Whisper + Ollama で作る完全ローカル議事録パイプライン——機密会議もクラウド送信ゼロで自動化する

pip install faster-whisper

# macOS
brew install ollama

# Linux
curl -fsSL https://ollama.com/install.sh | sh

ollama serve

# 推奨モデルをプル
ollama pull qwen2.5:7b

# 確認
ollama list

minutes-pipeline/
├── pipeline.py          # メインスクリプト
├── cli.sh              # CLIラッパー
├── output/             # 議事録出力先
└── requirements.txt

faster-whisper>=1.0.0
ollama>=0.3.0

"""
Whisper + Ollama 完全ローカル議事録パイプライン
音声ファイル → 書き起こし → 議事録 Markdown を生成する
"""

import os
import sys
import json
from datetime import datetime
from pathlib import Path
from faster_whisper import WhisperModel
import ollama


# ===== 設定 =====
WHISPER_MODEL_SIZE = "medium"   # tiny / base / small / medium / large-v3
WHISPER_DEVICE = "auto"         # auto / cpu / cuda / mps（M2 Mac では Metal または CPU が自動選択）
OLLAMA_MODEL = "qwen2.5:7b"    # 使用するローカル LLM
OUTPUT_DIR = Path("output")     # 議事録の保存先


# ===== プロンプトテンプレート =====
MINUTES_PROMPT = """あなたは優秀な会議秘書です。以下の会議書き起こしテキストを読み、
議事録を作成してください。

## 書き起こしテキスト

{transcript}

## 出力形式（必ず以下の Markdown 形式で出力してください）

# 議事録

**日時**: {meeting_date}
**書き起こし文字数**: {char_count} 字

---

## 1. 会議の概要（3〜5 文）

（会議全体の目的・背景・結論を簡潔に）

## 2. 主要な議論ポイント

（箇条書きで 5〜10 点）

## 3. 決定事項

（「〜することが決定した」の形式で箇条書き。決定がない場合は「なし」と書く）

## 4. 次回アクション（TODO）

（「担当: 〇〇　内容: 〜する　期限: 〜まで」の形式で箇条書き。不明な場合は「担当: 不明」）

## 5. 次回会議について

（次回の議題・日時が言及されていれば記載。なければ「言及なし」）

---

**注意**: 書き起こしに含まれない情報は推測で補わないこと。不明な点は「（聞き取り不明）」と記載すること。
"""


def transcribe_audio(audio_path: str) -> tuple[str, list[dict]]:
    """
    faster-whisper で音声ファイルを書き起こす。
    Returns: (フルテキスト, セグメントリスト)
    """
    print(f"[1/3] 書き起こし開始: {audio_path}")
    print(f"      モデル: {WHISPER_MODEL_SIZE} / デバイス: {WHISPER_DEVICE}")

    model = WhisperModel(
        WHISPER_MODEL_SIZE,
        device=WHISPER_DEVICE,
        compute_type="auto",
    )

    segments, info = model.transcribe(
        audio_path,
        language="ja",
        beam_size=5,
        vad_filter=True,                    # 無音区間を自動スキップ
        vad_parameters=dict(
            min_silence_duration_ms=500,    # 500ms 以上の無音を区切りとする
        ),
    )

    full_text = ""
    segment_list = []

    for seg in segments:
        text = seg.text.strip()
        start = seg.start
        end = seg.end
        timestamp = f"[{int(start // 60):02d}:{int(start % 60):02d}]"
        line = f"{timestamp} {text}"
        full_text += line + "\n"
        segment_list.append({"start": start, "end": end, "text": text})
        print(f"      {line}")  # リアルタイム表示

    print(f"[1/3] 書き起こし完了: {len(full_text)} 字")
    return full_text, segment_list


def generate_minutes(transcript: str, meeting_date: str) -> str:
    """
    Ollama のローカル LLM で議事録を生成する。
    """
    print(f"[2/3] 議事録生成開始: モデル={OLLAMA_MODEL}")

    prompt = MINUTES_PROMPT.format(
        transcript=transcript,
        meeting_date=meeting_date,
        char_count=len(transcript),
    )

    response = ollama.chat(
        model=OLLAMA_MODEL,
        messages=[
            {"role": "user", "content": prompt}
        ],
        options={
            "num_ctx": 16384,       # コンテキスト長（書き起こし 8000 字 + 余裕）
            "temperature": 0.1,     # 議事録は再現性重視で低温度に設定
        },
    )

    minutes_text = response["message"]["content"]
    print("[2/3] 議事録生成完了")
    return minutes_text


def save_output(
    audio_path: str,
    transcript: str,
    minutes: str,
    segments: list[dict],
    meeting_date: str,
) -> Path:
    """
    議事録・書き起こし・セグメントデータを保存する。
    """
    OUTPUT_DIR.mkdir(parents=True, exist_ok=True)

    base_name = Path(audio_path).stem
    date_prefix = datetime.now().strftime("%Y-%m-%d")
    output_base = OUTPUT_DIR / f"{date_prefix}_{base_name}"

    # 議事録 Markdown
    minutes_path = output_base.with_suffix(".md")
    minutes_path.write_text(minutes, encoding="utf-8")

    # 書き起こし全文（参照用）
    transcript_path = output_base.parent / f"{output_base.name}_transcript.txt"
    transcript_path.write_text(transcript, encoding="utf-8")

    # タイムスタンプ付きセグメント（後処理用）
    segments_path = output_base.parent / f"{output_base.name}_segments.json"
    segments_path.write_text(
        json.dumps(segments, ensure_ascii=False, indent=2),
        encoding="utf-8",
    )

    print(f"[3/3] 保存完了")
    print(f"      議事録 : {minutes_path}")
    print(f"      書き起こし: {transcript_path}")
    return minutes_path


def run_pipeline(audio_path: str, meeting_date: str | None = None) -> Path:
    """
    パイプラインのエントリポイント。
    """
    if not Path(audio_path).exists():
        raise FileNotFoundError(f"音声ファイルが見つかりません: {audio_path}")

    if meeting_date is None:
        meeting_date = datetime.now().strftime("%Y年%m月%d日")

    print("=" * 50)
    print("Whisper + Ollama 議事録パイプライン")
    print(f"入力: {audio_path}")
    print(f"会議日: {meeting_date}")
    print("=" * 50)

    transcript, segments = transcribe_audio(audio_path)
    minutes = generate_minutes(transcript, meeting_date)
    output_path = save_output(
        audio_path, transcript, minutes, segments, meeting_date
    )

    print("=" * 50)
    print("完了")
    print(f"議事録: {output_path}")
    print("=" * 50)
    return output_path


if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("使い方: python pipeline.py <音声ファイル> [会議日]")
        print("例: python pipeline.py meeting.mp3 '2026年06月26日'")
        sys.exit(1)

    audio_file = sys.argv[1]
    date_arg = sys.argv[2] if len(sys.argv) > 2 else None
    run_pipeline(audio_file, date_arg)

#!/usr/bin/env bash
# 使い方: ./cli.sh <音声ファイル> [会議日]
set -euo pipefail

SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
cd "$SCRIPT_DIR"

# 仮想環境があれば有効化
if [ -f ".venv/bin/activate" ]; then
  source .venv/bin/activate
fi

# Ollama が起動しているか確認
if ! curl -sf http://localhost:11434/api/tags > /dev/null 2>&1; then
  echo "[ERROR] Ollama が起動していません。'ollama serve' を実行してください。"
  exit 1
fi

python pipeline.py "$@"

chmod +x cli.sh

# 基本的な使い方
./cli.sh recordings/design_review_2026-06-26.mp3

# 会議日を明示する場合
./cli.sh recordings/client_mtg.mp3 "2026年06月26日（木）要件定義MTG"

# 出力例
# output/2026-06-26_client_mtg.md                  ← 議事録
# output/2026-06-26_client_mtg_transcript.txt       ← 書き起こし全文
# output/2026-06-26_client_mtg_segments.json        ← タイムスタンプ付きデータ

import subprocess
from pathlib import Path

def split_audio(audio_path: str, chunk_minutes: int = 30) -> list[str]:
    """ffmpeg で音声を指定分数ごとに分割する"""
    output_dir = Path("tmp_chunks")
    output_dir.mkdir(exist_ok=True)
    base = Path(audio_path).stem
    pattern = str(output_dir / f"{base}_%03d.wav")

    subprocess.run([
        "ffmpeg", "-i", audio_path,
        "-f", "segment",
        "-segment_time", str(chunk_minutes * 60),
        "-ar", "16000",   # Whisper は 16kHz を期待する
        "-ac", "1",        # モノラルに変換（サイズ削減）
        "-c:a", "pcm_s16le",
        pattern,
        "-y", "-loglevel", "error",
    ], check=True)

    chunks = sorted(output_dir.glob(f"{base}_*.wav"))
    return [str(c) for c in chunks]

segments, info = model.transcribe(
    audio_path,
    language="ja",
    vad_filter=True,                        # 無音区間を自動スキップ（有効化推奨）
    vad_parameters=dict(
        min_silence_duration_ms=500,        # 500ms 以上の無音を区切りとする
        speech_pad_ms=200,
    ),
)

# 短すぎるセグメント（相槌・フィラー）を除外
MIN_SEGMENT_CHARS = 8
segments_filtered = [s for s in segments if len(s.text.strip()) >= MIN_SEGMENT_CHARS]

# 専門用語・固有名詞をプロンプトで事前登録
DOMAIN_TERMS = "Amanity、Claude Code、Whisper、Ollama、LLM、API、SDK、マイグレーション"

segments, info = model.transcribe(
    audio_path,
    language="ja",              # 日本語を明示
    initial_prompt=DOMAIN_TERMS,  # 固有名詞をヒントとして与える
    beam_size=5,
    best_of=5,
)

import httpx

# タイムアウトを 600 秒に延長（ollama SDK のバージョンによって書き方が異なる場合がある）
client = ollama.Client(
    host="http://localhost:11434",
    timeout=httpx.Timeout(600.0),  # 10 分
)

response = client.chat(
    model=OLLAMA_MODEL,
    messages=[{"role": "user", "content": prompt}],
    options={"num_ctx": 16384, "temperature": 0.1},
)

import re

def compress_transcript(text: str, max_chars: int = 8000) -> str:
    """フィラー語を除去してテキストを圧縮する"""
    # 口語フィラーを除去
    fillers = r"(えー+|あのー*|そのー*|まあ+|ちょっと+|なんか+|うーん+)"
    text = re.sub(fillers, "", text)
    # 重複スペース・改行を整理
    text = re.sub(r"[ \t]{2,}", " ", text)
    text = re.sub(r"\n{3,}", "\n\n", text)
    # 上限に収める
    if len(text) > max_chars:
        text = text[:max_chars] + "\n\n（以降省略——書き起こし全文は _transcript.txt を参照）"
    return text

[音声入力] 「さっきの会議の議事録を作って」
    ↓
[秘書エージェント] pipeline.py を呼び出す
    ↓
[Whisper + Ollama] 書き起こし → 議事録生成
    ↓
[秘書エージェント] Google Drive にアップロード + Slack 通知