Meta Museで動画や会議の音声を文字起こしする。Whisperの入れ方と使い道

公開 更新 13 分で読了
Meta Museで動画や会議の音声を文字起こしする。Whisperの入れ方と使い道

Meta Museで会議録音や自作動画を文字起こしするためのWhisper導入手順を解説。環境確認から日本語のTXT・SRT出力、原音との照合、議事録や字幕への編集まで、貼って使える依頼文を掲載します。誤認識や権利の確認点、実機未検証の範囲も示します。

Meta Museで動画や会議の音声を文字起こしするなら、Whisperで原文を作り、音声と照合してからMuseに要約を頼む流れが基本です。

WhisperはOpenAIが公開している音声認識のソフトウェアです。以下は2026年11月16日に確認した公式資料に基づく導入・実行の手順案で、Museへのインストールや音声処理を実機で確認したものではありません。

Meta Museの文字起こしは、原文を作ってから要約する

録音、文字起こし、原音との照合、要約の四段階を示す図

WhisperとMuseが担当する作業

Whisperは、音声を読み取って文章にする部分を担当します。日本語の録音を日本語のまま書き起こし、全文を読むためのテキストや、時刻を持つ字幕形式で保存できます。

Museの公式説明には、独自のファイルシステムとターミナルを使い、必要な道具やコードを用意する仕組みが示されています。Museの設計

この組み合わせでは、元の録音、書き起こした原文、編集した要約の三つを残すと確認しやすくなります。Museの利用開始や基本操作は、Meta Museの使い方・料金・できることで先に確かめられます。

録音に加えて会議資料のPDFやWordも整理する場合は、ファイルから文章を取り出し、Museで要約する手順を参照できます。

自分の録音・権利のある動画を用意する

最初の入力には、自分の声で録った説明や、処理する許可を得た会議録音を使います。会議なら、録音だけでなく、外部サービスへ音声を渡して文字起こしすることまで組織のルールや参加者への説明と合っているかを確認します。

自分がYouTubeにアップロードした動画は、公式ヘルプに「YouTube Studio」→「コンテンツ」→対象動画のメニュー→「ダウンロード」という操作が案内されています。自分の動画をダウンロードする手順

YouTubeの規約上の条件と権利者の許諾を確認し、ここでの操作は自分の録音や、取得・処理の権限を確認できたファイルに限ります。YouTube利用規約

音声を処理する場所を確かめる

Museの公式説明では、利用者ごとに分離されたクラウド上の仮想マシン「Muse Secure VM」が使われます。そこでWhisperを動かす場合、音声は自分のパソコンだけにとどまる処理にはなりません。Metaの日本向け発表

WhisperのコードとモデルはMITライセンスで公開されています。

MuseにWhisperを入れる前に、実行環境を確認する

Whisper導入前に実行場所、権限、保存先を確認する図

メッセージ入力欄に貼る、準備の依頼文

Museのチャットを開き、普段メッセージを送る入力欄へ次の依頼文を貼ります。

自分の録音を、OpenAI公式の公開版Whisperで文字起こししたいです。
まず調査だけを行い、インストールやファイル送信はまだしないでください。

確認すること:
・実行場所、OS、Pythonのバージョン、FFmpegの有無
・使えるCPU/GPU、メモリ、保存先の空き容量
・ソフトウェア導入とモデル取得が許可されるか
・私の音声ファイルを受け取る方法と、結果を返す方法
・利用枠への影響、追加料金や別サービスが必要か

確認できた事実と不明な点を分け、次に必要な操作を説明してください。
有料API、外部GPUの契約、別アカウントの作成は行わないでください。

作業の追跡には、公式に案内されているアバターをタップする操作も使えます。活動履歴と承認済み権限を見て、依頼した調査の範囲に収まっているかを確認します。

公式のWhisperとFFmpegを導入する

Whisperの公式READMEは、Python環境へのインストールと、音声を読み込むためのFFmpegを案内しています。パッケージ名は openai-whisper です。Whisper公式README

先ほど確認した環境に、OpenAI公式のWhisperを導入してください。
参照先:https://github.com/openai/whisper

ほかの作業に影響しないPythonの仮想環境を用意し、
公式READMEに沿って openai-whisper と必要な依存関係を入れてください。
FFmpegがなければ、OSに合う導入方法と必要な権限を先に示してください。
管理者権限や環境全体の変更が必要なら、実行前に確認してください。

完了後は、Pythonの場所とバージョン、FFmpegのバージョン、
whisper --help の確認結果を返してください。
まだ音声の処理や有料APIの利用はしないでください。

公式のインストールコマンドは pip install -U openai-whisper です。これはチャット欄で直接動く命令ではなく、Museが利用できる端末のPython環境で実行するものです。

公式READMEはPython 3.8〜3.11での互換性を想定しているため、別のバージョンで失敗した場合は環境条件から見直します。

短い録音でモデルと保存先を決める

試験用には、内容を自分で確かめやすい30〜60秒ほどの録音を用意します。日付や人名などを少し含めておくと、文字が出るかだけでなく、修正が必要な箇所も見つけやすくなります。

最初の例では、多言語に対応した base モデルを明示します。日本語に英語専用の base.en を選ばないことが大切です。

Whisperは必要なモデルが手元にない場合に取得するため、初回は文字起こしのほかにモデルのダウンロードも発生します。

決める項目 最初の例 確認すること
入力ファイル meeting-test.wav 受け渡したファイルをMuseが読み取れる
モデル base 多言語版で、実行環境に収まる
実行方法 CPU GPUがなくても試せる設定を使う
保存先 transcripts-test 既存の結果と混ざらず、取り出せる

録音・動画から日本語の文字起こしを保存する

TXTは全文確認、SRTは時刻の照合に使うことを示す図

ファイル名を指定して日本語のまま書き起こす

日本語の音声を日本語のまま残すには、言語を Japanese、作業を transcribe と指定します。translate は英語へ翻訳する作業なので、日本語の議事録の原文を作る場面では選びません。

次のコマンド例は、CPUで短い録音を試すためのものです。meeting-test.wav と保存先は例なので、Museが確認した実際のパスに置き換えます。

自作動画を使う場合は、入力を meeting-test.mp4 などの実際の動画ファイルへ置き換えます。WhisperはFFmpegで入力の音声を読み込むため、先にその動画の音声トラックを読み取れるか確認してもらいます。

whisper "meeting-test.wav" --model base --language Japanese --task transcribe --device cpu --fp16 False --output_dir "transcripts-test" --output_format all
受け渡し済みの meeting-test.wav を、導入したWhisperで処理してください。
日本語の文字起こしに限定し、翻訳や要約はまだしないでください。
モデルは多言語版base、CPU、fp16はFalse、出力形式はallにします。
保存先は transcripts-test とし、元の録音は変更しないでください。

終了後に、実行したコマンド、終了状態、生成したファイル名とサイズ、
TXTの冒頭、SRTの冒頭を報告し、ファイルを受け取れる形で返してください。
失敗したら、エラーの内容を示して止めてください。

TXTとSRTを受け取り、音声と照合する

--output_format all は、TXTやSRTなど複数形式の結果を保存する指定です。TXTは全文を読んだり、要約の素材にしたりするときに使えます。SRTは発話の時刻が付くため、確認したい部分へ音声を戻す手がかりや、動画字幕の下書きになります。出力形式の公式実装

成功の確認では、ファイルが存在するかに加えて、中身が空でないか、日本語で出力されているかを見ます。音声の冒頭だけでなく中ほどと末尾も再生し、途中で処理が止まっていないかを確かめます。大事な固有名詞や数字は、読みやすい文章になっていても原音へ戻ります。

特に会話が重なる箇所や聞き取りづらい箇所は、必要に応じて「聞き取り不明」と記録します。修正前のTXTを残し、照合して直した版を別の名前で保存すると、変更の理由を追いやすくなります。

成果物 主な使い道 次へ進む前の確認
TXT 全文確認、要約の材料 日本語、内容の欠落、固有名詞・数字
SRT 時刻の照合、字幕の下書き 音声とのずれ、発話の区切り
修正後の原文 議事録の根拠 原音で確かめた変更と未確認箇所の区別

長い会議は区間と時刻を残して進める

Whisperの内部処理には30秒の窓が使われますが、入力ファイル自体を30秒以内にしなければならないという意味ではありません。

環境上の制約で録音を分ける場合は、区間の開始時刻と元ファイル名を必ず残します。分割後の字幕は区間の先頭を基準にした時刻になるため、元の録音の時刻と混同しないことが大切です。要約に参照時刻を書くなら、区間の開始位置を足して元録音に戻せる形にします。

たとえば二つ目の区間が元録音の20分から始まるなら、その区間のSRTにある2分は元録音の22分に当たります。全区間の処理後には、境目の発話が抜けていないか、重ねた部分を二重に数えていないかを確認します。

文字起こしを会議の要約や動画の字幕に使う

決定事項、提案、未決事項を分け、原文の時刻へ戻って確認する図

決定事項・未決事項・担当者を分ける依頼文

音声と照合して修正した文字起こしと、時刻付きのSRTを使い、
会議の確認用メモを作ってください。

最初に話題を3行以内でまとめ、その後は次の表にしてください。
区分|内容|担当者|期限|元録音の時刻|確認が必要な点

区分は「決定事項」「提案」「未決事項」に分けてください。
決定したと確認できる発言だけを決定事項にしてください。
担当者・期限・話者名は推測せず、不明なら不明と書いてください。
意見が食い違う箇所は、一つの結論へまとめず両方を残してください。
入力の全文を参照できない場合は、要約を始める前に知らせてください。

返ってきた表のうち、決定事項と担当者・期限は優先して元の時刻に戻って確かめます。

元の文章と編集の条件を分ける考え方は、調査・比較・文章作成の依頼文でも整理されています。

次の表は、編集上の判断を確かめるための架空の発言例です。

発言例 確認用メモの書き方 足してはいけない情報
来週の公開を目指したい 提案:来週の公開を目標にする 決定済みの公開日
見積もりを確認してから決める 未決事項:見積もり確認後に判断 発注の決定
資料は私が金曜までに直します 話者を確認できれば担当・期限を記録 確認できない話者名

自作動画の字幕と振り返りメモに使う

自分で撮った説明動画では、SRTを字幕の下書きとして使えます。最初に音声との対応を確認し、その後で字幕の区切り、改行、一度に表示する文章の長さを整えます。

動画を見ずに字幕だけ整えると、画面に映っている対象を指す「これ」や「ここ」の意味を落とす場合があります。Museには言い換えの候補を作ってもらい、意味が映像に依存する箇所は確認対象として残します。発話していない商品名や説明を、推測で字幕に足さないようにします。

字幕を用意した後のタイトルや説明欄の整え方は、YouTube動画のタイトル・字幕を整える方法を参照できます。公開しない録音でも、説明が長かった箇所や言い直しの多い箇所を時刻付きで抜き出せば、次回の台本を直す材料になります。

台本を図解の動画にしたい場合は、Museでアニメーションを作り、MP4で受け取る手順も参考になります。

Whisperの文字起こしが止まる・間違うときの確認

文字起こしの問題を導入、実行、認識結果に分けて調べる図

インストールできないときは環境と権限を見る

公式の音声読み込み処理はFFmpegを呼び出すため、Pythonのパッケージだけ入れても準備は完了しません。

Museへは、実行したコマンド、エラーの末尾、利用中のPythonの場所を返すよう頼みます。ログに録音の内容や秘密情報が含まれる場合は、そのまま外部へ共有せず、必要なエラー部分だけに絞ります。

導入が許可されない環境では、そこでの作業を止めます。

症状 先に見る場所
whisperが見つからない Pythonの仮想環境、インストール先、コマンドの場所
ffmpegが見つからない FFmpegの導入と実行パス
モデルを取得できない ネットワーク制限、空き容量、取得時のエラー
入力を開けない ファイルの実在、パス、読み取り権限、形式

遅い・メモリ不足なら短い音声と小さいモデルで試す

処理が遅い場合は、モデル取得中なのか、文字起こしが始まっているのかを先に分けます。

メモリ不足なら、同じ短い試験録音を、より小さい多言語モデルで試す方法があります。確認したい人名や数字を含む区間で、元音声との一致を比較します。

外部のGPU環境を検討する場合は、無料GPUの利用条件と、割り当てを確認する方法を参照してください。

無音の文章・名前・話者の取り違えを直す

Whisperのモデルカードは、実際の音声にない文章が生成されたり、同じ文章が繰り返されたりする可能性を説明しています。無音や聞き取りづらい部分に自然な文章が出ても、そのまま採用せず音声を再生して確かめます。Whisperのモデルカード

固有名詞には、正しい表記をまとめた用語集が役立ちます。Whisperには --initial_prompt で冒頭の参考テキストを渡す仕組みがあります。用語を伝えて再実行した場合も、原音と照合して変更を採用します。

話者の特定が確認できない箇所は不明のまま残し、決定事項や担当者を確定する根拠にしません。

よくある質問

Q. MuseとWhisperで無料で文字起こしできますか?
公開版WhisperのコードとモデルはMITライセンスですが、Museの利用枠や実行環境の条件は別です。ここでは有料APIを使わない手順を示し、追加料金が必要なら作業を止める依頼文にしています。Whisper専用の無料処理量は確認できていません。
Q. MuseにWhisperを入れれば必ず動きますか?
すべてのMuse環境で動くことは確認していません。PythonとFFmpeg、保存容量、ソフトウェア導入・モデル取得の権限を確認してから、短い録音で試します。導入が許可されなければ、その環境での作業は止めます。
Q. スマートフォンからも依頼できますか?
Museはスマートフォンのアプリから使えますが、Whisperをそのスマートフォン本体で実行する手順ではありません。Museに実行場所とファイルの受け渡し方法を確認し、利用できる操作に合わせて進めます。
Q. 会議の話者名や担当者も自動で分かりますか?
標準のWhisperだけで参加者名まで正しく割り当てられるとは限りません。音声や確認できる記録で裏付けられない話者名・担当者・期限は、不明または未定として残します。
Q. YouTubeの動画URLを渡すだけで文字起こしできますか?
この手順は、自分の録音や取得・処理の権限を確認できたファイルを対象にします。第三者の動画をURLから取得する手順は扱いません。自分がアップロードした動画はYouTube Studioのダウンロード機能を確認し、含まれる作品の権利も別に確かめます。

出典・参考データ

  1. [1] Museの設計とターミナル・活動履歴 (Meta) — 取得 2026-11-16
  2. [2] Meta Museの日本での提供とSecure VM (Meta) — 取得 2026-11-16
  3. [3] OpenAI Whisper 公式README (OpenAI) — 取得 2026-11-16
  4. [4] Whisper CLIの実装 (OpenAI) — 取得 2026-11-16
  5. [5] Whisper 音声読み込みの実装 (OpenAI) — 取得 2026-11-16
  6. [6] Whisper 出力形式の実装 (OpenAI) — 取得 2026-11-16
  7. [7] Whisper モデル取得の実装 (OpenAI) — 取得 2026-11-16
  8. [8] Whisper モデルカード (OpenAI) — 取得 2026-11-16
  9. [9] YouTube 自分の動画をダウンロードする (YouTube) — 取得 2026-11-16
  10. [10] YouTube 利用規約 (YouTube) — 取得 2026-11-16

この記事を書いた人

水島 翔吾

株式会社kairos 代表取締役 / AgentSignal 開発者

AI クローラー・AI 流入計測と AIO 診断ツール AgentSignal を開発。実測データを元に AI 検索時代の計測と対策を書いています。

関連記事