Gemini APIで音声会議を文字起こしし要約

投稿者は問題を明快に整理している。会議音声には重要な情報が含まれるが、手作業での文字起こし・要約・議事録作成は多大な時間を要し、聞き漏らしや誤解釈も招きやすい。すでにAIとRPAで業務を自動化している投稿者にとって、その手作業こそが排除すべきものだ。

パイプラインはテキストファイルでつながる2段階に分かれている。まず音声をGoogle Cloud Storageにアップロードし、gemini-proに渡して文字起こしする。スクリプトは処理中ポーリングし、文字起こし結果をtranscript.txtに保存する。次に2つ目のスクリプトがその文字起こしをGeminiに戻し、JSONの形——要約、決定事項、担当者と期限を持つToDo項目——を指定するプロンプトで解析させ、結果をmeeting_report.jsonに書き出す。

投稿者は破綻しうる箇所も率直に語る。文字起こしの品質は室内の音響、声、背景騒音で変動し、長い録音は分割や音声専用サービスが必要になるかもしれない。出力品質はプロンプトの文言に大きく依存するため、例ではJSON形式を明示している。APIのレート制限と利用コストは、大量利用時の運用上の懸念として挙げられている。議事録以外にも、同じ手法は営業通話の分析や知識共有に生かせるという。