ここ数ヶ月、毎週複数の打ち合わせをZoomで回してるんだけど、会議の記録をまとめるのが地味にストレスだった。参加者が多いと議論も複雑になるし、後から「あの時何て言ってたっけ」って確認するのに、わざわざビデオを巻き戻すハメになる。そんなモヤモヤを抱えてた時に、Meetilyの存在を知った。音声認識の速度を高速化したい方はInsanely Fast Whisperで音声文字起こしを劇的に高速化する方法も参考になります。
触ってみたのは平日の昼休み。GitHubからクローンして、ドキュメント読んで、自分のZoomアカウントで試した。セットアップ自体は意外とシンプルで、認証情報を設定したら即座に過去の会議動画を指定できる。処理も早い。コマンド一発で meetily record --source zoom --meeting-id xxxxx みたいな形で動いた。数分待つと、テキスト化された議事録と要点がさらっと出力される。最初は「本当にうまくいった？」と疑ったレベル。
いちばんありがたいのは、音声認識の精度が実用レベルで高いこと。技術用語や人名の誤認識もちらほらあるけど、大筋の会話内容は確実に拾ってる。従来は自分が手作業で「あ、この部分は重要だな」と判断して記録してたから、どうしても主観が入ってた。でもAIに任せると、発言が全部平等に記録されて、その中から自動で要点が抽出される。変に自分のバイアスが混じらないのが地味に良い。Slack連携も用意されてるから、記録を直接チャンネルに流すこともできる。
正直に言うと、まだ完璧ではない。オンプレミスの会議室でのハイブリッド開催の対応が少し弱い部分があるし、日本語の技術用語の誤認識もたまにある。あと、会議記録のフォーマットを完全にカスタマイズしたい場合は、もう少しドキュメントが充実してると助かるなと感じた。
結論としては、リモートワークが基本の環境にいるなら、マジで試す価値がある。特にチームが増えてきて「誰がどの会議に参加したっけ」みたいなトラッキングが必要になってきた場面では、手動でやってた作業が一気に楽になる。自分たちのプロジェクトでも導入して、もう3週間くらい使ってるけど、今までの手作業に戻る気がしない。AI音声合成をローカルで完結させたい場合はChatterbox TTS Serverでオフライン音声合成を実現するも合わせて確認してみてください。