日本語の敬語・専門用語で精度が落ちる
一般的な音声認識ツールは英語前提の設計で、日本語の敬語体系や「〜ございます」「〜いたします」のような丁寧表現を誤認識しがち。Kaigi AIはWhisper（OpenAI）に日本語ビジネス語彙の専用プロンプトを組み合わせ、敬語を含む会話を正確に文字化します。
複数人が話す会議の書き起こしが混乱する
Zoom・Teams会議では複数の声が重なりやすい。AIが発言の文脈から話者を推定し「誰が何を言ったか」を整理して記録します。
長時間会議のファイルが処理できない
3時間を超える長い録画でも、自動で分割して文字起こしします。手動でファイルを切ったり分けたりする必要はありません（合計の長さはプランの月間枠の範囲内）。
ファイルをアップロード
MP4・MP3・WAV・M4A・MOVなど主要フォーマットに対応。動画でもそのままアップロード（自動で音声抽出）。ZoomやTeamsの録画ファイルをそのままアップロードできます。
Whisperが音声を解析
Whisper large-v3（OpenAI API）で音声を解析。日本語を自動検出し、話者識別・タイムスタンプ付きで書き起こします。
テキストを確認・エクスポート
文字起こしテキストはWebブラウザで即確認。TXT・SRT・DOCX形式でエクスポート可能。議事録生成機能と連携して決定事項・アクションアイテムを自動抽出します。
| エンジン | Whisper（OpenAI） |
| 文字起こしエンジン | Whisper（OpenAI） |
| 対応フォーマット | MP3, MP4, WAV, M4A, AAC, OGG, FLAC, WMA, OPUS, AIFF, MOV, MKV, WMV, WEBM, AVI, 3GP, TS |
| ファイルサイズ | 動画 最大8GB／音声 最大5GB（動画は自動で音声抽出） |
| 処理時間（60分音声） | 約5分（2026年7月31日の本番実績12件（15秒〜104分）から回帰した見積り。混雑状況・音声の長さ・翻訳の有無で前後します） |
| データ保管場所 | AWS ap-northeast-1（東京） |
| 話者識別 | 対応（音声の特徴による話者分離（有料プラン）＋ Claude AI による実名の推定） |
| タイムスタンプ | 秒単位で付与 |
会議録音には機密情報が含まれます。Kaigi AIのデータの保管場所・処理経路・削除の扱いは次のとおりです。
日本の個人情報の保護に関する法律（個人情報保護法）に基づいてデータを取り扱っています。取得・利用・委託先はプライバシーポリシーで公開しています。
文字起こしテキスト・議事録データはAWS東京リージョン（ap-northeast-1）で保管します。音声は文字起こし完了後に削除（失敗時のみ最大7日、ボット録音は保存を有効にした場合のみ最大30日）。
お客様がアップロードした音声・文字起こしデータをAIモデルのトレーニングに使用することは一切ありません。データはお客様のものです。
Q. 日本語以外の音声も文字起こしできますか？
A. はい。Whisperは99言語に対応しており、言語を自動検出します。英語・中国語・韓国語などの音声も文字起こし可能で、多言語翻訳機能と組み合わせて日本語に翻訳することもできます。
Q. 専門用語や社内用語の精度を上げられますか？
A. はい。すべてのプランで社内用語辞書に専門用語を登録でき（最大20語）、文字起こし精度を向上させられます。医療・法律・IT・金融などの専門領域でも精度改善が可能です。
Q. 話者識別の精度はどのくらいですか？
A. 数名程度の会議では話者を概ね切り分けられますが、全員が同時に話す・声質が似ている・マイクが遠いといった場面では精度が下がります。話者識別の正解率は公開できる測定値をまだ持っていないため、数値ではお答えしていません。識別された話者名は後から編集できます。
Q. 音声品質が悪い録音でも使えますか？
A. 背景ノイズが大きい・音量が不均一なファイルでも処理可能です（精度は元の音質に依存します）。文字起こし前にffmpegで録音ノイズ除去（afftdnフィルタ）と16kHz・モノラルへの正規化を自動で行うため、エアコンや空調などの定常的なノイズがある録音でも認識が安定します。一般的なZoom・Teams録音であれば問題ありません。