Почему голосовые заметки обычно умирают

У меня давно появилась простая, но неприятная проблема: после переговоров, встреч и обсуждений остается слишком много нюансов, которые нельзя нормально удержать в голове.

На самой встрече все кажется ясным.

• Клиент что-то уточнил.
• Где-то изменился смысл.
• Где-то прозвучала важная формулировка.
• Где-то стало понятно, что человеку на самом деле нужно.
• Где-то появилась маленькая деталь, из которой потом может вырасти задача, решение или отдельный проект.

А потом встреча заканчивается.

И начинается обычная потеря контекста.

Можно включить диктофон на iPhone.
Но аудиофайл сам по себе почти ничего не решает.
Проблема в том, чтобы звук быстро стал рабочим текстом.

Мне нужно было получать транскрибацию примерно в течение 10 минут после разговора.

Не через отдельный сервис, в который надо идти, загружать файл, ждать, проверять, выгружать результат.

Мне нужен был нормальный путь:

разговор
› запись
› транскрипт
› текстовый артефакт
› дальнейшая работа

Встроенные решения на телефоне для этой задачи меня не устраивали.

Качество, стабильность, контроль, формат результата, дальнейшая обработка, все это быстро упирается в ограничения.

Телефон удобен как точка записи, но не как полноценная фабрика обработки речи.

Вообще, существует отдельный класс устройств, которые записывают тебя весь день и автоматически делают расшифровки. Идея понятная: повесил маленький рекордер, он слушает, потом сервис превращает день в текст. Но мне не хотелось покупать отдельное устройство, платить за подписку и отдавать всю эту логику внешней системе.

Я давно для себя решил: если это становится частью моей памяти, рабочего процесса и личной инфраструктуры, я хочу понимать, как это устроено.

Так появился VoxBase.

Сначала это был ответ на очень прикладную потребность: автоматически превращать записи с iPhone в транскрипты.

Но довольно быстро стало понятно, что задача шире.

Речь идет не только про диктофон.

• Есть голосовые заметки.
• Есть переговоры.
• Есть YouTube.
• Есть TikTok.
• Есть подкасты.
• Есть длинные обсуждения, из которых нужно вытаскивать смысл, решения и следующие шаги.

Все это разные источники, но у них одна общая проблема:

важная информация часто приходит в виде звука или видео, а моя рабочая система живет в тексте.

Сначала запись попадает с iPhone на Mac.
Потом система сама подхватывает файл.
Потом аудио проходит обработку.
Потом появляется Markdown.
Потом этот текст уже можно читать, искать, отдавать LLM, превращать в задачи, посты, заметки и решения.

Это первый слой.

Дальше из этой идеи выросли другие ветки: транскрибация YouTube, TikTok, Apple Podcasts и следующий проект, LiveContext, где речь уже идет не о расшифровке после разговора, а о транскрибации в реальном времени, пока разговор еще идет.

Но начиналось все с простой вещи.

Я понял, что после важных разговоров мне нужен не аудиофайл.

Мне нужна память.