録音が転がったまま、議事録が始まらないあの区間

会議が終わり、録音は携帯に残り、議事録はまだ書き出されていない。多くの職場人にとってそれは日常で、Tingwu が引き受けようとしているのはまさにこの区間だ。Alibaba Cloud による仕事と学習の補助で、公式の製品概要は宣伝文より技術的である。音声認識と大規模言語モデルを土台に、会議や取材、授業などのシーンで、その場の録音または保存済みの録音を要約し分析する仕組みだという。

トップに並ぶ三つの入口

頁を開くと三つの道が前に並ぶ。記録を始めれば、話しているそばから文字になり、横で訳され、要点がまとまる。音声や映像を送れば、文字にし、発言者を見分け、一手で書き出す。ポッドキャストの購読のリンクを貼れば、何も落とさずに濃い要約が出る。効率の言い方も具体的で、一時間の音を五分で文字にし、発言者を自動で見分けるという。

その場の記録：会議中に下書きが出る

その場の記録が製品の中心だ。パソコンでは手を離して聞くことに集中する、という言い方をする。会議が進むそばから音声が文字になり、言語をまたいで同時に訳され、要点も並んでまとまる。公式の利用例に登場するある制作の責任者はこう言う。やり取りの細部まできちんと記録し、章の概観ややることをまとめてくれるので、二時間の会議が五分で議事録になる、と。

言語について公式の説明は具体的だ。文字起こしとその場の双方向の翻訳は、中国語、英語、広東語、日本語、韓国語、ドイツ語、フランス語、ロシア語を覆う。中国語と英語が混ざる会議、広東語の取材、日本語や韓国語やドイツ語の授業の録音まで、同じ流れで処理される。

AI の議事録：文字起こしから構造へ

文字起こしは最初の一歩にすぎず、議事録を作るのは大規模モデルの力だ。公式の一覧には、章の概観、全体の要約、発言者ごとのまとめ、要点の振り返り、考えの地図、キーワード、やること、シーンの識別、スライドの抜き出しと要約、話し言葉を書き言葉にする処理、そして自前の指示が並ぶ。二時間の会議を録れば、章、要約、誰が何を言ったか、次に誰が何をするかが、すでに構造化された塊で出てくる。

字幕には専用の支えがある。結果は段落、文の区切り、語ごとの開始と終了の時刻つきで返せるので、そのまま字幕の表示に使える。映像を作る人にとっては、字幕の時間軸を手で合わせ直さずに済むということだ。想定する状況として、企業の知的業務、教育と研修、金融、媒体が挙げられている。

ポッドキャスト：リンク一つで済む

三つの入口のうち、ポッドキャストの文字起こしが最も手軽だ。購読のリンクを貼り、音声を落とさずに、仕組みが文字にし要約を濃くする。流して聞く人にとっては、一時間の番組の要約を読んでからじっくり聞くかどうかを決められるので、時間の計算が立てやすい。

入門の区画には三分の短い手引きも置かれている。授業で使うのが 1 分 53 秒、会議で使うのが 2 分 14 秒、ポッドキャストと映像の遊び方が 2 分で、ちょうど押している三つのシーンを覆っている。

無料の枠と価格

価格は Alibaba Cloud のヘルプ内の課金の説明に従う。新たに開通した利用者は 90 日間の無料試用ができ、その間は費用がかからない。試用期間中の一日の枠は、その場の記録が 48 時間（同時 2 本）、音声と映像の送信が 2 時間ぶんで、その日の枠を使い切ると 24 時間後に戻る。

試用を超える場合や企業の接続は API ごとの課金になる。文字起こしは一時間 0.6 元（発言者の分離と自動の言語識別を含む）、大規模モデルの能力は一つあたり一時間 0.064 元（複数を使うと重なって加算）、映像からのスライド抜き出しと要約は一時間 0.64 元、その場の翻訳は一時間 4 元、保存済みの翻訳は一時間 0.5 元。その場の会議の記録は最大 3 本の音声入力を受け、複数をつないだ場合は文字起こしの結果が出た時間だけを数える。公式の告知には、全体の値下げ、自前の指示への対応、すぐ使えて私設にも置ける低コードの雛形、そして側面の欄に企業向け API の入口も記されている。

どんな人に向くか

三つの層が最も直接に当てはまる。会議の詰まった職場の人、取材の録音を整理する研究者、ポッドキャストを追う聞き手だ。前の二つはその場の文字起こしと構造化された議事録を重んじ、後の一つはリンクで時間を省く。多言語の相互翻訳は外国語の授業や国をまたぐ会議にも足りる。

正直な注記を二つ。第一に、文字起こしの正確さは録音の質、なまり、専門用語に左右されるので、大事な議事録は出す前に人が確かめたい。第二に、大規模モデルの能力は一時間ごとに別々に課金され、いくつも使えば加算されるので、会員になる前や API を使う前に公式の課金の説明と突き合わせて計算しておきたい。聞くことと記すことは道具が引き受ける。どの部分を残す値打ちがあるかは、やはり人の仕事だ。

文字起こしの道具が引き受けるのは鍵盤であって、判断ではない。二時間の録音を五分の議事録に圧縮するが、そのどの一行を実行するかは、聞いた人が決める。