Googleの公式Meet文字起こしは、Workspace Business Standard（ユーザーあたり月額約14ドル）の契約が必要です。このガイドでは、Meetの録画、無料のWindowsアプリ、そして数分で完了するトランスクリプトを組み合わせた無料の代替手段をご紹介します。
Workspaceのサブスクリプションの有無にかかわらず機能します。
アカウントがWorkspace Business Standard以上の場合、録画機能が組み込まれています。Meet内の3点メニューをクリックし、「ミーティングを録画」を選択します。個人用のGoogleアカウントや、録画機能のないWorkspaceのプランを使用している場合は、通話に参加する前に無料のローカル画面録画ツールを起動してください。OBS Studioが最も一般的な選択肢です。内蔵のXbox Game Bar（Win+G）やShareXも機能します。どれを選ぶ場合でも、「システム音声をキャプチャ」が有効になっていることを確認してください。そうしないと、音声のない動画が録画されてしまいます。
Google Meetが通話を録画した場合、MP4としてマイドライブの「Meet Recordings」に保存されます。Driveを開き、ファイルを見つけてダウンロードします。画面録画ツールを使用した場合は、録画ツールの保存先にファイルがすでに存在しています。どちらの方法でも、最終的には1つの.mp4ファイルになります。ファイルサイズは、解像度や画面共有の内容によって、通常1時間あたり50〜300 MB程度です。
ホームページからStarWhisperをダウンロードします。Whisperモデルをバンドルしているため、初回実行時のインストーラのサイズは約200 MBです。アカウント登録、クレジットカード、クラウドコンポーネントは一切不要です。インストール後、アプリを一度起動し、30秒のセットアップを完了します（デフォルトのマイクを選択し、ホットキーを選択し、それ以外はデフォルトを受け入れます）。これで文字起こしの準備は完了です。
エクスプローラーを開き、録画を保存した場所に移動します。.mp4をStarWhisperウィンドウにドロップします。アプリが自動的にオーディオトラックを抽出し、話されている言語を検出して、文字起こしを開始します。最近のノートパソコンのCPUでは、60分の通話に通常5〜15分かかります。CUDAアクセラレーションパックを使用したNVIDIA GPUの場合は1〜3分です。進行状況はリアルタイムで表示されます。ウィンドウを最小化して作業を続けることもできます。
実行が完了すると、StarWhisperウィンドウにトランスクリプトが表示されます。画面で読む、全文をクリップボードにコピーする、または.txtファイルとして保存することができます。Google Docs、Notion、Confluence、OneNote、またはチームのメモシステムに貼り付けます。トランスクリプトは話者ラベルのないプレーンテキストであり、ファイルの移植性が保たれています。合計コスト：ゼロ。Workspaceのアップグレードも、Otterのサブスクリプションも、従量課金制の文字起こし料金も不要です。
ユーザーあたり14ドルのプランと同等の機能を無料で実現するワークフロー。
Workspace Business Standardは、ユーザーあたり月額約14ドル、つまりシートあたり年額168ドルです。5人チームの場合、文字起こしを有効にするだけで年間840ドルかかります。このワークフローは、たまに文字起こしをするユーザーには無料のままです。毎日長い会議を文字起こしする場合は、Proプランで1人あたり月額10ドルになります。
MP4はハードドライブ上にあります。StarWhisperはCPUまたはGPUでローカルに文字起こしを実行します。文字起こし中にGoogle、OpenAI、または第三者に何もアップロードされません。プライバシーとオフラインアーキテクチャの詳細。
同じワークフローで、Zoom、Microsoft Teams、Webex、Slack Huddlesなど、録画可能なあらゆるものに対応します。文字起こしエンジンは、すべての録画を単なるオーディオファイルとして扱います。プラットフォーム固有の録画手順については、Zoom通話の文字起こしに関する関連ガイドをご覧ください。
英語、スペイン語、ドイツ語、フランス語、日本語、北京語など、さまざまな言語でMeet通話を行う分散型チームに最適です。Whisperは話されている言語を自動検出します。多言語サポートページ。
同じインストールで、ホットキーを長押しするだけで、Google Docs、Chat、またはWindowsの任意のテキストフィールドにディクテーションできます。長押しのワークフローについては、Google Docsでの音声テキスト変換ガイドをご覧ください。
NVIDIA GPU所有者は、CUDA 11または12を介して1時間の通話を1〜3分で処理できます。GPUがない場合でも、最新のCPUは同じワークロードを5〜15分で処理します。どちらのパスも、会議を聞き直すよりは高速です。
Google Meetには無料のライブキャプションがありますが、公式のトランスクリプトエクスポートはWorkspace Business Standard以上でのみ利用可能です。Business Standardは、年額請求でユーザーあたり月額約14ドルです。個人フリーランサーや、月に数回しかトランスクリプトを必要としない小規模チームにとっては、これは重い負担です。多くのチームは無料枠やより安価なWorkspaceプランを維持し、手書きのメモを取るか、Workspaceの上にOtterやFirefliesのような外部サービスに追加で課金することになります。
より安価な外部サービスにも独自のトレードオフがあります。それらはボットとしてミーティングに参加し、参加者リストで自己紹介するため、機密性の高い通話の参加者を不安にさせます。また、会議の音声をサーバーにアップロードするため、法務、医療、人事、M&Aの議論において問題となります。そして、Workspaceの上にさらに別の月額サブスクリプションが追加されますが、そもそもBusiness Standardにアップグレードしないことでこれを避けようとしていたはずです。
このガイドでは、ほとんどの独立したトランスクリプバーとプライバシーを重視するチームが落ち着くワークフローについて説明します。Meet通話をキャプチャし（Workspaceの録画、無料の画面録画ツール、または同僚が共有したもののいずれかを使用）、そのMP4をWindows PCのStarWhisperで文字起こしします。無料で、ローカルで、ミーティングにボットが存在せず、従量課金制の料金もかかりません。
このワークフロー全体の鍵は、そもそも録画を持っていることです。録画を取得する一般的な3つの方法は次のとおりです。
ミーティング中に、3点メニューをクリックし、「ミーティングを録画」を選択し、参加者に通知するよう求めるプロンプトを確認します。通話が終了すると、録画が処理され、通常は数分以内にマイドライブの「Meet Recordings」に保存されます。全員のミックスされた音声と、アクティブな話者のビデオ、および画面共有を含むMP4が提供されます。
通話に参加する前に、OBS Studio、内蔵のXbox Game Bar（Windows 10/11でWin+G）、ShareX、またはその他の画面録画ツールを起動します。重要な設定は「デスクトップ音声をキャプチャ」または「システム音声を録音」であり、これによりコンピュータがスピーカーから再生している音声が録音されます。これがないと、動画のみが録音されます。録画ツールで選択できる場合は、出力形式としてMP4を選択します。通話に参加する直前に録画を開始し、全員が退出した後に停止します。
ホストまたは別の参加者が通話を録画し、Driveのリンクを送ってきた場合は、リンクをクリックしてMP4をダウンロードし、ステップ3に進みます。
他の参加者には必ず録画していることを伝えてください。多くの管轄区域では少なくとも一方の当事者の同意が必要ですが、専門的かつ倫理的な慣行として開示することが推奨されます。一部の職場や契約では社内会議のローカルキャプチャを明示的に禁じているため、機密性の高い通話にこれを利用する前に確認してください。
Google Meetの録画（Workspaceまたは画面録画ツールのいずれか）は、すべての音声を含む1つのミックスされたオーディオトラックと、その時点で画面に表示されていた人の単一のビデオトラックを含む単一のMP4です。文字起こしに重要なのはオーディオです。話者ごとのチャネルはないため、StarWhisperやその他の単一トラックのトランスクリプバーは、誰が何を言ったかを自動的にラベル付けすることはできません。
StarWhisperは、文の区切りと自然な句読点を含むクリーンな連続したトランスクリプトを作成します。一般的なアクションアイテムや決定事項の会議ではこれで十分です。トランスクリプトにざっと目を通し、覚えている話者に行を帰属させ、4〜5個の決定事項やアクションアイテムを取り出してチームと共有します。話者ラベル付きの正式な逐語的なトランスクリプト（法廷手続き、宣誓陳述書、学術研究インタビュー）が必要な場合は、有料のクラウドダイアライゼーションサービス、または各話者が独自のトラックを持つマルチマイクセットアップのいずれかが必要になります。
録画された会議の文字起こしは、リアルタイムよりも速く、時にははるかに速く行われます。一般的なハードウェアにおけるデフォルトのmedium Whisperモデルの概算実行時間は次のとおりです。
| ハードウェア | 30分の会議 | 60分の会議 | 2時間の会議 |
|---|---|---|---|
| 最新のノートPC CPU（i7またはRyzen 7） | 3〜6分 | 6〜12分 | 12〜25分 |
| NVIDIA RTX 3060（CUDA） | 30〜60秒 | 1〜2分 | 2〜5分 |
| NVIDIA RTX 4090（CUDA） | 10〜20秒 | 20〜40秒 | 1〜2分 |
| 古いCPU（5年以上） | 10〜20分 | 25〜45分 | 50〜90分 |
過去3年以内に購入されたほとんどのオフィスノートPCの場合、1時間のMeet録画の文字起こしは6〜12分で完了すると予想されます。これを定期的に行い、マシンにNVIDIA GPUがある場合、CUDAパックによって時間がほぼ1桁短縮されます。
ベルリン、東京、サンパウロにまたがるMeet通話を行う分散型チームは、このワークフローの主要なユースケースです。Whisperは96言語をサポートしており、英語、ドイツ語、スペイン語、フランス語、イタリア語、ポルトガル語、オランダ語、ポーランド語、日本語、中国語、韓国語、ヒンディー語、ロシア語、アラビア語、トルコ語などで高い精度を誇ります。モデルはファイルの先頭で話されている言語を自動検出します。
話者が通話の途中で言語を切り替える会議（ヨーロッパでよくあるパターン）の場合、Whisperは短いコードスイッチを合理的にうまく処理しますが、基本言語に固定されます。半分スペイン語で半分英語の会議の場合、録画を2つのクリップに分割し、それぞれを宣言された言語で文字起こしすることで、より良い結果が得られる場合があります。多言語機能ページで、言語ごとの精度について詳しく説明しています。
翻訳も可能です。StarWhisperは、英語以外の録画を取得し、Whisperの翻訳モードを使用して英語のテキストに直接文字起こしすることができます。これは、翻訳者に支払うことなく、別の言語でのパートナー会議をフォローしようとする米国や英国の社内チームに役立ちます。主要な言語では品質は一般に良好ですが、あまり一般的でない言語では品質が低下します。
このワークフローにより、会議の音声とトランスクリプトはデバイス上に留まります。Workspaceの録画は独自のGoogle Driveに存在し、共有を自分で制御できます。画面録画ツールの録画はハードドライブに保存されます。StarWhisperのローカルモードは、CPUまたはGPUでファイルをローカルに処理します。トランスクリプトの出力はPC上のプレーンな.txtファイルです。（クラウドドキュメントに貼り付けたり、メールで送信したり、アップロードしたりしない限り）これらがネットワークから離れることはありません。
クラウド文字起こしサービスと比較してみてください。Otter、Fireflies、Notta、および類似のツールは、ボットとして通話に参加し、音声をサーバーにアップロードします。Google自身の文字起こしでさえ、Googleのクラウドで音声を処理します。機密性の高い通話（M&Aの議論、人事評価、NDA下の顧客インタビュー、法的戦略、医療症例のレビュー）において、ローカルのみのワークフローはデータ制御の面で意味のある改善です。
規制の厳しい業界にいる場合、同じアーキテクチャがコンプライアンス態勢をサポートします。HIPAAコンプライアンスFAQでは、保護対象保健情報に対するローカル処理の意味について具体的に説明しています。
候補者の選考を行う採用担当者、ディスカバリーコールを行う営業担当者、更新手続きを行うCSリーダーは、誰もがトランスクリプトを望んでいますが、別個の文字起こし費用を正当化することはめったにありません。ここでのワークフローは他の会議と同じです。ローカルに録画し、後で文字起こしします。大量の作業を行う営業チーム向けの、営業担当者向けの音声テキスト変換ガイドでは、CRMとの統合について説明しています。人事および採用のワークフロー向けの、人事マネージャー向けの音声テキスト変換ページでは、候補者の選考トランスクリプトとそれに伴う機密保持要件について説明しています。Meetの代わりにTeamsとのより深い統合については、Teamsでの音声テキスト変換ガイドが直接的な同等物です。