OpenAI Whisper وReact وFastAPI: كيف تبني مُلخِّص اجتماعات AI من دون ميزانية

لا يحتاج المطورون بعد الآن إلى مكدس مدفوع لبناء تطبيق ذكاء اصطناعي مفيد: تم نشر شرح تفصيلي لملخص اجتماعات مبني على React و FastAPI، يعتمد فقط على نماذج وخدمات مجانية. كمثال، يأخذ المؤلف خدمة تقبل الصوت وتنسخ التسجيل وتستخرج النقاط الرئيسية وتعرض عناصر الإجراء في واجهة ويب بسيطة.

لماذا الميزانية الصفرية حقيقية

قبل بضع سنوات، كان هذا المشروع يعني تقريباً تلقائياً نفقات على OpenAI API وإيجار وحدة معالجة الرسومات والنشر المدفوع. الوضع مختلف الآن: النماذج مفتوحة المصدر والمستويات المجانية السخية تغطي معظم السيناريوهات الأساسية، خاصة إذا كانت المهمة محددة وواضحة. بالنسبة لملخصات الاجتماعات، هذا ملحوظ بشكل خاص لأنك لا تحتاج إلى "قوى خارقة" مجردة من النموذج، بل إلى معالجة طبيعية للنسخة واستخراج القرارات وقائمة الخطوات التالية.

يؤكد الشرح بشكل محدد على أن المطور لم يعد مرتبطاً بمورد واحد. يمكنك استخدام نموذج مجاني قائم على السحابة أو التبديل إلى التنفيذ المحلي إذا كانت الخصوصية والتحكم في البيانات والتكاليف المتوقعة مهمة. لهذا، يتم توفير أدوات محلية مثل Ollama و LM Studio، وللخيار السحابي — حصص مجانية من موفري API. بشكل أساسي، يمكن الآن بناء MVP بدون شراء البنية التحتية والموافقات الميزانية الطويلة.

ما الذي تتكون منه المكدس

يتم بناء المشروع بمجموعة بسيطة جداً من الأدوات. المنطق هنا لا يتعلق بالمكدس "الأكثر عصرية"، بل بجعل من الممكن لأي مطور أن ينسخ الحل بسرعة ويحصل على نتيجة عملية وإذا أراد يستبدل المكونات الفردية بدون إعادة بناء النظام بأكمله.

• OpenAI Whisper — لتحويل الصوت إلى نص محلياً وبدون دفع الطلبات
• GLM-4.7-Flash من Zhipu AI — كخيار مجاني على السحابة للملخصات
• LFM2-2.6B-Transcript من Liquid AI — كنموذج محلي لملاحظات الاجتماع
• FastAPI — لتحميل API ومعالجة الملفات وتخزين النتائج
• React + SQLite — للواجهة وتخزين النسخ والملخصات وعناصر الإجراء

بالإضافة إلى ذلك، توصي المادة بأدوات ذكاء اصطناعي مجانية للتطوير، في المقام الأول Codeium و Continue، للكتابة وتحرير الكود بشكل أسرع. لكن بنية المشروع نفسه تبقى مباشرة جداً: طبقات دنيا، اعتماديات دنيا وتدفق بيانات واضح من ملف الصوت إلى بطاقة بها الملخص النهائي. بالنسبة لمشروع تعليمي أو نموذج أولي داخلي، هذا أهم من نظام الهندسة "المثالي".

كيف يتم بناء المشروع

يتم تنظيم خط الأنابيب بدون تعقيد لا داعي له. يقوم المستخدم بتحميل تسجيل اجتماع أو محاضرة أو ملاحظة صوتية، ويستقبل FastAPI الملف ويمرره إلى Whisper الذي يبني نسخة. بعد ذلك، يتم إرسال النص إلى نموذج التلخيص، الذي يعيد وصفاً قصيراً للنقاش وقائمة عناصر الإجراء. بعد ذلك، يتم حفظ النتيجة في SQLite، وتعرض واجهة React النسخة والملخص والمهام على شاشة واحدة. يتم فعلاً توفير الكود الكامل لخط الأنابيب هذا مباشرة في المادة من قبل المؤلف.

في المثال، يعمل Whisper في تكوين tiny لتسريع المعالجة على CPU، وللنموذج اللغوي الكبير يتم تقديم وضعين: خيار مجاني على السحابة من خلال Zhipu AI API وتماماً محلي من خلال نموذج Liquid AI، والذي يتطلب أقل من 3 جيجابايت من ذاكرة الوصول العشوائي. هذا يجعل المشروع مرناً: يمكنك البدء بالسحابة ثم الانتقال إلى سيناريو محلي بدون كسر بقية البنية التحتية.

"إذا لم يناسبك نموذج واحد، يمكنك التبديل إلى نموذج آخر بدون تغيير

البنية التحتية."

بعد التجميع المحلي، يُعرض المشروع للنشر مجاناً على Vercel و Render. هذا الخيار مناسب للعرض التوضيحي أو الأداة الداخلية أو اختبار المستخدم المبكر، لكن المؤلف يحذر بصراحة من القيود: يشغل Whisper والمحولات مساحة قرص كبيرة، والمستويات المجانية تصل بسرعة إلى حدود الذاكرة ووقت البدء. لذلك بالنسبة للإنتاج، ستحتاج تقريباً بالتأكيد إما إلى نقل بعض المهام إلى API السحابة أو تحضير بنية تحتية منفصلة للنماذج المحلية.

ماذا يعني هذا

الخلاصة العملية بسيطة: نموذج ذكاء اصطناعي لا يتطلب بعد الآن فريقاً منفصلاً وميزانية نموذج من البداية. بالنسبة للمطورين المستقلين والاستوديوهات الصغيرة وفرق المنتج، يقلل هذا من تكلفة التجربة — يمكن الآن اختبار فكرة مثل ملخص الاجتماع أو مساعد داخلي أو خدمة صوت إلى ملاحظات في بضع ليالٍ ثم فقط تقرر ما إذا كان الأمر يستحق الدفع للتوسع.