OpenAI Whisperで会議録音を自動文字起こし：無料でできるセットアップ

会議の録音を文字起こしするサービスは多いが、月額費用がかかるものがほとんどだ。OpenAI Whisperはオープンソースの音声認識モデルで、ローカル環境で無料かつ無制限に使える。精度はサービス版に劣らず、日本語にも対応している。

本稿では、PMが会議録音の文字起こしをWhisperで自動化する方法を解説する。

Whisperとは

OpenAI Whisperは2022年にオープンソースで公開された音声認識モデルだ。英語・日本語を含む99言語に対応しており、モデルサイズに応じてsmall（小さく速い）からlarge（大きく精度高）まで選べる。

日本語の認識精度は、会議音声（複数人・多少のノイズあり）で約90〜95%程度。聞き返しや確認フレーズが多い会話では精度が下がる場合があるが、議事録の元データとして使うには十分な品質だ。

セットアップ：Pythonが使えるなら10分で完了

必要なもの：

Python 3.8以上
pip（Pythonのパッケージ管理ツール）
FFmpeg（音声処理ライブラリ）

インストール手順（Mac/Linux）：

# FFmpegのインストール（Macの場合）
brew install ffmpeg

# Whisperのインストール
pip install openai-whisper

# 動作確認
whisper --help

Windowsの場合：

FFmpegをWindowsに手動インストールしてから、同様にpipでWhisperをインストールする。Windows向けGUIツール「Whisper Desktop」を使えばコマンドラインなしで利用できる。

使い方：基本コマンド

# 日本語音声の文字起こし（mediumモデル使用）
whisper 会議録音.mp3 --language Japanese --model medium

# 出力形式をテキストのみに限定（デフォルトはtxt・vtt・srt・json・tsv）
whisper 会議録音.mp3 --language Japanese --model medium --output_format txt

出力されるファイル：

.txt：プレーンテキスト
.vtt：字幕形式（タイムスタンプ付き）
.srt：字幕形式（動画編集ソフトで読み込める）

モデルの選び方

モデル	サイズ	速度	精度	推奨用途
tiny	75MB	最速	△	テスト用
small	244MB	速い	○	短い録音
medium	769MB	普通	◎	会議録音
large	1550MB	遅い	◎	重要な録音

会議録音にはmediumが最もバランスが良い。1時間の会議録音で処理時間は5〜10分程度（CPU処理の場合）。GPUが使える環境なら2〜3分で完了する。

WhisperとClaudeを組み合わせた全自動フロー

文字起こし後にClaudeで議事録を生成するフローをPythonスクリプトで自動化できる。

import whisper
import anthropic

# Step 1: Whisperで文字起こし
model = whisper.load_model("medium")
result = model.transcribe("会議録音.mp3", language="ja")
transcript = result["text"]

# Step 2: Claudeで議事録生成
client = anthropic.Anthropic()
message = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=2000,
    messages=[{
        "role": "user",
        "content": f"以下の会議録音の文字起こしをもとに議事録を作成してください。\n\n{transcript}"
    }]
)
print(message.content[0].text)

このスクリプトを実行すると、会議録音から議事録テキストまでが完全自動で生成される。

書籍紹介

Rescue the Problem Project

著者: Todd C. Williams — 炎上プロジェクト立て直しに特化した英語書籍

詳細を見る

実際の精度と注意点

精度が高い場面：

静かな環境での1対1の対話
ヘッドセットマイクを使用した録音
標準的なビジネス語彙を使う会話

精度が下がる場面：

複数人が同時に話す場面（話者分離はWhisper単体では困難）
強い訛りや方言
固有名詞（プロジェクト名・人名）

固有名詞の認識精度を上げるには、--initial_prompt オプションで「このプロジェクトはXプロジェクト、参加者はAさん、Bさん」のような文脈情報をヒントとして渡せる。

まとめ

OpenAI Whisperは、コストゼロで高品質な日本語文字起こしができる実用的なツールだ。月に10回以上会議がある場合、有料の文字起こしサービスと比較して年間数万円のコスト削減になる。ClaudeなどのLLMと組み合わせることで、録音から議事録まで完全自動化するパイプラインを構築できる。