Zoomの組み込み文字起こしには、年額199ドルのBusinessプランが必要です。そんなものは不要です。ローカルで録音し、.m4aファイルを無料のWindowsアプリにドラッグするだけで、数分で完全なテキストが完成します。
無料プランを含む、あらゆるZoomプランで機能します。
Zoomを開き、「設定」>「録画」で「ローカル録画」をオンにします。後で見つけやすいフォルダを選択してください（デフォルトはドキュメントのZoomフォルダです）。ローカル録画は、ミーティングのホストである限り、無料のZoomユーザーも利用できます。ホストでない場合は、ホスト自身に録画を依頼するか、録画の許可を得てください。
通話中に、Zoomツールバーの「録画」をクリックし（またはAlt+Rを押し）、ローカルとクラウドの両方のオプションがある場合は「このコンピューターに録画」を選択します。全員にわかるように、Zoomは隅に小さな録画インジケーターを表示します。通話が終了したら、通常通りミーティングを終了します。Zoomが録画を最終的なファイルに変換するのに1〜2分かかります。
エクスプローラーを開き、ドキュメントのZoomフォルダに移動します。中には、録画ごとに日付の付いたサブフォルダが表示されます。最新のものを開きます。audio_only.m4a（通話音声、より小さなファイル）とzoom_0.mp4（画面共有動画）が見つかります。テキスト化には音声ファイルのみが必要です。動画ファイルでも機能します（StarWhisperは.mp4から音声を自動的に抽出します）。
まだの場合はStarWhisperをインストールします。アプリを開き、エクスプローラーからaudio_only.m4aをウィンドウにドラッグします。アプリが言語を検出し、テキスト化を開始します。1時間の通話は、一般的なCPUで5〜15分、NVIDIA GPUで1〜3分で処理されます。進行状況はリアルタイムで表示されます。バックグラウンドで実行したままにしておくことができます。
テキストはStarWhisperウィンドウに表示されます。読み通し、テキスト全体をクリップボードにコピーするか、.txtファイルに保存します。Notion、OneNote、Googleドキュメント、またはミーティングノートシステムに貼り付けます。テキス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高く、クリーンアップも簡単です。総コストはゼロです。アップロードなし、Zoom Businessへのアップグレードなし、従量課金なし。
199ドルのプランと同じことをする無料のワークフロー。
Zoom Businessは年間約199ドルです。このワークフローは無料のZoom枠にとどまり、StarWhisperの無料のローカルテキスト化を使用します。個人ユーザーや小規模チームにとって、年間の節約額はすぐに大きくなります。
Zoomのローカル録画もStarWhisperのテキスト化も、ハードドライブ上に存在します。テキスト化のためにZoomのサーバーにアップロードされることはなく、サードパーティのミーティングボットが通話に参加することもありません。
同じワークフローで、Microsoft Teams、Google Meet、Webex、Slack Huddles、その他ローカルで録画されたあらゆる通話に対応します。重要なのは音声ファイルだけです。
ベルリン、東京、サンパウロにまたがるチームと仕事をしていますか？Whisperは各録音の言語を自動検出します。多言語サポートの詳細。
同じインストールで、Zoomチャット（またはその他のテキストフィールド）に直接音声で入力することもできます。長押しワークフローについては、Zoomでの音声テキスト変換ガイドを参照してください。
NVIDIA GPU所有者は、CUDAを介して1時間のミーティングを1〜3分で処理できます。GPUがない場合でも、最新のCPUで実用的な速度が得られます。GPUの詳細。
Zoomには自動ミーティングテキスト化が含まれていますが、Businessプラン以上でのみ利用可能です。執筆時点では、Businessプランはユーザーあたり年間約199ドルです（契約期間とシート数に応じて149〜199ドル）。ほとんどの通話でリアルタイムのテキスト化を必要としない単独のフリーランサーや小規模なチームにとって、たまにしか使わない機能に対しては多額の費用となります。
公式のZoomテキスト化には、初めて直面したときに驚くような制限もあります。音声はZoomのクラウドで処理されるため、ネットワークから離れることになります。録画はZoomのサーバーに保存され、Zoomの保持ポリシーの対象となります。また、Zoom通話に特化してロックインされています。録画したMicrosoft Teamsの通話や、他の場所で行ったポッドキャストのインタビューをテキスト化することはできません。
このガイドでは、ほとんどの人が最終的に行き着く代替手段について説明します。無料のZoom枠を維持し、組み込みのローカル録画（無料）を使用し、そのファイルをWindows PCのStarWhisperで処理します。総コストはゼロです。Zoom Businessと比較した年間総節約額は、シートあたり199ドルです。
ホストとしてZoomミーティングをローカルに録画すると、Zoomはすべての参加者のミックスされた音声（自分のマイクと他の全員のマイクストリーム）をキャプチャします。これはaudio_only.m4aとして保存されます。また、ビデオグリッドと画面共有をzoom_0.mp4に録画します。テキスト化に必要なのは.m4aだけです。
デフォルトでは得られないのは、話者ごとの音声です。録画は単一のミックスされたトラックです。つまり、StarWhisperは話者ラベルのない連続的なテキストを生成します。ほとんどのアクションアイテムや決定事項のユースケースではこれで問題ありません。議論を思い出せば、誰が何を言ったかを読み通して再構築するのは簡単です。ワークフローで話者分離が重要な場合は、有料のクラウドテキスト化サービスや、より高度なローカルセットアップが必要になります。正直なところ、そういう仕様です。
Zoomは画面共有のテキストも録画します。テキスト化されるのは音声のみであり、画面上のテキストはカバーされません。誰かが重要な情報を含むドキュメントを共有した場合は、そのドキュメントを別途保存してください。
このワークフローの残りの部分をスムーズにするための、Zoomでの1回限りのセットアップです：
これで完了です。今後のミーティングはそのフォルダにローカル録画されます。マシンごとに設定する必要があるのはこれ一度だけです。
録画されたミーティングのテキスト化は、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。正確な速度は、ハードウェアと使用するWhisperモデルによって異なります。代表的なマシンでデフォルトのmediumモデルを使用した場合のおおよその数値は次のとおりです：
| ハードウェア | 30分ミーティング | 60分ミーティング | 2時間ミーティング |
|---|---|---|---|
| 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年以上前） | 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では、1時間のミーティングが6〜12分でテキスト化されると予想されます。これは、2倍速でミーティングを聞き直すよりも速いです。ミーティングのテキスト化を大量に行い、NVIDIA GPUを持っている場合は、CUDAパックを有効にすると時間が桁違いに短縮されます。
言及する価値のある別のユースケースです。録画されたミーティングのテキスト化だけでなく、StarWhisperの主な機能は、任意のテキストフィールドへの長押しによる音声入力です。Zoom通話中にカメラから目を離さずに、音声でZoomチャットに入力することができます。
ワークフロー：Zoomチャットの入力欄をクリックし、StarWhisperのホットキー（デフォルトは右Alt）を押しながらメッセージを話し、離します。音声が入力されたテキストになります。これは、画面共有中に参加者に詳細なメッセージを送信したり、ノートアプリにAlt+Tabで切り替えずに通話中に素早くメモを取ったり、音声での会話と並行してオープンなチャットスレッドを実行したりするのに役立ちます。
Zoomを使用した完全なリアルタイム音声入力ワークフローについては、専用のZoomでの音声テキスト変換ガイドを参照してください。テキスト化エンジンは同じです。異なるのはトリガーだけです。
このワークフローにより、ミーティングの音声とテキストはデバイス上に留まります。Zoomのローカル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それをローカルで処理します。結果のテキストはPC上の.txtファイルです。共有を選択しない限り（クラウドドキュメントに貼り付ける、メールで送信する、アップロードするなど）、これらがネットワークから離れることはありません。
代替手段と比較してください。Otter.aiはミーティングにボットとして参加し、音声をOtterのサーバーにアップロードします。Nottaも同様です。Zoom自体のテキスト化でさえ、Zoomのクラウドで音声を処理します。社外秘の通話（M&A協議、人事評価、NDA下の顧客インタビュー）にとって、ローカルのみのワークフローは意味のある改善です。プライバシーとオフラインアーキテクチャのページで、完全なデータフロー分析をカバーしています。
規制された業界（医療、法務、金融サービス）にいる場合、同じアーキテクチャがコンプライアンス体制をサポートします。HIPAAコンプライアンスFAQでは、保護された健康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。
発掘通話を行う営業担当者、スクリーニングを行う採用担当者、更新手続きを行うアカウントマネージャーはすべて、録画された通話のテキスト化の恩恵を受けます。ここでのワークフローは同じです。ローカルで録画し、後でテキスト化します。営業チームや人事機能がローカルのテキスト化をどのように使用しているかを詳しく知りたい場合は、役割別のページを参照してください。人事マネージャー向けの音声テキスト変換ガイドでは、候補者のスクリーニングワークフローをカバーしています。コンテンツクリエイター向けの音声テキスト変換ページでは、営業通話のテキスト化と大きく重なるポッドキャストやインタビューのワークフローをカバーしています。