Meetily：隐私优先的本地 AI 会议助手

核心观点

Meetily 是一款完全本地运行的开源 AI 会议助手，核心理念是"数据主权"------所有录音、转录、摘要均在用户自己的设备上处理，零云端依赖，专为对隐私和合规性有高要求的个人与企业设计。

关键信息

🔑 产品定位

维度	说明
开源协议	MIT License，永久免费
支持平台	macOS、Windows、Linux
核心技术栈	Rust 后端 + Next.js 前端（基于 Tauri 框架）
转录引擎	Whisper / Parakeet（速度提升 4x）
摘要引擎	Ollama（本地）/ Claude / Groq / OpenRouter / 自定义 OpenAI 兼容端点

🛡️ 为什么强调隐私？

文章用数据直接点出云端会议工具的隐患：

💸 $4.4M：IBM 2024 年报告的平均数据泄露成本
⚖️ €58.8 亿：截至 2025 年 GDPR 罚款总额
🚔 400+ 起：加州今年非法录音诉讼案件

无论是国防顾问、企业高管、法律从业者还是医疗机构，敏感会议内容都不应该存在于自己无法控制的服务器上。

✨ 核心功能列表

实时本地转录：基于 Whisper / Parakeet 模型，无需联网
AI 摘要生成：推荐 Ollama 本地模型，也支持多种云端 LLM
音频混合录制：同时捕获麦克风 + 系统音频，支持智能音量控制
GPU 加速 ：
- macOS：Apple Silicon（Metal）+ CoreML
- Windows/Linux：NVIDIA（CUDA）、AMD/Intel（Vulkan）
导入与增强（Beta）：支持导入已有音频文件并重新转录
自定义 OpenAI 端点：适配企业内部 AI 基础设施
说话人分离（Diarization）：PRO 版即将支持

🏗️ 系统架构

复制代码

┌─────────────────────────────────────────┐
│            Tauri 应用框架                │
├─────────────────┬───────────────────────┤
│   Rust 后端      │    Next.js 前端        │
│  - 音频捕获      │  - 实时转录显示         │
│  - 模型推理      │  - 摘要编辑器           │
│  - 本地存储      │  - 设置管理             │
└─────────────────┴───────────────────────┘
         ↓ 全部本地处理，数据不出设备

📦 快速安装（Linux / 从源码构建）

bash 复制代码

git clone https://github.com/Zackriya-Solutions/meeting-minutes
cd meeting-minutes/frontend
pnpm install
./build-gpu.sh

Windows ：下载 x64-setup.exe 直接安装
macOS ：下载 .dmg，拖入 Applications 即可

💼 社区版 vs PRO 版对比

功能	社区版（免费）	PRO 版（付费）
本地转录	✅	✅（精度更高）
AI 摘要	✅	✅（自定义模板）
说话人分离	❌	✅（即将推出）
高级导出（PDF/DOCX）	❌	✅
自动检测并加入会议	❌	✅
日历集成	❌	✅（即将推出）
GDPR 合规审计	❌	✅
团队自托管部署	❌	✅（2-100 人）

社区版永久免费开源 ，PRO 版使用优惠码 LAUNCH20 可享 8 折。

💡 个人启发

"本地优先"是真正的竞争壁垒：在 AI 工具泛滥的今天，隐私合规已成为企业采购的硬门槛，Meetily 用"零云端"直接规避了这一风险，这比堆功能更有说服力。
Rust + Tauri 是桌面 AI 应用的理想组合：高性能的 Rust 后端处理模型推理，轻量的 Web 前端负责交互，既保证性能又降低了跨平台开发成本，值得学习借鉴。
开源商业化路径清晰：社区版永久免费维系生态，PRO 版聚焦高价值用户（精准度、合规、团队协作），这种"双轨制"是当前开源项目可持续运营的成熟模式。

🔭 延伸思考

本地模型的"天花板"在哪里？

Parakeet/Whisper 在本地跑得再快，硬件门槛依然存在。对于没有高端 GPU 的普通用户，纯本地方案的转录质量和速度能否真正媲美云端服务（如 OpenAI Whisper API）？边界在哪里？
隐私优先与团队协作如何平衡？

本地化处理天然适合单机场景，但当团队需要共享会议记录、协同编辑摘要时，如何在"数据不出本地"与"多人实时协作"之间找到架构平衡点，是自托管部署的核心挑战。
AI 摘要的"可信度"问题如何解决？

会议摘要直接影响决策，Ollama 等本地 LLM 在幻觉（Hallucination）控制上与 GPT-4 级别的模型仍有差距，未来如何引入摘要置信度评分或原文溯源机制，将是此类工具走向专业化的关键一步。