen haku osaa huomioida, mistä modaliteetista se hakee tietoa [8].

Lokakuussa 2025 julkaistu arXiv-paperi, joka tukee tätä työtä, osoittaa selvästi paremman suorituskyvyn kuin tavallinen RAG pitkissä, monimutkaisissa ja heterogeenisissä dokumenteissa [8], ja tähän kuuhun mennessä GitHub-repo oli ylittänyt 23 500+ tähteä [9] — vahva signaali infrastruktuuritason avoimen lähdekoodin omaksumisesta. Keskustelut siitä palaavat jatkuvasti yhteen tiettyyn käyttötapaukseen: tietograafien rakentamiseen kokousten litteroinnista yhdessä niissä kokouksissa käytettyjen diojen, kuvakaappausten ja taulukoiden kanssa.

Juuri tämän aukon useimmat kokoustyökalut eivät ole vielä onnistuneet täyttämään — sen yhdistämisen, mitä sanottiin, siihen mitä näytettiin. RAG-Anything on juuri tällainen kehys, joka täyttää tämän aukon.

Desert Ant Labs tuo puhujien tunnistuksen suoraan sirulle

Desert Ant Labs esitteli tällä viikolla "Who"-nimisen, laitteella suoraan toimivan puhujantunnistusmallin — ja vertailuluvut ovat hämmästyttäviä. Se käsittelee 43 minuutin podcastin, jossa puhe menee päällekkäin, 4,9 sekunnissa M5-sirulla, tai 50 minuutin tiedoston 3 sekunnissa M5 Pro -sirulla, täysin paikallisesti ilman pilveen lähettämistä [10][11]. AMI-kokousvertailussa se saavuttaa 12,6 %:n virheprosentin, voittaen joissain testeissä GPU:lla ajettavan pyannote-mallin, ja se yltää jopa 950-kertaiseen reaaliaikaan nähden M5 Pro -sirun Neural Engine -yksiköllä [11][12].

Se toimitetaan Swift-, Kotlin- ja JavaScript-SDK:iden kanssa sekä ilmaisella tasolla, joka kattaa jopa 100 000 kuukausittain aktiivista laitetta rajattomalla päättelyllä [11] — tarkoituksella matala kynnys, joka on suunnattu kehittäjille, jotka rakentavat kokoussovelluksia, podcast-työkaluja ja litterointituotteita. Reaktiot ovat olleet selvän myönteisiä, ja erityistä kehua on saanut päällekkäisen puheen käsittely sekä se, että "kuka sanoi mitä" voidaan nyt laskea täysin laitteella, ilman palvelimelle tehtävää edestakaista yhteyttä.

Tuo viimeinen seikka on tärkeämpi kuin nopeusennätys itsessään. Näin tarkka laitteella tapahtuva puhujantunnistus tarkoittaa, että puhujan tunnistamisesta ei enää tarvitse tinkiä yksityisyyden kustannuksella.

Mitä tämä tarkoittaa sinun kokouksillesi

Kun asettaa nämä neljä uutista rinnakkain, kuvio tulee selväksi: koko kategoria on suuntaamassa kohti kokouksia tietoinfrastruktuurina, ei kokouksia tallenteina. Otterin 320 miljoonan dollarin rahoituskierros on veto siitä, että yrityksen koko puhekorpuksen omistaminen on miljardien dollarien arvoinen [1][2]. RAG-Anything on avoimen lähdekoodin rakennusalusta, joka antaa kenen tahansa rakentaa oikean tietograafin tuosta korpuksesta, yhdistäen litteroinnit niiden yhteydessä käsiteltyihin dokumentteihin ja visuaaliseen materiaaliin [7][8]. Ja Desert Ant Labsin laitteella toimiva puhujantunnistusmalli tarkoittaa, että "kuka sanoi mitä" -kerros — minkä tahansa käyttökelpoisen tietograafin selkäranka — voidaan nyt laskea välittömästi, yksityisesti, suoraan laitteella [10][11].

Granolan ja Fathomin botiton siirtymä on tämän tarinan käyttäjälle näkyvä puolisko [4][5]. Kun kokousten tallennus muuttuu vähemmän näkyväksi ja enemmän ympäröiväksi — kattaen videopuhelut ja nyt myös kasvokkaiset keskustelut mobiilin kautta — tallennetun tiedon määrä ja sekavuus tulevat kasvamaan merkittävästi. Tämä nostaa rimaa sille, mitä pitää tapahtua tallennuksen jälkeen: jäsenneltyä puhujan tunnistamista, modaliteettien välistä linkitystä ja hakua, joka pystyy oikeasti vastaamaan kysymykseen "mitä päätimme asiasta X kolme kuukautta sitten" eikä vain palauttamaan litterointidumppia.

Juuri tähän kerrokseen Proudfrog on rakennettu. Tarkka puhujan tunnistus, tietograafit, jotka yhdistävät kokoukset toisiinsa ajan myötä, sekä tekoälyhaku koko historiastasi eivät ole enää mukavia lisäominaisuuksia — ne ovat ero litterointiarkiston ja todellisen institutionaalisen muistin välillä. Tämän kerroksen infrastruktuuri parani ja halpeni dramaattisesti tällä viikolla, erityisesti laitteella tapahtuva puhujantunnistus ja avoin multimodaalinen RAG, ja yritykset, jotka osaavat kytkeä nämä yhteen taitavasti, tulevat määrittelemään koko kategorian.

Keskeinen huomio: Kokoustyökalut eivät enää kilpaile litteroinnin tarkkuudella — ne kilpailevat siitä, muodostuuko kokoushistoriastasi aidosti haettava tietopankki vai pelkkä kasa haettavaa tekstiä.

Sources

1. https://www.reuters.com/business/otterai-raises-320-million-non-equity-financing-expand-enterprise-business-2026-10-20/
2. https://techcrunch.com/2026/10/20/otter-ai-raises-320-million-from-general-catalysts-growth-fund-for-its-meeting-tool/
3. https://otter.ai/blog/general-catalyst-backs-otter-ais-voice-ai-ambitions-with-320m-growth-investment
4. https://www.granola.ai/
5. https://www.fathom.ai/get/fathom-ai-notetaker
6. https://help.fathom.video/en/articles/13926529
7. https://github.com/HKUDS/RAG-Anything
8. https://arxiv.org/html/2510.12323
9. https://ai.miraheze.org/wiki/RAG-Anything
10. https://desertant.com/blog/who-and-eye/
11. https://desertant.com/models/who/
12. https://x.com/desertantlabs/status/2112922104127439095