ローカル会議録：文字起こし・タイムスタンプ・話者分離

検索できる全文、発話時刻、話者区分、会議中の字幕のどれが必要かを決めます。ライブ字幕は録音を後から処理するより低遅延が必要です。必要な出力を整理してからストリーミングか一括処理か選びましょう。

ASR²は発言をテキストにし、話者分離は誰がいつ話したかを区切ります。音声だけでは人名が分からないため、話者1・話者2を参加者に対応づけます。NeMo-Speech.cppのSortformer v2は最大4人に対応します。発話の重なりやマイク変更は人が確認します。

NVIDIA NeMo-Speech.cppはApple SiliconのMetal、NVIDIA CUDA³、CPU⁴経路を案内しています。公式コマンド`curl -fsSL https://github.com/NVIDIA/NeMo-Speech.cpp/raw/main/scripts/install.sh | sh`から導入できます。モデルは別途取得します。初回はネットが必要ですが、モデル取得後はオフラインで処理できます。

短いWAVを文字起こしし、音声と出力を見比べます。次にタイムスタンプと話者分離を有効にし、JSONや字幕が必要か確認します。NeMo CLI⁵には`nemo-speech transcribe meeting.wav --diarize --json`の流れがあります。人名や製品用語が多い場合は単語ヒントへの対応を調べましょう。

長い録音では最初の出力と全体の完了時間を分けて測り、会議後に検索できる記録へ整理します。以下は確認形式の例で、実際の会議文字起こしやモデル測定ではありません。

発言例：「草案は金曜までに共有し、公開日は法務確認後に決めましょう。」→文字起こし案：「草案を金曜までに共有。

公開日は法務確認後に決定。」→人が確認する項目：草案担当者、金曜の日時、法務確認の担当者、公開日を確定する時点。

要約が断定的に見えても、録音と照合して承認するまでは確定記録にしないでください。

まず利用してよい音声で試します。機密会議を扱う前に権限と保存ルールを確認しましょう。ローカルサーバーは`127.0.0.1`にバインドし、外部公開しません。決定事項、数字、人名は音声と照合して人が確認します。オフライン推論だけで保存済み文字起こしが安全になるわけではありません。