Módulo de procesamiento speech to text para reconocimiento de tareas en proyectos mediante modelos LLM

Abstract

Este proyecto se centra en el desarrollo de un módulo de procesamiento de voz a texto para el reconocimiento de tareas en proyectos, utilizando modelos de lenguaje a gran escala (LLM) basados en grabaciones de reuniones de equipo. Se emplean herramientas avanzadas como Google Cloud Speech-to-Text, Deepgram, Gemini AI y Vertex AI para obtener transcripciones precisas, que posteriormente se utilizan para generar tareas estructuradas almacenadas en una base de datos y accesibles a través de una interfaz web. La metodología adoptada incluye la integración de modelos de lenguaje a gran escala y aprendizaje supervisado para mejorar la precisión de las transcripciones y la categorización de tareas. Los resultados demuestran una mejora significativa en la gestión y seguimiento de proyectos al automatizar el reconocimiento y estructuración de tareas, optimizando así la productividad del equipo. Este enfoque proporciona una base sólida para futuras implementaciones en herramientas relacionadas con la gestión de proyectos.

This project focuses on the development of an advanced speech-to-text processing module for task recognition in projects, particularly those utilizing large language models (LLMs), based on recordings of team meetings. It leverages cutting-edge technologies such as Google Cloud Speech-to-Text, Deepgram, Gemini AI, and Vertex AI to obtain highly accurate transcriptions. These transcriptions are then analyzed and used to generate structured tasks, which are stored in a centralized database and can be easily accessed via an intuitive web interface. The adopted methodology includes the integration of LLMs and supervised learning techniques, which work together to significantly enhance the accuracy of both the transcriptions and the categorization of tasks. The results from this approach demonstrate a substantial improvement in project management and tracking, as it automates the process of recognizing, structuring, and categorizing tasks. This automation significantly optimizes team productivity by reducing manual effort and ensuring tasks are captured in a highly organized manner. The project also presents a robust and scalable solution that can serve as a solid foundation for future implementations in various tools related to project management and team collaboration. With these capabilities, it offers immense potential for streamlining workflows and enhancing the efficiency of project execution across diverse industries.