会議向け Whisper：ビジネス会議の高精度文字起こし

---

会議文字起こしに Whisper を選ぶ理由

• 声の特徴が異なる複数話者
• ビデオ会議やオフィス由来の背景ノイズ
• グローバルチームにおけるアクセント・非母語話者
• 長時間の会議（30 分〜数時間）
• 話の重なりや割り込み
• 多言語会議や言語の切り替え
• 端末や回線による音質のばらつき

• 社内議事録・ドキュメント
• スタンドアップ・レトロスペクティブ
• 顧客面談・コンサル
• 研修・ウェビナー
• 取締役会・コンプライアンス記録
• インタビュー文字起こし
• 録画会議からのナレッジベース構築

---

典型的な会議文字起こしパイプライン

Meeting Recording (Zoom / Teams / Local)
↓
Audio Extraction (WAV / MP3 / M4A)
↓
Preprocessing (normalize, denoise, resample)
↓
Speaker Diarization (optional but recommended)
↓
Whisper Transcription (chunked for long meetings)
↓
Post-processing (punctuation, speaker labels, timestamps)
↓
Formatting (minutes, summaries, searchable text)

---

音声フォーマット：会議で効きやすい設定

推奨パラメータ

パラメータ	値	メモ
サンプリングレート	16kHz または 48kHz	取れるなら高い方が有利
チャンネル	モノまたはステレオ	多くの場合モノで十分
フォーマット	WAV（推奨）、FLAC、MP3	可逆圧縮を推奨
量子化ビット	16/24bit PCM	16bit で十分なことが多い

---

会議プラットフォームごとの扱い

Zoom 録画

• MP4（映像）または M4A（音声のみ）
• 48kHz（品質は良好）
• 設定によりステレオまたはモノ

# Extract audio from Zoom recording
import ffmpeg

def extract_audio_from_zoom(zoom_file, output_wav):
    stream = ffmpeg.input(zoom_file)
    stream = ffmpeg.output(
        stream,
        output_wav,
        acodec='pcm_s16le',
        ac=1,  # Mono
        ar=16000  # 16kHz
    )
    ffmpeg.run(stream, overwrite_output=True)

Microsoft Teams 録画

• MP4
• 48kHz 音声
• 複数音声トラックを含むことがある

Google Meet 録画

• 多くは MP4 または WebM
• 回線により品質は変動
• 音声の抽出が必要な場合あり

ローカル録音

• 16kHz 以上の WAV を推奨
• マイク位置を適切に
• 背景ノイズを抑える

---

会議における話者ダイアライゼーション

ダイアライゼーションが必要な理由

• 議事録には話者の帰属が要る
• アクションアイテムを人に紐づける
• 参加者別の検索・分析
• コンプライアンスと記録保管

アプローチ

1. Pyannote.audio（推奨）

from pyannote.audio import Pipeline

# Load diarization pipeline
pipeline = Pipeline.from_pretrained(
    "pyannote/speaker-diarization-3.1",
    use_auth_token="YOUR_TOKEN"
)

# Run diarization
diarization = pipeline(audio_file)

# Get speaker segments
for turn, _, speaker in diarization.itertracks(yield_label=True):
    print(f"Speaker {speaker}: {turn.start:.2f}s - {turn.end:.2f}s")

• 精度が高い
• 複数話者に強い
• Whisper と連携しやすい

2. チャンネル分離

import torchaudio

audio, sr = torchaudio.load("meeting.wav")
# Assuming stereo with different speakers per channel
speaker1 = audio[0]
speaker2 = audio[1]

# Transcribe each separately
result1 = model.transcribe(speaker1)
result2 = model.transcribe(speaker2)

3. 簡易 VAD + クラスタリング

# Use Voice Activity Detection to find speech segments
# Cluster segments by acoustic similarity
# Assign speaker labels

ダイアライゼーションと Whisper の組み合わせ

1. ダイアライゼーションで話者区間を取得
2. 区間ごとに音声を切り出し
3. 各区間を Whisper で転写
4. 話者ラベルとタイムスタンプを付けて結合

def transcribe_meeting_with_diarization(audio_path, model):
    # Step 1: Diarization
    diarization = pipeline(audio_path)
    
    # Step 2: Transcribe each speaker segment
    transcripts = []
    for turn, _, speaker in diarization.itertracks(yield_label=True):
        # Extract segment
        segment_audio = extract_segment(audio_path, turn.start, turn.end)
        
        # Transcribe with Whisper
        result = model.transcribe(segment_audio)
        
        # Add speaker label
        transcripts.append({
            "speaker": speaker,
            "start": turn.start,
            "end": turn.end,
            "text": result["text"]
        })
    
    return transcripts

---

会議向けおすすめ Whisper モデル

モデル	精度	速度	VRAM	向いている用途
base	中	速い	~1GB	下書き向け
small	高	中	~2GB	✅ 多くの会議
medium	非常に高	遅め	~5GB	✅ 重要な会議
large-v3	最高	遅い	~10GB	✅ 法務・重要記録

• 通常のチーム会議 → small
• 顧客・重要議論 → medium
• 取締役会・コンプライアンス重視 → large-v3

---

長時間会議（30 分以上）

ベストプラクティス：スマートチャンク

• チャンク長: 30〜60 秒
• オーバーラップ: チャンク間で 5〜10 秒
• 文脈を跨ぎで維持

def transcribe_long_meeting(audio_path, model, chunk_length=60, overlap=5):
    # Load audio
    audio = whisper.load_audio(audio_path)
    
    # Split into chunks with overlap
    chunks = []
    start = 0
    while start < len(audio):
        end = min(start + chunk_length, len(audio))
        chunks.append((start, end))
        start = end - overlap  # Overlap for context
    
    # Transcribe each chunk
    results = []
    previous_text = ""
    
    for start_time, end_time in chunks:
        chunk_audio = audio[start_time:end_time]
        
        result = model.transcribe(
            chunk_audio,
            condition_on_previous_text=True,
            initial_prompt=previous_text[-200:] if previous_text else None
        )
        
        results.append({
            "start": start_time,
            "end": end_time,
            "text": result["text"]
        })
        
        previous_text = result["text"]
    
    return merge_transcripts(results)

オーバーラップの意味

---

会議での精度向上

1. 音声の前処理

import numpy as np
from scipy.io import wavfile

def normalize_audio(audio_path, output_path):
    sr, audio = wavfile.read(audio_path)
    
    # Normalize to [-1, 1]
    audio = audio.astype(np.float32)
    audio = audio / np.max(np.abs(audio))
    
    # Remove silence (optional)
    # Apply noise reduction (optional)
    
    wavfile.write(output_path, sr, audio)

2. 会議固有のコンテキスト

context_prompt = """
This is a business meeting about Q4 product planning.
Participants include: Sarah (Product Manager), John (Engineer), Lisa (Designer).
Topics discussed: feature roadmap, technical constraints, user research.
"""

result = model.transcribe(
    audio,
    initial_prompt=context_prompt,
    language="en"
)

3. 専門用語

# Add custom vocabulary or use phrase boosting
context = "This meeting discusses API endpoints, microservices, Kubernetes, and CI/CD pipelines."

4. 単語タイムスタンプ

result = model.transcribe(
    audio,
    word_timestamps=True  # Get word-level timestamps
)

---

リアルタイムとバッチ

リアルタイム

# Stream audio in small chunks (1-5 seconds)
# Transcribe incrementally
# Update display in real-time

バッチ（推奨）

---

書き起こしの後処理

1. 議事録形式

def format_meeting_minutes(transcript, speakers, metadata):
    minutes = f"""
# Meeting Minutes
**Date:** {metadata['date']}
**Participants:** {', '.join(speakers)}
**Duration:** {metadata['duration']}

## Transcript

"""
    for segment in transcript:
        minutes += f"**[{segment['speaker']}]** ({segment['start']:.0f}s): {segment['text']}\n\n"
    
    return minutes

2. アクション抽出

# Use LLM or pattern matching to extract:
# - Action items
# - Decisions made
# - Next steps
# - Questions raised

3. 要約

# Use LLM (GPT-4, Claude, etc.) to summarize:
# - Key discussion points
# - Decisions and outcomes
# - Action items and owners

4. 検索インデックス

# Index transcript for search
# Tag by speaker, topic, timestamp
# Enable full-text search

---

会議プラットフォームとの連携

Zoom

# After Zoom meeting ends:
# 1. Download recording from Zoom API
# 2. Extract audio
# 3. Transcribe with Whisper
# 4. Upload transcript back to Zoom or share via email

Microsoft Teams

# Use Microsoft Graph API to:
# 1. Access Teams meeting recordings
# 2. Download audio files
# 3. Process with Whisper
# 4. Store in SharePoint or OneDrive

Google Meet

# Use Google Drive API to:
# 1. Access Meet recordings
# 2. Download and process
# 3. Store transcripts in Drive

カスタム連携

# Webhook-based workflow:
# 1. Meeting platform sends recording URL
# 2. Download and transcribe
# 3. Send transcript back via webhook
# 4. Update meeting platform UI

---

エンタープライズ会議へのスケール

小規模（1 日あたり〜50 会議）

• GPU サーバー 1 台
• Whisper small / medium
• 単純なキュー

中規模（100〜1000 / 日）

• GPU プール（2〜4 枚）
• 非同期ジョブキュー（RabbitMQ、Redis など）
• チャンク処理と負荷分散

大規模

• 複数 GPU ノード
• Kubernetes など分散処理
• 音声前処理サービス
• 転写＋要約パイプライン
• 繰り返しコンテンツのキャッシュ

---

よくある課題と対策

1. 話の重なり

2. 背景ノイズ

3. アクセント・非母語

4. 専門用語

---

Whisper とクラウド会議文字起こし

項目	Whisper（自前）	クラウド（Otter、Rev 等）
コスト	低め（GPU 投資）	分単位課金で高くなりがち
データ支配	自社で完結	ベンダー依存
精度	非常に高い	高い
カスタム	自由度高い	限定的
話者分離	別途統合	製品により標準搭載
連携	自前実装	コネクタあり

---

ベストプラクティス要約

1. モデルサイズ（通常は small、重要なら medium）
2. 複数話者ならダイアライゼーション
3. 長会議はチャンク（30〜60 秒＋オーバーラップ）
4. 必要なら前処理（正規化・ノイズ低減）
5. コンテキスト（参加者・トピック・用語）
6. 単語タイムスタンプで検索性を確保
7. 後処理（体裁、要約、アクション）
8. 本番前に自社の会議タイプで検証

---

まとめ

---