0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

Whisperで音声を文字起こしし、要約・議事録化まで自動化する

0
Last updated at Posted at 2026-11-14

会議後の録音を聞き直しながら議事録を作る作業は、時間がかかるうえに、重要な発言を見落としやすい作業です。

そこで今回は、OpenAIの音声認識モデル「Whisper」を使って音声を文字起こしし、その結果を要約・議事録化する処理を試しました。結論から言うと、Whisperでの文字起こしと、箇条書きの議事録生成をPythonでつなぐだけでも、会議後の整理にかかる時間をかなり減らせます。

今回は、音声データを外部へ送信せず、文字起こしをローカルで実行する構成にしました。要約部分もローカルLLMを利用するため、社内会議などを扱う場合の検討材料にもなります。

1. 実行環境を準備する

Whisperの実行にはPythonとFFmpegを使います。まず、仮想環境を作成して必要なパッケージをインストールします。

python -m venv .venv

Windowsの場合は次のコマンドで仮想環境を有効化します。

.venv\Scripts\activate

macOSやLinuxでは以下です。

source .venv/bin/activate

Whisper本体をインストールします。

pip install -U openai-whisper

FFmpegも必要です。インストール後、次のコマンドが実行できれば準備完了です。

ffmpeg -version

Whisperには複数のモデルサイズがあります。小さいモデルほど高速ですが、日本語の認識精度はモデルによって差が出ます。まずはバランスのよいsmallを使い、精度を優先したい場合はmedium以上を試す方針にしました。

2. Whisperで音声を文字起こしする

最初に、コマンドラインから文字起こしを試します。音声ファイルをmeeting.mp3として、次のように実行します。

whisper meeting.mp3 --model small --language Japanese --output_format txt

実行すると、同じディレクトリにテキストファイルが作成されます。

meeting.txt

Pythonから実行する場合は、次のように書けます。

import whisper

model = whisper.load_model("small")

result = model.transcribe(
    "meeting.mp3",
    language="ja",
    fp16=False
)

with open("transcript.txt", "w", encoding="utf-8") as file:
    file.write(result["text"])

print("文字起こしが完了しました")

CPU環境ではfp16=Falseを指定しています。GPUが使える環境では、fp16=Trueにすることで処理時間を短縮できる場合があります。

実際に試したところ、録音状態がよい音声ではそのまま読める文章になりました。一方で、複数人が同時に話している箇所や、固有名詞、専門用語は誤認識が発生しました。議事録に使う場合は、文字起こし結果を完全な原稿と考えず、後段で確認する前提にした方が安全です。

3. 文字起こし結果を議事録向けに整形する

文字起こし結果には、「えー」「あの」などのフィラーや、話し言葉特有の重複が含まれます。そこで、要約処理に渡すプロンプトを工夫します。

今回は、ローカルで動作するLLMサーバーとしてOllamaを使いました。Ollama側で要約に使うモデルを起動しておきます。

ollama run llama3.1

PythonからOllamaのAPIを呼び出すため、HTTPリクエストを送ります。

pip install requests

要約処理のコードは次の通りです。

import requests

def summarize_transcript(transcript: str) -> str:
    prompt = f"""
以下は会議の文字起こしです。
内容を整理し、次の形式で日本語の議事録を作成してください。

# 議題
- 会議で扱われた主なテーマ

# 決定事項
- 明確に決まったこと
- 決まっていない場合は「なし」

# 論点・要約
- 重要な議論を箇条書き

# アクションアイテム
- 担当者、期限、作業内容
- 担当者や期限が不明な場合は「未定」と明記

# 確認が必要な事項
- 文字起こしから判断できない内容
- 曖昧な発言

推測で情報を補わず、原文にない担当者名や期限は作らないでください。

文字起こし:
{transcript}
"""

    response = requests.post(
        "http://localhost:11434/api/generate",
        json={
            "model": "llama3.1",
            "prompt": prompt,
            "stream": False
        },
        timeout=300
    )
    response.raise_for_status()
    return response.json()["response"]

特に重要なのは、「推測で補わない」と明示することです。議事録では、モデルが自然な文章に整えようとして、存在しない期限や担当者を補ってしまうと問題になります。

4. 文字起こしから議事録まで一括実行する

音声ファイルから議事録を作成し、最後に人が確認するまでの流れは次の通りです。

ここまでの処理を1本のスクリプトにまとめます。

from pathlib import Path
import requests
import whisper


def summarize_transcript(transcript: str) -> str:
    prompt = f"""
以下の会議記録を、日本語の議事録に整理してください。

## 決定事項
## 議論の要約
## アクションアイテム
## 未解決事項

各項目は箇条書きにしてください。
原文にない情報は追加せず、不明なものは「未定」または「不明」と書いてください。

会議記録:
{transcript}
"""

    response = requests.post(
        "http://localhost:11434/api/generate",
        json={
            "model": "llama3.1",
            "prompt": prompt,
            "stream": False
        },
        timeout=300
    )
    response.raise_for_status()
    return response.json()["response"]


def main():
    audio_path = Path("meeting.mp3")
    transcript_path = Path("transcript.txt")
    minutes_path = Path("minutes.md")

    model = whisper.load_model("small")
    result = model.transcribe(
        str(audio_path),
        language="ja",
        fp16=False
    )

    transcript = result["text"]
    transcript_path.write_text(transcript, encoding="utf-8")

    minutes = summarize_transcript(transcript)

    minutes_path.write_text(
        "# 議事録\n\n" + minutes,
        encoding="utf-8"
    )

    print(f"出力しました: {transcript_path}")
    print(f"出力しました: {minutes_path}")


if __name__ == "__main__":
    main()

実行します。

python make_minutes.py

transcript.txtには元の文字起こし、minutes.mdには議事録が保存されます。Markdown形式にしておくと、後からレビューしたり、社内のドキュメントへ貼り付けたりしやすくなります。

5. 精度を上げるために確認したこと

試していて効果があったのは、音声ファイルの品質を上げることでした。モデルを大きくするだけでなく、次の点も認識精度に影響します。

  • マイクと話者の距離を近づける
  • 空調音やキーボード音を減らす
  • 話者が同時に発言しない
  • 固有名詞や製品名を議事録生成後に確認する
  • 長時間の音声は適切な単位に分割する

また、話者分離はWhisper単体では十分に扱えません。誰が発言したかまで必要な場合は、話者識別用の処理を別途組み合わせる必要があります。

議事録をそのまま正式記録にするのではなく、最後に人が確認する運用が現実的です。特に数字、日付、担当者、否定表現は誤りが残ると影響が大きいため、優先して確認するようにしています。

まとめ

Whisperを使うと、音声ファイルから日本語の文字起こしをローカルで実行できます。さらに、文字起こし結果をLLMに渡して、決定事項やアクションアイテムを整理すれば、議事録作成まで自動化できます。

今回の構成では、次の流れをPythonで実装しました。

  1. Whisperで音声を文字起こしする
  2. テキストファイルに保存する
  3. 要約用のプロンプトで議事録化する
  4. Markdown形式で出力する

自動化によって議事録作成の負担は減らせますが、認識誤りや要約時の解釈違いがなくなるわけではありません。まずは自分の会議録で試し、誤認識が多い固有名詞や確認項目を把握したうえで、プロンプトや音声環境を調整していくのがおすすめです。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?