LINE Voice Note Assistant

專案介紹

會議紀錄、課堂錄音或 Podcast 等長篇音訊資料，本質上是非結構化的，無法直接進行文本檢索。即便市面上有轉錄服務，通常也面臨嚴格的時長計費限制以及企業內部資料外流的隱私疑慮；此外，單純將語音轉為逐字稿，使用者仍需耗費大量時間閱讀，無法有效解決資訊超載的問題。

為此，我們開發了「LINE 語音筆記助手」。這是一個基於混和雲（Hybrid Cloud）架構的零成本語音處理系統。透過使用者最熟悉的 LINE 介面輸入音訊，系統將運算密集的「語音轉文字」推論落地於本機 GPU 執行以確保隱私與免除推論成本，並將後續的「資料結構化、重點摘要與心智圖生成」交由雲端 Serverless 工作流引擎非同步處理。

技術棧 (Technology Stack)

• 邊緣閘道 (Edge Gateway)： Python / Flask

• 本地推論 (Local Inference)： OpenAI Whisper

• 雲端編排 (Cloud Orchestration)： n8n — 部署於 HuggingFace Space，作為事件驅動的工作流引擎 。

• AI 引擎 (LLM)： 串接大語言模型執行自然語言處理、長文摘要與資料結構化轉換 。

• 資料儲存 (Data Storage)： Google Drive — 透過 API 介接，作為非結構化檔案（TXT、HTML）的物件儲存空間 。

• 通訊介面 (Messaging Gateway)： LINE Messaging API — 處理 Webhook 監聽與主動推播 (Push Message) 。

系統架構圖

階段一：接入與非同步解耦 (使用者端 ↔ 本機伺服器)

• 步驟 1：傳送語音訊息 使用者透過 LINE APP 發送語音檔案，系統透過 Webhook 將音訊資料傳遞至本機伺服器的「本地端伺服器」。

• 步驟 2：立即回覆"處理中"。本地端伺服器收到音檔後，必須在主執行緒立刻回覆 LINE 伺服器，以避開 LINE API 嚴格的 30 秒逾時（Timeout）強制斷線機制。此動作宣告同步通訊結束，後續任務轉為非同步處理。

階段二：本地硬體推論 (本機伺服器內部)

• 步驟 3：將錄音檔轉錄為文字 FLASK 將耗時的語音處理任務派發至「背景執行」的執行緒中。由掛載於本地 GPU 的「WHISPER 模型」接手，執行高密度的矩陣運算，將音訊特徵轉為文字。

階段三：雲端邏輯編排與持久化 (本機伺服器 ↔ 雲端自動化)

• 步驟 4：發送轉錄文字 本地端 WHISPER 轉錄完成後，由 FLASK 將資料發送至部署於 HuggingFace Space 的「n8n 工作流」接收端。

• 步驟 5：產生重點摘要和心智圖 資料進入雲端後，n8n 扮演工作流呼叫「LLM 大語言模型」執行自然語言處理，將長篇逐字稿提煉為結構化的摘要與心智圖。

• 步驟 6：存入檔案 為確保資料持久化，n8n 將處理完的文本或心智圖檔案，透過 API 寫入「Google Drive」進行物件儲存。

• 步驟 7：推送最後結果 工作流的最後一步，n8n 透過 LINE Push API，主動將精煉後的摘要與檔案連結還有原文，異步推播回使用者的 LINE APP，完成完整的端到端（End-to-End）資料處理閉環。

n8n流程圖

1. 觸發與預處理 (Ingestion & Pre-processing)

• 資料接收： 工作流由最左側的 Webhook 節點觸發，負責接收從本地端（Flask 閘道）跨網路傳遞過來的 JSON 封包，其中包含語音轉錄好的逐字稿及相關 Metadata。

• 初步清洗： 接收資料後，系統先呼叫 LLM 進行初步的資料清洗，執行「添加標點符號」與「語意分段」。這一步是為了將 Whisper 轉錄出來缺乏結構的純文字，轉換為後續模型更容易處理的標準化格式。

2. 平行處理管線 (Parallel Processing Pipelines)

預處理完成的文本會同時分發到三條獨立的邏輯管線中平行運算，這有效降低了整體流程的延遲（Latency）：

• 管線 A（特徵萃取）： 專注於摘要生成。再次呼叫 LLM 提取文本的核心觀點，生成結構化的重點摘要，並在資料末端附加處理時間戳記，確保資料的可追溯性。

• 管線 B（視覺化轉換）： 負責將文本轉換為圖形結構。首先透過 LLM 將文本邏輯轉譯為 Markmap 格式，接著將此語法傳遞給自訂的 JavaScript 節點，由程式碼直接將其渲染並封裝成「互動式 HTML 檔案」。

• 管線 C（原文保留）： 負責資料的持久化（Persistence）策略。透過一個條件判斷節點（If Node）進行字數評估：

  • > 2000 字（長文）： 觸發 ，將字串轉為 .txt 檔案格式，並上傳寫入 Google Drive 進行物件儲存（Object Storage），避免過長的文字直接塞爆通訊軟體版面。

  • < 2000 字（短文）： 判定為輕量級資料，不進行檔案寫入，直接將字串向後傳遞。

3. 非同步輸出 (Asynchronous Delivery)

• 結果匯聚與推播： 三條管線的處理結果（包含管線 A 的摘要文字、管線 B 的 Google Drive 心智圖連結、管線 C 的短文或長文 Drive 連結）會在最後階段進行打包。

• LINE Push API： 最終透過呼叫 LINE 的 Push API，將這些處理結果以非同步的方式主動推播（Push）到使用者的手機端。

結果展示

更多資訊

GitHub:https://github.com/baodian716/line-voice-to-text-n8n

簡報內容:https://drive.google.com/file/d/1Y_dCcuGo3KhIinwTRqXdi7Ou60X_TrUi/view?usp=sharing