会議や取材の録音を、外部に出さずに文字起こしするLocal Transcription
録音を外部に出さずに文字起こしするには、公開されている音声認識のモデル（Whisper）を手元のパソコンで動かし、Apple シリコンの Mac なら音声の長さの 4 分の 1 ほどの時間で起こせます。固有名詞と話者は機械では崩れるので、聞きながら直す時間を 60 分あたり 2〜3 時間見ておきます。
人の名前や取引先の話が入った録音を、手元のパソコンだけで書き起こす方法と、固有名詞と話者を直して指定の書式で納めるまでの段取りです。
公開日 ／ 書いた人: 墨縄（suminawa）
録音を外部のサービスに上げたくないのは、どんなときですか
- 社内会議や面接、取材の録音に、人の名前や取引先の話が入っている
- 相手に「録音は外に出しません」と約束している
- 文字起こしのサービスは便利だが、どこに保存され、いつ消えるのかが契約書を読まないと分からない
手元のパソコンだけで書き起こすには、何を使いますか
公開されている音声認識のモデル（Whisper）を、手元のパソコンで動かします。音声はパソコンから出ません。Apple シリコンの Mac なら、mlx-whisper という道具で、音声の長さの 4 分の 1 ほどの時間で書き起こせます。60 分の録音なら 15 分前後です。Windows でも同じモデルを動かす道具があり、速さは機械の性能で変わります。
- 録音を 16 kHz のモノラルの音声に変換します（ffmpeg という無料の道具で 1 行）
- モデルは「large-v3-turbo」を選びます。日本語の精度と速さの釣り合いがよく、初回だけモデルの取得（1.6 GB ほど）があります
- 出力は、開始と終了の時刻がついた区間の並びです。これを Excel や Word に流し込みます
精度の癖は、固有名詞が崩れることです。会社名や商品名、人名は聞いて直す前提にします。数字と敬体の文は安定しています。
納品までの段取りは、どう組みますか
- 機械で起こす: 時刻つきの区間を Excel（開始・終了・話者・本文・備考の 5 列）と SRT に出します。話者の列は空欄にしておきます
- 聞きながら直す: 固有名詞、言い直し、相づちを直し、話者の列を埋めます。60 分の対談で 2〜3 時間。ここが仕上がりを決めます
- 指定の書式へ: 依頼主の書式（Word の段落、1 分ごとの時刻、発言者の見出しなど）に合わせて整えます。SRT は字幕にそのまま使えます
「ケバ取り」（えー、あの、を消す）や「整文」（話し言葉を書き言葉に直す）をどこまでやるかは、始める前に決めます。取材記事の素材なら整文まで、議事録なら発言のまま、が多いです。
文字起こしを頼めますか
録音を外部に送らず、手元で起こして、時刻つきの Excel と Word、字幕用の SRT でお納めします。固有名詞と話者は聞きながら直します。60 分 6,000 円から ── ココナラ
会議の録音から決定事項と宿題を分けた議事録まで作る形は、問い合わせメールの仕分けと同じ「機械で読んで人が確かめる」組み方です。ご相談は hello@suminawa.dev へ。3 営業日以内に返信します。
見本・キット・ご相談
- AI 書類読み取りの見本を開く（その場で試せます）
- AI 書類読み取りキット（キットとテンプレートの一覧）
- 制作のご相談（料金の目安と進め方）