OpenAI Whisper, React et FastAPI : comment créer un outil AI de synthèse de réunions sans budget

Разработчикам больше не нужен платный стек, чтобы собрать полезное AI-приложение: вышел подробный разбор суммаризатора встреч на React и FastAPI, который опирается только на бесплатные модели и сервисы. В качестве примера автор берет сервис, принимающий аудио, расшифровывающий запись, вытаскивающий ключевые мысли и показывающий action items в простом веб-интерфейсе.

Почему нулевой бюджет реален

Еще пару лет назад такой проект почти автоматически означал расходы на OpenAI API, аренду GPU и платный деплой. Сейчас ситуация другая: open-source модели и щедрые free tier'ы закрывают большую часть базовых сценариев, особенно если задача узкая и понятная. Для саммари встреч это особенно заметно, потому что здесь нужны не абстрактные «сверхспособности» модели, а нормальная работа с транскриптом, выделение решений и список следующих шагов.

В разборе отдельно подчеркивается, что разработчик больше не привязан к одному вендору. Можно взять облачную бесплатную модель, а можно перейти на локальный запуск, если важны приватность, контроль над данными и предсказуемые расходы. Для этого приводятся локальные инструменты вроде Ollama и LM Studio, а для облачного варианта — бесплатные квоты у API-провайдеров.

По сути, собрать MVP теперь можно без закупки инфраструктуры и без долгих согласований бюджета.

Из чего состоит стек Проект собран на максимально простом наборе инструментов.

Логика здесь не в «самом модном» стеке, а в том, чтобы любой разработчик мог быстро повторить решение, получить рабочий результат и при желании заменить отдельные компоненты без переделки всей системы. OpenAI Whisper — для перевода аудио в текст локально и без оплаты за запросы GLM-4.7-Flash от Zhipu AI — как бесплатный облачный вариант для саммари *LFM2-2.

6B-Transcript от Liquid AI — как локальная модель под meeting notes FastAPI — для API загрузки, обработки файлов и сохранения результата React + SQLite** — для интерфейса и хранения транскриптов, саммари и action items Кроме этого, в материале рекомендуют бесплатные AI-инструменты для разработки, прежде всего Codeium и Continue, чтобы быстрее писать и править код. Но архитектура самого проекта остается очень прямой: минимум слоев, минимум зависимостей и понятный маршрут данных от аудиофайла до карточки с итоговым саммари. Для учебного проекта или внутреннего прототипа это важнее, чем «идеальная» инженерная схема.

Как собирается проект Пайплайн устроен без лишней магии.

Пользователь загружает запись встречи, лекции или голосовую заметку, FastAPI принимает файл и передает его в Whisper, который строит транскрипт. Дальше текст отправляется в модель суммаризации, а та возвращает короткое описание обсуждения и список action items. После этого результат сохраняется в SQLite, и React-интерфейс показывает транскрипт, саммари и задачи на одном экране. Полный код для этого пайплайна автор действительно прикладывает прямо в материале. В примере Whisper запускается в конфигурации tiny, чтобы ускорить обработку на CPU, а для LLM предлагаются два режима: бесплатный облачный через API Zhipu AI и полностью локальный через модель Liquid AI, которой требуется меньше 3 ГБ RAM. Это делает проект гибким: можно начать с облака, а потом перейти на локальный сценарий, не ломая остальную архитектуру.

«Если одна модель не подходит, можно переключиться на другую без смены инфраструктуры.»

После локальной сборки проект предлагается бесплатно развернуть на Vercel и Render. Такой вариант подходит для демо, внутреннего инструмента или первых пользовательских тестов, но автор честно предупреждает и о лимитах: Whisper и трансформеры занимают заметное место на диске, а бесплатные тарифы быстро упираются в память и время запуска. Поэтому для продакшена почти наверняка придется либо вынести часть задач в облачный API, либо готовить отдельную инфраструктуру под локальные модели.

Что это значит

Практический вывод простой: AI-прототип больше не требует отдельной команды и бюджета на модели уже на старте. Для инди-разработчиков, небольших студий и продуктовых команд это снижает цену эксперимента — идею вроде суммаризатора встреч, внутреннего copilot или voice-to-notes сервиса теперь можно проверить за пару вечеров и только потом решать, стоит ли платить за масштабирование.