Python×OpenAI Whisper APIで音声ファイルをテキスト化！議事録自動生成アプリの作り方

「会議のあとに議事録を書くのがしんどい…」「録音したファイルを手で聞き返しながら文字起こしするのに毎回1〜2時間かかる…」

そんな悩みを抱えている方、多いんじゃないでしょうか。

実は、OpenAIが提供している Whisper API を使えば、Pythonで数十行のコードを書くだけで音声ファイルを自動でテキスト化できます。しかも精度がかなり高く、日本語にもしっかり対応しています。

今回はWhisper APIを使って、音声ファイルを文字起こしして議事録テキストを自動生成するPythonアプリをゼロから作っていきます。ChatGPT APIとの組み合わせで、単なる文字起こしを超えた「整形済み議事録」を出力する応用例もご紹介します！

Contents

📋 この記事で作るもの・対象読者
🛠️ 事前準備
🎤 STEP 1：Whisper APIで音声をテキスト化する
📝 STEP 2：GPT-4oで議事録フォーマットに整形する
🚀 STEP 3：まとめてパイプライン化する
⚠️ 注意点・よくあるつまずきポイント
まとめ

📋 この記事で作るもの・対象読者

voice recording transcription / Photo by dlxmedia.hu via Pexels

この記事で作るのはこんなアプリです。

音声ファイル（.mp3 / .mp4 / .wav など）をPythonスクリプトに渡す
Whisper APIが自動で文字起こしをしてくれる
さらにGPT-4oに渡して「会議の要点・決定事項・次のアクション」を整理した議事録フォーマットに変換する

対象読者：

PythonでAPIを呼び出した経験が少しある方（初〜中級者）
議事録作成を自動化したいビジネスパーソン・エンジニア
OpenAI APIをはじめて使う方

🛠️ 事前準備

必要なもの

Python 3.9以上
OpenAIのAPIキー（有料プランが必要です）
文字起こししたい音声ファイル（mp3・mp4・wav・m4a など25MB以内）

ライブラリのインストール

必要なライブラリは openai と python-dotenv の2つだけです。シンプルですよね。

pip install openai python-dotenv

APIキーの設定

APIキーをコードに直書きするのはセキュリティ上NGです。.env ファイルを使って管理しましょう。

プロジェクトフォルダに .env ファイルを作り、以下を記述します。

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxx

⚠️ .envファイルは必ず .gitignore に追加してください。GitHubに上げてしまうとAPIキーが漏洩します。

🎤 STEP 1：Whisper APIで音声をテキスト化する

まずはWhisper APIの基本的な使い方から見ていきましょう。

イメージとしては、「音声ファイルをOpenAIのサーバーに送ると、テキストが返ってくる」という非常にシンプルな仕組みです。

import os
from openai import OpenAI
from dotenv import load_dotenv

# .envファイルからAPIキーを読み込む
load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def transcribe_audio(file_path: str) -> str:
    """
    音声ファイルをWhisper APIでテキスト化する関数
    """
    with open(file_path, "rb") as audio_file:
        response = client.audio.transcriptions.create(
            model="whisper-1",       # Whisperモデルを指定
            file=audio_file,
            language="ja",           # 日本語を明示指定（精度が上がる）
            response_format="text"   # テキスト形式で返す
        )
    return response

# 実行テスト
if __name__ == "__main__":
    text = transcribe_audio("meeting.mp3")
    print("=== 文字起こし結果 ===")
    print(text)

ポイントをまとめるとこんな感じです👇

model=”whisper-1″：Whisper APIの唯一のモデル名です。これ一択でOK
language=”ja”：日本語を明示することで認識精度が向上します。省略すると自動判定になりますが、明示した方が安定します
response_format=”text”：シンプルなテキスト文字列で返す設定。タイムスタンプ付きが欲しい場合は "verbose_json" も使えます

📝 STEP 2：GPT-4oで議事録フォーマットに整形する

文字起こし結果をそのまま使うのもアリですが、会議の録音をそのままテキスト化しても「えー」「あのー」「そうですね」が混ざって読みにくいですよね。

そこで、文字起こしテキストをGPT-4oに渡して、きれいな議事録フォーマットに変換してもらいましょう。

def format_as_minutes(transcript: str) -> str:
    """
    文字起こしテキストをGPT-4oで議事録形式に整形する関数
    """
    prompt = f"""
以下は会議の文字起こしテキストです。
この内容を読みやすい議事録に整形してください。

【出力フォーマット】
## 会議の概要
（会議全体の要約を2〜3文で）

## 主な議題と議論内容
（箇条書きで整理）

## 決定事項
（確定した内容を箇条書きで）

## 次回までのアクション
（誰が・何を・いつまでに、の形式で）

---
【文字起こしテキスト】
{transcript}
"""

    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "あなたは優秀な議事録作成アシスタントです。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.3   # 低めに設定して安定した出力を得る
    )
    return response.choices[0].message.content

ここが重要です！

temperatureを0.3に下げる：創造性より一貫性・正確性を優先したいので低めに設定しています
プロンプトにフォーマットを明示する：出力形式を指定しておくと、毎回同じ構造の議事録が生成されます
systemプロンプトで役割を与える：「議事録作成アシスタント」と明示することでより適切な文体になります

🚀 STEP 3：まとめてパイプライン化する

STEP 1とSTEP 2を組み合わせて、「音声ファイルを渡したら議事録テキストが返ってくる」一本のパイプラインにまとめましょう。

import os
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def transcribe_audio(file_path: str) -> str:
    with open(file_path, "rb") as audio_file:
        response = client.audio.transcriptions.create(
            model="whisper-1",
            file=audio_file,
            language="ja",
            response_format="text"
        )
    return response

def format_as_minutes(transcript: str) -> str:
    prompt = f"""
以下は会議の文字起こしテキストです。読みやすい議事録に整形してください。

## 会議の概要
## 主な議題と議論内容
## 決定事項
## 次回までのアクション

【文字起こしテキスト】
{transcript}
"""
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "あなたは優秀な議事録作成アシスタントです。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.3
    )
    return response.choices[0].message.content

def generate_minutes(audio_file_path: str, output_path: str = "minutes.txt"):
    """
    音声ファイルを受け取り、議事録テキストを生成して保存するメイン関数
    """
    print(f"🎤 文字起こし開始：{audio_file_path}")
    transcript = transcribe_audio(audio_file_path)
    print("✅ 文字起こし完了！")
    print("📝 議事録を整形中...")
    minutes = format_as_minutes(transcript)
    # テキストファイルとして保存
    with open(output_path, "w", encoding="utf-8") as f:
        f.write(minutes)
    print(f"✅ 議事録を保存しました：{output_path}")
    return minutes

if __name__ == "__main__":
    result = generate_minutes("meeting.mp3", "meeting_minutes.txt")
    print(result)

これを実行すると、meeting_minutes.txt に整形された議事録が保存されます。