Smallest.ai lanserer Pulse STT med skarpere flertaler-diarisering

Smallest.ai lanserer Pulse STT med skarpere flertaler-diarisering

Smallest.ai sin Pulse-modell håndterer nå taler-diarisering i både batch- og strømmemodus, og tildeler taler-etiketter med konfidensscore i sanntid [1]. Hovedspesifikasjonen er hastighet — 64 ms latens på over 38 språk — men den mer interessante detaljen for møtetunge team er taket på antall talere: ikke-strømmemodus takler pålitelig opptil fire talere, med fallende nøyaktighet utover det, mens strømmemodus håndterer betydelig flere [2].

Dette er en stille, men viktig erkjennelse fra bransjen: diarisering i stor skala — det klassiske møterommet med 8-10 personer — er fortsatt det vanskelige problemet ingen har løst helt. Smallest.ai sikter eksplisitt mot B2B-infrastrukturlaget under verktøy som Fireflies, Otter, Fathom og Granola, og posisjonerer Pulse som motoren snarere enn appen [3].

Reaksjonene på X var i stor grad positive til nøyaktighetsgevinstene i større møter, selv om det er verdt å møte påstander om "høy nøyaktighet for 8-10 talere" med en viss skepsis inntil uavhengige benchmarker foreligger. Likevel, hvis diariseringsinfrastrukturen fortsetter å forbedres i dette tempoet, bør gapet mellom "hvem sa hva"-nøyaktighet i en samtale med to personer og et allmøte med ti personer fortsette å krympe raskt.

IBM satser på agentbaserte kunnskapsgrafer som det nye minnelaget for AI

IBM, sammen med edX og Pluralsight, har lansert et omtrent timelangt kurs om å bygge agentbaserte kunnskapsgrafer — med gjennomgang av entiteter, relasjoner, ontologier, og hvordan agenter henter ut og integrerer strukturert og ustrukturert data i minnet for flerarbeidsagentsystemer [1]. Det inngår i IBMs bredere læreplan for agentbasert AI om LangGraph, ReAct og orkestrering, med verktøyreferanser til Neo4j og LangChain for forklarbar, flertrinns resonnering [2].

Undertonen er større enn bare et kurs: kunnskapsgrafer blir nå omposisjonert — ikke som et fint visualiseringslag, men som selve minnesubstratet for AI-agenter som trenger å resonnere over tid, kontekst og relasjoner, i stedet for bare å hente frem lignende tekst. Det er en vesentlig annen arkitektur enn en vektordatabase full av embeddinger.

Diskusjonen på X fokuserte på PKM-vinkelen (personlig kunnskapsforvaltning) — folk trakk linjer fra disse rammeverkene for virksomheter til personlige kunnskapsverktøy som Obsidian, og antydet at de samme prinsippene (entiteter, relasjoner, forklarbar henting) gjelder enten du bygger en bedriftshjerne eller en personlig en [3].

HydraDB lanserer tidsbevisste kontekstgrafer for AI-minne i virksomheter

HydraDB har lansert det de kaller et "manglende kontekstlag" for AI: temporale kunnskapsgrafer som behandler tid som en førsteklasses egenskap, med gyldighetsvinduer, tidsstempler og Git-lignende append-only versjonering [1]. Systemet kombinerer hybrid gjenfinning — vektorsøk, grafgjennomgang og vektlegging av nylighet — med automatisk utvinning av entiteter og relasjoner ved innlasting, rettet direkte mot virksomhetsteam som prøver å spore hvordan fakta, personer og beslutninger utvikler seg over tid [2].

Benchmark-tallene er bemerkelsesverdige: 90,79 % nøyaktighet på LongMemEval-S med Gemini 3.0 Pro, med gjenfinningstider under 200 ms, og påstått bedre enn standard vektordatabaser spesifikt på temporale resonneringsoppgaver [3]. Det er kjernen i salgsargumentet — vanlig vektorsøk er flinkt til "hva som ligner", men dårlig til "hva som endret seg og når", noe som er akkurat det spørsmålet som betyr mest når du prøver å huske hva som ble bestemt for tre møter siden, versus hva som er sant i dag.

Innlegg på X satte HydraDB eksplisitt opp mot vektordatabaser, og fremhevet det som riktig substrat for å huske personer, prosjekter og skiftende kontekst over lange, AI-assisterte arbeidsrelasjoner — ikke bare gjenkalling innenfor én økt.

Hva dette betyr for dine møter

Fire saker, ett tema: bransjen samler seg om ideen om at en møtetranskripsjon er verdiløs uten struktur, minne og tid. Googles offline-satsing viser at brukere vil at samtalene deres skal forbli private som standard. Smallest.ai sine diariseringsgevinster viser at det grunnleggende "hvem sa hva"-problemet fortsatt aktivt løses, ikke er ferdigløst. Og både IBMs kurs og HydraDBs lansering fremfører det samme argumentet fra forskjellige vinkler — at kunnskapsgrafer, ikke flate transkripsjoner eller embeddinger, er det som faktisk lar AI resonnere over historikken din i stedet for bare å søke i den.

Dette er akkurat det territoriet Proudfrog har staket ut fra dag én. Et transkripsjonsverktøy som bare transkriberer er en hygienefaktor i 2026; den egentlige verdien ligger i hva som skjer etter at møtet er over — å gjøre dialog om til en strukturert, talertilordnet, tidsbevisst kunnskapsgraf som AI-assistenten din kan navigere i måneder senere når du spør "hva ble vi enige med den leverandøren om tilbake i mars, og har noe endret seg siden da?" Det er et temporalt resonneringsspørsmål, ikke et nøkkelordsøk, og dagens nyheter bekrefter at hele bransjen kappløper mot grafbasert minne for å svare på nettopp det.

For fagfolk som drukner i møte på møte er den praktiske konsekvensen denne: verktøyene som vinner i det lange løp, blir ikke de med den reneste live-transkripsjonen, men de som lar deg hente frem, koble sammen og stole på det som ble sagt — privat, nøyaktig, og med full kontekst om hvordan prosjektene dine har utviklet seg over tid.

Hovedpoeng: Transkripsjon blir i økende grad en standardvare — personvern, diariseringsnøyaktighet og tidsbevisste kunnskapsgrafer er der den egentlige konkurransekampen om møteintelligensen din nå utkjempes.

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