管理者は議事録やアクション項目のための文字起こしを必要としていたが、機密の会話を公開AIサービスに送ることはできず、手作業には時間がかかっていた。
Tkinter/ttkを使ったmacOS・Windows向けデスクトップアプリを開発。Apple SiliconではMLX Whisper、Intel MacとWindowsではCPU上でFaster WhisperとCTranslate2を使用。ファイル、言語、TXT/SRT出力を選択できる。バックグラウンドワーカーが画面の応答性を保ち、進行状況と詳細なエラーを表示する。初回起動時に依存関係とモデルをダウンロードし、以後の文字起こしはローカルで処理する。
技術構成にはPython 3.10+、モデルのダウンロードとキャッシュ用のHugging Face Hub、音声・動画デコード用のFFmpegが含まれる（macOSでは必要に応じてHomebrewで導入）。Apple Siliconではmlx-community/whisper-large-v3-turboを使用し、CPUモードではFaster Whisper、CTranslate2、large-v3-turboを使用する。モデルのダウンロード進行率はファイルサイズに応じて重み付けし、ファイルが変わってもパーセントがリセットされない。処理はワーカースレッドとGUIイベントキューで実行する。エラー時には取得した出力と、コピー可能な完全なPython tracebackを表示する。
ケース資料によると、1時間の会議録音の文字起こしは3〜5分で完了し、手作業の1〜2時間から短縮されます。音声はローカルで処理されます。資料にはチームの議事録作成を週6〜8時間削減したとの記載もあります。
| 指標 | 結果 |
|---|---|
| 1時間の録音の文字起こし | 手作業で1–2時間 → 自動で3–5分 |
| 外部サービスへ送信される音声 | 0バイト |
| チームの週次議事録作成 | 6–8時間 → 確認は数分 |
| GPUなしのWindows | CPUで処理 (CTranslate2) |
速度と時間短縮に関する数値はケース資料に記載されています。実際の性能は録音とコンピューターに左右されます。