議事録は 1 つの作業に見えますが、実際は 2 つです。音声をテキストにすることと、テキストを決定事項やアクションアイテムにすることです。それぞれに固有の失敗の仕方があります。方言の単語を 1 つ誤って文字起こしすれば、間違ったアクションアイテムになります。要約がうまいモデルでも、担当者をでっち上げることがあります。この記事では、アラビア語の会議向けにこのパイプラインを組み、どこで確認を入れるべきかを示します。
パイプラインの全体像
recording (.m4a, .mp4, .webm)
→ ffmpeg: 16 kHz mono, split at silences
→ speech to text, language=ar, one request per chunk
→ join the transcript, clean obvious noise
→ split the transcript into sections
→ LLM: summary, decisions, action items, open questions (JSON) per section
→ LLM: merge the sections into one set of minutes
→ human review → send
以下、順を追って説明します。
ステップ 1:長いアラビア語の会議をどう文字起こしするか?
ノートパソコンで録音した 1 時間の会議は、たいていアップロード上限をはるかに超えます。BroadNet Inference が受け付けるのは 1 ファイルあたり最大 26,214,400 バイトの WAV または MP3 なので、まず 16 kHz モノラルに変換し、無音部分で分割します。並列リクエストや、テキストを順番どおりにつなぐ処理を含む完全なスクリプトは、25 MB を超える長い音声の文字起こしにあります。
アラビア語の会議では、3 つの設定が重要です。
- すべてのチャンクで
language="ar"を送る。 BroadNet のドキュメントは、指定しないとアラビア語がラテン文字に音訳されて返ることがあると注意しています。 - アラビア語主体の会議にはアラビア語モデルを使う:
broadnet/cohere-transcribe-arabic。主にほかの対応言語で行われる会議なら、broadnet/cohere-transcribeが 1 分あたり $0.002 です。 - 元の文字起こしを残しておく。 確認作業と、ステップ 4 の引用に必要です。
湾岸諸国のビジネス会議では、アラビア語と英語が混ざるのが普通です。ふだんの言語の混ざり方で録音して試してください。英語の製品名や数字がエラーの出やすいところです。何に注意して聞くべきかはアラビア語方言の音声認識で扱っています。
話者の名前はわかるか?
プレーンテキストの文字起こしからはわかりません。BroadNet の文字起こしのレスポンスは text 項目が 1 つだけの JSON で、話者もタイムスタンプもありません(チャンクのオフセットから字幕のタイミングを作る方法は、テキストのみの API でアラビア語字幕を作るをご覧ください)。選択肢は 3 つです。
| 状況 | 対応 |
|---|---|
| 参加者ごとに別のトラックやチャンネルで録音している | トラックごとに文字起こしする。トラックで話者がわかる |
| 2 チャンネルの通話録音 | コールセンターのパイプラインと同様に、ffmpeg でチャンネルを分ける |
| 混ざった 1 トラックだけで、話者が必要 | 話者分離を返すプロバイダーを使う。選び方ガイドで比較している |
混ざった 1 トラックでも、誰かが名前を口にすれば、LLM は担当者を見つけられます。「ハーリドが木曜までに見積もりを送ります」のような場合です。してはいけないのは、文脈から担当者を推測することです。下のプロンプトではそれを禁じています。
ステップ 2:要約の前に文字起こしを分割するのはなぜか?
理由は 2 つあります。1 つ目はコンテキストです。1 時間分の発言は、小さなモデルには長すぎることがあります。BroadNet Gemma 4 VL 26B のコンテキストは 32,768 トークンで、長いアラビア語の会議はこれを超えることがあります。アラビア語トークンカウンターで数えてみてください。アラビア語と英語の単語あたりトークン数にあるとおり、アラビア語はたいてい英語より 1 単語あたりのトークンが多くなります。
2 つ目は精度です。長い入力に関する研究では、モデルの性能が “significantly degrades when models must access relevant information in the middle of long contexts”(訳:長いコンテキストの中ほどにある関連情報を使わなければならないとき、大きく低下する)ことがわかりました(Liu ほか)。70 分の会議の 35 分目に下された決定は、まさにそれにあたります。10〜15 分ずつのセクションを要約してから統合すれば、どの部分もプロンプトの先頭近くに置けます。
音声で使ったのと同じ無音の位置で分割すれば、セクションが文の途中から始まることはありません。
ステップ 3:議事録を書くのはどのモデルか?
| モデル | コンテキスト | 議事録に関する注記 | 100 万トークンあたり 入力 / 出力 |
|---|---|---|---|
| Qwen3.8 27B | 262,144 | BroadNet がアラビア語でテスト:流暢な文章、湾岸・エジプト方言を理解、構造化出力に対応と記載 | $0.175 / $2.17 |
| GLM 5.3 | 1,048,576 | 構造化出力に対応と記載、テキストのみ | $0.78 / $3.46 |
| DeepSeek V4.1 Flash | 1,048,576 | 定額プランもあり、セッションあたり月 $60、1 度に 1 リクエスト | $0.175 / $0.52 |
BroadNet がアラビア語でテストしたモデルなので、まず Qwen3.8 27B から始めてください。ほかの 1 モデルと実際の会議 3 件で比較し、ネイティブスピーカーに採点してもらいます。採点シートはアラビア語向け LLM の選び方にあります。
3 モデルとも回答の前に推論し、その推論は max_tokens に含まれます。議事録は長いので数千トークンの余裕を持たせてください。そうしないと、表示される回答が空になることがあります。その理由をご覧ください。
ステップ 4:信頼できる議事録を得るプロンプトは?
JSON で出力させ、すべての項目について文字起こしから引用させます。引用があれば、確認者は文字起こし全体を読み直さずに、アクションアイテムを数秒で確認できます。
import json, os
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
SYSTEM = """You write meeting minutes from an Arabic meeting transcript section.
Return JSON only, with these keys:
"summary": 2-4 sentences in Modern Standard Arabic,
"decisions": [{"text": ..., "quote": ...}],
"actions": [{"task": ..., "owner": ..., "due": ..., "quote": ...}],
"open_questions": [{"text": ..., "quote": ...}]
Rules:
- "quote" is the exact words from the transcript that support the item.
- "owner" is a name only if the transcript says who will do it. Otherwise null.
- "due" only if a date or day is said. Keep it as said, e.g. "الخميس". Otherwise null.
- Keep names, numbers and amounts exactly as in the transcript. Never guess."""
def minutes_for(section):
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=4000,
messages=[{"role": "system", "content": SYSTEM},
{"role": "user", "content": section}])
return json.loads(r.choices[0].message.content)
次にコードで検証します。JSON を解析し、キーを確認し、すべての quote が本当にそのセクションに含まれているかをチェックします。引用が文字起こしにない項目はモデルの創作なので、削除するか印を付けます。JSON が解析できなければ、エラーメッセージを添えて 1 回だけリトライします。検証ループは JSON モードと json_schema で紹介しています。BroadNet のドキュメントは GLM 5.3 と Qwen3.8 27B を構造化出力対応としていますが、リクエストのパラメーター名は書いていないので、頼る前に試してください。
議事録を英語にする場合は、要約の行を英語に変え、“Keep each quote in the original Arabic.”(各引用は元のアラビア語のまま残すこと)を加えます。文体、数字の表記、文字体系の混在については、アラビア語のプロンプトエンジニアリングの記事で詳しく扱っています。
ステップ 5:セクションを 1 つの議事録にまとめるには?
すべてのセクションの結果を最後の 1 リクエストで送り、モデルに次のことをさせます。
- 会議全体の要約を 1 つ書く。
- 重複する決定事項とアクションを統合する。同じタスクが 2 回言及されることはよくあります。
- 各項目の引用を残す。
- 後のセクションで担当者や期限が変わったアクションには、変更済みの印を付ける。
統合の入力は小さく、文字起こしではなく各セクションの JSON です。上の 3 モデルのどれで統合しても、コンテキストに十分収まります。
会議 1 件あたりの費用は?
| ステップ | 課金対象 | 価格 |
|---|---|---|
| 文字起こし | 音声の分数 | 1 分 $0.0042、1 時間 $0.25 |
| セクションの要約 | 入力は文字起こしのトークン、出力は JSON | Qwen3.8 27B:100 万トークンあたり入力 $0.175、出力 $2.17 |
| 統合 | 小さな JSON の入出力 | 同じ単価 |
通常、文字起こしは固定部分です。LLM の部分は、文字起こしの長さとモデルの推論量で変わります。最初の数件の実際の会議で prompt_tokens と completion_tokens を読み取り、LLM API コスト計算ツールで掛け算してください。音声側は音声認識コスト計算ツールで計算できます。$5 の初回クレジットは文字起こしモデルに使え、アラビア語で約 1,190 分分です。Qwen3.8 27B にはチャージが必要です。
避けるべきミスは?
- 会議全体を 1 つのプロンプトで要約する。 中ほどの項目が抜け落ちます。
- モデルに空白を埋めさせる。 発言されていない担当者や期限は、AI 議事録でもっとも多いエラーです。null を既定にしてください。
- 翻訳が早すぎる。 アラビア語で文字起こしと抽出を行い、その後で議事録を翻訳します。先に文字起こしを翻訳すると、正確な引用が失われます。
- 確認を省く。 議事録は記録です。送付前に、出席者が読むべきです。
- 録音をずっと保存する。 保存義務がない限り、議事録が承認されたら音声は削除します。
API パイプラインが向かないのはどんなときか?
会議中のリアルタイム字幕、混ざった 1 トラックからの話者ラベル、あるいはチームが今日から使える既製のアプリが必要なら、会議専用の製品のほうが早道です。アラビア語の議事録を提供する製品はいくつかあります。各社のページにある精度の主張はその会社自身のものなので、自社の録音で比較してください。API の道が理にかなうのは、議事録を自社のシステムの中で、自社の形式と自社の保持ルールで扱いたい場合です。
BroadNet Inference の位置づけ
BroadNet は、1 つの OpenAI 互換キーで両方の工程を提供します。1 分 $0.0042 の BroadNet Transcribe Arabic と、議事録を書くアラビア語テスト済みの Qwen3.8 27B です。プライバシーステートメントには、リクエスト後にプロンプト、音声、回答、文字起こしを一切保持しないとあり、社内会議では重要な点です。話者ラベルやタイムスタンプは返さず、リアルタイムの文字起こしもないので、それらが必要ならほかのプロバイダーを使ってください。まずアラビア語音声認識ガイドから始め、上の要約ステップを加えてください。
