ローカル文字起こしという選択肢
📌 先に3行でまとめ
- ☁️ 多くのクラウド型の文字起こしは、会議の音声を提供会社のサーバーに送って処理します
- 🚫 危ないという話ではなく、規則で預けられない会議があるという話です。医療・人事・法務・秘密保持契約
- 💻 いまはWhisper 系の音声認識モデルを、ノートパソコン1台で現実的な速さで動かせます。ただし代償もあります
⚠️ 先に書いておくと、この記事で紹介する自作ツールは Apple Silicon の Mac（macOS 13 以降）専用です。 Windows・Intel Mac・スマホでは動きません。
代償のほうも、ちゃんと書きます 🙌
☁️ クラウドの文字起こしが、必ずやっていること
Notta も Rimo Voice も PLAUD も、やっていることの骨格は同じです。
録った音声をインターネット経由で会社のサーバーに送り、そこで文字にして、結果を返す。
これは手抜きではありません。文字起こしの AI はそれなりに重い計算をするので、性能の良いサーバーに集めた方が、速くて安くて精度も上げやすいからです。合理的な設計です 🏭
各社ともセキュリティには気を使っています。たとえば Rimo Voice は、料金ページに「AI学習なし」と明記しています（=預けた音声を、AI の学習には使いませんという意味）。
問題は「安全かどうか」ではありません。
🚫 「安全でも、出せない」会議がある
私が受託や技術顧問の仕事で実際に聞いた範囲でも、こういう場面があります。
- 🏥 患者さんの名前が出るカンファレンス — 個人情報の中でも扱いが特に厳しい部類です
- 👔 人事評価・懲戒・退職面談 — 社内であっても、聞ける人が限られています
- ⚖️ 紛争や訴訟がからむ打ち合わせ — 記録の置き場所そのものが争点になり得ます
- 📄 秘密保持契約を結んだプロジェクト — 契約によっては、外部のクラウドに入力すること自体が制限されます。NDA・委託契約・社内規程の確認が要ります
- 🏛️ 官公庁・自治体の案件 — 調達の要件でクラウド利用の条件が細かく決まっていることがあります
こういう会議を1つでも抱えている人にとっては、料金より先に決まってしまう条件です。月額が ¥1,000 でも ¥5,000 でも、選択肢に入りません 🧱
そして厄介なのは、この線引きが業種と契約で全部変わることです。「うちは大丈夫」と誰かが言うだけでは決まりません。
🗺️ 音声がどこへ行くか、図にしました
図は横にスクロールできます →
ここは正直に書いておきたい部分です。私が作っているツールも、設定次第では文字が外に出ます。
- 🎙️ 録音と文字起こしは、どの設定でも Mac から出ません。 ここは選択肢がありません
- 📝 要約だけ、相手を選べます。 Ollama（=自分のパソコンの中で動かせる AI）を選べば、何も外に出ません。ただし要約の質を上げるには、自分で調整が要ります（後述）
- ☁️ Claude や OpenAI を選ぶと、文字起こしの結果が外の AI に渡ります。 音声は渡りませんが、中身の文字は出ます
「絶対に何も出ません」ではなく、「音声は絶対に出ません、文字は選べます」 が正確な説明です 🧾
💻 なぜ手元で動くようになったのか
数年前まで、これは現実的ではありませんでした。変わった理由は2つです。
🤖 Whisper（ウィスパー） とは、ChatGPT を作った OpenAI が公開している、音声を文字に変える AI です。無料で誰でも使えて、自分のパソコンの中だけで動かせます。
1つ目は、その AI が無料で公開されたこと。2つ目は、Apple Silicon の Mac が速くなったことです。
私が使っているのは whisper.cpp というプログラムと、large-v3-turbo というモデル（=AI の中身のデータ）です。MacBook で普通に動きます。 会議をしながら、同時に文字が出てきます 🏃
⚠️ 手元で動かすことの代償
いいことばかりではありません。買う前に知っておくべきことを並べます。
- 🖥️ 機械を選びます。 Apple Silicon の Mac（macOS 13 以降）が要ります。Intel Mac と Windows では動きません
- 🔥 パソコンの性能を使います。 会議中ずっと計算しているので、バッテリーは減りますし、ファンが回ることもあります
- 📥 初回にモデルのダウンロードが要ります。 自動で入りますが、最初だけ待ち時間があります
- 🔗 共有は弱いです。 「リンクを配ってみんなで編集」はクラウドの得意分野で、手元で完結するツールが敵う場所ではありません
- 🎯 精度は、クラウドの最新モデルが上回る場面があります。 各社は常に新しいモデルに差し替えられますが、手元のモデルは自分で更新するまで変わりません
- 🎚️ Ollama で要約するなら、調整が要ります。 ここが一番の手間です。入れて終わりではありません
🎚️ Ollama の要約は、2つの調整で変わります
最後の項目だけ、もう少し書きます。手元の AI に要約させる時、質を決めるのは AI そのものより、こちらの使い方です。
- 🧩 どのモデルを入れるか（モデルの選定） — Ollama は「AI の入れ物」なので、中身は自分で選びます。 日本語が得意なもの、軽くて速いもの、重いけど賢いもの。会議録の要約だと、軽すぎるモデルは発言者を取り違えたり、決定事項を飛ばしたりします。逆に重すぎると、要約が出るまで待たされます。自分の Mac の性能と、必要な質の折り合いをつける作業です
- ✍️ どう指示を書くか（プロンプトエンジニアリング） — プロンプトとは、AI への指示文のことです。「要約して」とだけ書くのと、「この会議録から、決まったこと・持ち帰りの宿題・担当者を、それぞれ箇条書きで出して。決まっていないことは決まっていないと書いて」と書くのとでは、出てくるものが別物になります。ここは何度か書き直して育てる部分です
どちらも一度やれば、あとは使い回せます 🔁 ただ、最初の1回は必ず自分でやることになります。 クラウドのサービスは、この2つを会社側が全部やってくれている——というのが、値段の差の中身でもあります 💰
つまり 「クラウドの方が優れている点」は普通にあります。 手元で動かす価値は、精度でも速度でもなく、「外に出さなくて済む」という一点です 🔐
🧪 本当に外に出ていないか、自分で確かめる方法
売っている側の説明を信じる必要はありません。簡易チェックですが、自分で試せます。
✈️ Wi-Fi を切って、機内モードにして、会議を録ってみてください。
外のサーバーに送っているツールなら、たいていここで止まります。手元で完結するツールは、そのまま最後まで動きます。
⚠️ ただし、これで白黒つくわけではありません。クラウド型でも「録音だけは通って、あとからまとめて送る」作りのものがあります。 逆に手元で動くツールでも、初回だけモデルのダウンロードやライセンス確認で通信が要ることがあります。
なので、これは目安のチェックです。本当に気になるなら、「録音から文字起こし完了まで通るか」「あとから同期していないか」「初回だけ通信が要るのか」の3つを分けて確認してください。「ローカル処理」と書いてあるツールなら、試用期間中に一度やっておくと安心です 🧾
🧭 で、どっちを選べばいいのか
ここまでの話を、1枚にまとめます。
図は横にスクロールできます →
💰 ついでに、料金の話ともつながっています
外に出さないということは、誰かのサーバーを使っていないということです。だから使った分だけ課金する理由がありません。
これが「買い切りで、録音時間に上限が無い」という値付けが成立している理由です。思想の話ではなく、原価の話です 🧮
👉 文字起こしツール4種の料金比較 — Notta / Rimo Voice / PLAUD のサブスクと買い切りを同じ表に並べて、3年でいくら違うか、「無制限」に何が書いてあるかまで調べた記事です
🏔️ 作っているツールについて
Cypher Yeti は、会議を録音して文字にする Mac 用のツールです。¥12,800 の買い切りで、アカウント登録もありません。
- 🔒 録音と文字起こしは、その Mac から出ません
- 🗣️ 自分の声と相手の声を、別々に録って別々に文字にします
- ♾️ 録音時間の上限を決めていません
- 🇯🇵 日本語の会議に合わせて調整しています
作る過程で測った、音声AIの怖い挙動についてはこちらに書きました 👉 音声AIは、エラーを出さずに会議の言葉を捨てる
👉 買う前に、動く条件と画面を確認する（画面写真11枚）| Cypher Yeti の詳細を見る（¥12,800 買い切り・アカウント不要）
⚠️ Apple Silicon の Mac（macOS 13 以降）専用です。
📮 「うちの場合はどうか」を一緒に整理します
この記事の1つ目の質問——「音声を社外に出せるか」——は、たいてい自分たちだけでは決まりません。業種の規制、顧客との契約、社内規程がからむからです 🔬
- 🎛️ 手元で動かす AI の構築（データを外に出せない業務向け）
- 🗂️ どの業務なら外に出してよいかの線引き（規程と契約から逆算する）
- 🤖 出せる業務での生成AI活用（何が任せられて、何が危ないか）
中小企業・個人事業の方向けに、エンジニアが直接サポートしています。議事録そのものの自動化はAIで議事録を自動化する方法にも書きました。