---
title: "アラビア語の会議録音から議事録を API で自動作成 | BroadRouter"
description: "アラビア語の会議録音を、決定事項とアクションアイテム付きの議事録に変える方法。文字起こし、整形、LLM での JSON 要約、氏名と日付の確認までを解説します。"
url: https://broadrouter.com/ja/blog/arabic-meeting-minutes-from-recordings/
lang: ja
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。[英語の原文を読む](https://broadrouter.com/blog/arabic-meeting-minutes-from-recordings/)（2026-11-15 更新）。

# アラビア語の会議録音から議事録を作る：API パイプライン

BroadNet Inference チーム · 約 6 分で読めます · 公開日 2026-11-15

API でアラビア語の議事録を作るには、アラビア語の音声認識モデルで録音を文字起こしし、長い文字起こしをセクションに分け、LLM に決定事項、アクションアイテム、未解決の質問を JSON で出させ、セクションを統合します。各アクションアイテムに文字起こしの引用を付けさせ、議事録は現代標準アラビア語か英語で書きます。

## 要点

-   議事録は 2 つの仕事です。音声のテキスト化と、その要約です。モデルはそれぞれ別に選び、別にテストします。
-   長い会議は 2 回分割が必要です。アップロード上限に収めるための音声の分割と、要約を正確に保つための文字起こしの分割です。
-   JSON で出力させ、すべての決定事項とアクションアイテムに文字起こしからの引用を付けさせれば、確認者が 1 件ずつ検証できます。
-   プレーンテキストの文字起こしには話者ラベルがありません。名前が発言されていない限り、タスクの担当者をモデルに推測させないでください。
-   BroadNet では、アラビア語音声 1 時間の文字起こしは $0.25 です。議事録は、BroadNet がアラビア語でテストした Qwen3.8 27B が書きます。

**このページの内容**

1.  パイプラインの全体像
2.  ステップ 1：長いアラビア語の会議をどう文字起こしするか？
3.  話者の名前はわかるか？
4.  ステップ 2：要約の前に文字起こしを分割するのはなぜか？
5.  ステップ 3：議事録を書くのはどのモデルか？
6.  ステップ 4：信頼できる議事録を得るプロンプトは？
7.  ステップ 5：セクションを 1 つの議事録にまとめるには？
8.  会議 1 件あたりの費用は？
9.  避けるべきミスは？
10.  API パイプラインが向かないのはどんなときか？
11.  BroadNet Inference の位置づけ

議事録は 1 つの作業に見えますが、実際は 2 つです。音声をテキストにすることと、テキストを決定事項やアクションアイテムにすることです。それぞれに固有の失敗の仕方があります。方言の単語を 1 つ誤って文字起こしすれば、間違ったアクションアイテムになります。要約がうまいモデルでも、担当者をでっち上げることがあります。この記事では、アラビア語の会議向けにこのパイプラインを組み、どこで確認を入れるべきかを示します。

## パイプラインの全体像

```text
recording (.m4a, .mp4, .webm)
  → ffmpeg: 16 kHz mono, split at silences
  → speech to text, language=ar, one request per chunk
  → join the transcript, clean obvious noise
  → split the transcript into sections
  → LLM: summary, decisions, action items, open questions (JSON) per section
  → LLM: merge the sections into one set of minutes
  → human review → send
```

以下、順を追って説明します。

## ステップ 1：長いアラビア語の会議をどう文字起こしするか？

ノートパソコンで録音した 1 時間の会議は、たいていアップロード上限をはるかに超えます。BroadNet Inference が受け付けるのは 1 ファイルあたり最大 26,214,400 バイトの WAV または MP3 なので、まず 16 kHz モノラルに変換し、無音部分で分割します。並列リクエストや、テキストを順番どおりにつなぐ処理を含む完全なスクリプトは、[25 MB を超える長い音声の文字起こし](https://broadrouter.com/ja/blog/transcribe-long-audio-files-api/)にあります。

アラビア語の会議では、3 つの設定が重要です。

-   **すべてのチャンクで `language="ar"` を送る。** BroadNet のドキュメントは、指定しないとアラビア語がラテン文字に音訳されて返ることがあると注意しています。
-   **アラビア語主体の会議にはアラビア語モデルを使う**：`broadnet/cohere-transcribe-arabic`。主にほかの対応言語で行われる会議なら、`broadnet/cohere-transcribe` が 1 分あたり $0.002 です。
-   **元の文字起こしを残しておく。** 確認作業と、ステップ 4 の引用に必要です。

湾岸諸国のビジネス会議では、アラビア語と英語が混ざるのが普通です。ふだんの言語の混ざり方で録音して試してください。英語の製品名や数字がエラーの出やすいところです。何に注意して聞くべきかは[アラビア語方言の音声認識](https://broadrouter.com/ja/blog/arabic-dialect-speech-recognition/)で扱っています。

## 話者の名前はわかるか？

プレーンテキストの文字起こしからはわかりません。BroadNet の文字起こしのレスポンスは `text` 項目が 1 つだけの JSON で、話者もタイムスタンプもありません（チャンクのオフセットから字幕のタイミングを作る方法は、[テキストのみの API でアラビア語字幕を作る](https://broadrouter.com/ja/blog/arabic-subtitles-srt-api/)をご覧ください）。選択肢は 3 つです。

| 状況 | 対応 |
| --- | --- |
| 参加者ごとに別のトラックやチャンネルで録音している | トラックごとに文字起こしする。トラックで話者がわかる |
| 2 チャンネルの通話録音 | [コールセンターのパイプライン](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)と同様に、ffmpeg でチャンネルを分ける |
| 混ざった 1 トラックだけで、話者が必要 | [話者分離](https://broadrouter.com/ja/glossary/diarization/)を返すプロバイダーを使う。[選び方ガイド](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/)で比較している |

混ざった 1 トラックでも、誰かが名前を口にすれば、LLM は担当者を見つけられます。「ハーリドが木曜までに見積もりを送ります」のような場合です。してはいけないのは、文脈から担当者を推測することです。下のプロンプトではそれを禁じています。

## ステップ 2：要約の前に文字起こしを分割するのはなぜか？

理由は 2 つあります。1 つ目はコンテキストです。1 時間分の発言は、小さなモデルには長すぎることがあります。[BroadNet Gemma 4 VL 26B](https://broadrouter.com/ja/models/gemma-4-vl-26b/) のコンテキストは 32,768 トークンで、長いアラビア語の会議はこれを超えることがあります。[アラビア語トークンカウンター](https://broadrouter.com/tools/arabic-token-counter/)で数えてみてください。[アラビア語と英語の単語あたりトークン数](https://broadrouter.com/ja/blog/tokens-per-word-arabic-english/)にあるとおり、アラビア語はたいてい英語より 1 単語あたりのトークンが多くなります。

2 つ目は精度です。長い入力に関する研究では、モデルの性能が “significantly degrades when models must access relevant information in the middle of long contexts”（訳：長いコンテキストの中ほどにある関連情報を使わなければならないとき、大きく低下する）ことがわかりました（[Liu ほか](https://arxiv.org/abs/2307.03172)）。70 分の会議の 35 分目に下された決定は、まさにそれにあたります。10〜15 分ずつのセクションを要約してから統合すれば、どの部分もプロンプトの先頭近くに置けます。

音声で使ったのと同じ無音の位置で分割すれば、セクションが文の途中から始まることはありません。

## ステップ 3：議事録を書くのはどのモデルか？

| モデル | コンテキスト | 議事録に関する注記 | 100 万トークンあたり 入力 / 出力 |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ja/models/qwen3.8-27b/) | 262,144 | BroadNet がアラビア語でテスト：流暢な文章、湾岸・エジプト方言を理解、構造化出力に対応と記載 | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/ja/models/glm-5.3/) | 1,048,576 | 構造化出力に対応と記載、テキストのみ | $0.78 / $3.46 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ja/models/deepseek-v4.1-flash/) | 1,048,576 | 定額プランもあり、セッションあたり月 $60、1 度に 1 リクエスト | $0.175 / $0.52 |

BroadNet がアラビア語でテストしたモデルなので、まず Qwen3.8 27B から始めてください。ほかの 1 モデルと実際の会議 3 件で比較し、ネイティブスピーカーに採点してもらいます。採点シートは[アラビア語向け LLM の選び方](https://broadrouter.com/ja/blog/choosing-an-llm-for-arabic/)にあります。

3 モデルとも回答の前に推論し、その推論は `max_tokens` に含まれます。議事録は長いので数千トークンの余裕を持たせてください。そうしないと、表示される回答が空になることがあります。[その理由](https://broadrouter.com/ja/guides/reasoning-tokens-empty-response/)をご覧ください。

## ステップ 4：信頼できる議事録を得るプロンプトは？

JSON で出力させ、すべての項目について文字起こしから引用させます。引用があれば、確認者は文字起こし全体を読み直さずに、アクションアイテムを数秒で確認できます。

```python
import json, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

SYSTEM = """You write meeting minutes from an Arabic meeting transcript section.
Return JSON only, with these keys:
  "summary": 2-4 sentences in Modern Standard Arabic,
  "decisions": [{"text": ..., "quote": ...}],
  "actions": [{"task": ..., "owner": ..., "due": ..., "quote": ...}],
  "open_questions": [{"text": ..., "quote": ...}]
Rules:
- "quote" is the exact words from the transcript that support the item.
- "owner" is a name only if the transcript says who will do it. Otherwise null.
- "due" only if a date or day is said. Keep it as said, e.g. "الخميس". Otherwise null.
- Keep names, numbers and amounts exactly as in the transcript. Never guess."""

def minutes_for(section):
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        max_tokens=4000,
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": section}])
    return json.loads(r.choices[0].message.content)
```

次にコードで検証します。JSON を解析し、キーを確認し、すべての `quote` が本当にそのセクションに含まれているかをチェックします。引用が文字起こしにない項目はモデルの創作なので、削除するか印を付けます。JSON が解析できなければ、エラーメッセージを添えて 1 回だけリトライします。検証ループは [JSON モードと json\_schema](https://broadrouter.com/ja/blog/structured-output-json-schema/) で紹介しています。BroadNet のドキュメントは GLM 5.3 と Qwen3.8 27B を構造化出力対応としていますが、リクエストのパラメーター名は書いていないので、頼る前に試してください。

議事録を英語にする場合は、要約の行を英語に変え、“Keep each quote in the original Arabic.”（各引用は元のアラビア語のまま残すこと）を加えます。文体、数字の表記、文字体系の混在については、[アラビア語のプロンプトエンジニアリング](https://broadrouter.com/ja/blog/arabic-prompt-engineering/)の記事で詳しく扱っています。

## ステップ 5：セクションを 1 つの議事録にまとめるには？

すべてのセクションの結果を最後の 1 リクエストで送り、モデルに次のことをさせます。

1.  会議全体の要約を 1 つ書く。
2.  重複する決定事項とアクションを統合する。同じタスクが 2 回言及されることはよくあります。
3.  各項目の引用を残す。
4.  後のセクションで担当者や期限が変わったアクションには、変更済みの印を付ける。

統合の入力は小さく、文字起こしではなく各セクションの JSON です。上の 3 モデルのどれで統合しても、コンテキストに十分収まります。

## 会議 1 件あたりの費用は？

| ステップ | 課金対象 | 価格 |
| --- | --- | --- |
| 文字起こし | 音声の分数 | 1 分 $0.0042、1 時間 $0.25 |
| セクションの要約 | 入力は文字起こしのトークン、出力は JSON | Qwen3.8 27B：100 万トークンあたり入力 $0.175、出力 $2.17 |
| 統合 | 小さな JSON の入出力 | 同じ単価 |

通常、文字起こしは固定部分です。LLM の部分は、文字起こしの長さとモデルの推論量で変わります。最初の数件の実際の会議で `prompt_tokens` と `completion_tokens` を読み取り、[LLM API コスト計算ツール](https://broadrouter.com/tools/llm-api-cost-calculator/)で掛け算してください。音声側は[音声認識コスト計算ツール](https://broadrouter.com/tools/speech-to-text-cost-calculator/)で計算できます。$5 の初回クレジットは文字起こしモデルに使え、アラビア語で約 1,190 分分です。Qwen3.8 27B にはチャージが必要です。

## 避けるべきミスは？

-   **会議全体を 1 つのプロンプトで要約する。** 中ほどの項目が抜け落ちます。
-   **モデルに空白を埋めさせる。** 発言されていない担当者や期限は、AI 議事録でもっとも多いエラーです。null を既定にしてください。
-   **翻訳が早すぎる。** アラビア語で文字起こしと抽出を行い、その後で議事録を翻訳します。先に文字起こしを翻訳すると、正確な引用が失われます。
-   **確認を省く。** 議事録は記録です。送付前に、出席者が読むべきです。
-   **録音をずっと保存する。** 保存義務がない限り、議事録が承認されたら音声は削除します。

## API パイプラインが向かないのはどんなときか？

会議中のリアルタイム字幕、混ざった 1 トラックからの話者ラベル、あるいはチームが今日から使える既製のアプリが必要なら、会議専用の製品のほうが早道です。アラビア語の議事録を提供する製品はいくつかあります。各社のページにある精度の主張はその会社自身のものなので、自社の録音で比較してください。API の道が理にかなうのは、議事録を自社のシステムの中で、自社の形式と自社の保持ルールで扱いたい場合です。

## BroadNet Inference の位置づけ

BroadNet は、1 つの OpenAI 互換キーで両方の工程を提供します。1 分 $0.0042 の BroadNet Transcribe Arabic と、議事録を書くアラビア語テスト済みの Qwen3.8 27B です。プライバシーステートメントには、リクエスト後にプロンプト、音声、回答、文字起こしを一切保持しないとあり、社内会議では重要な点です。話者ラベルやタイムスタンプは返さず、リアルタイムの文字起こしもないので、それらが必要ならほかのプロバイダーを使ってください。まず[アラビア語音声認識ガイド](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)から始め、上の要約ステップを加えてください。

関連する無料ツール（英語）

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[無料ツール（英語）](https://broadrouter.com/tools/)

## この記事の用語

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

[話者ダイアライゼーション（speaker diarization）](https://broadrouter.com/ja/glossary/diarization/)

話者ダイアライゼーションとは、録音を話者ごとの区間に分け、「誰がいつ話したか」に答えるタスクです。各発話区間に SPEAKER\_00 のような匿名の話者 ID を付け、たいていは文字起こしと組み合わせて、各行を誰が話したかを示します。

[ツール呼び出し（Function Calling、tool calling）](https://broadrouter.com/ja/glossary/tool-calling/)

ツール呼び出し（Function Calling とも呼ばれます）とは、開発者が定義した関数の実行を求める構造化されたリクエストを、モデルが JSON の引数付きで返す LLM API の機能です。関数を実行して結果を返すのはアプリケーションで、モデル自身がコードを実行することはありません。

[構造化出力（Structured Outputs）](https://broadrouter.com/ja/glossary/structured-output/)

構造化出力とは、モデルの回答を開発者が指定した形式（通常は JSON Schema）に制約し、コードで確実に解析できるようにする LLM API の機能です。有効な JSON であることだけを保証し、特定の形までは保証しない JSON モードより厳格です。

[アラビア語の方言（dialectal Arabic）](https://broadrouter.com/ja/glossary/dialectal-arabic/)

アラビア語の方言とは、エジプト、湾岸、レバント、マグリブなど、地域や都市で日常的に話されるアラビア語です。音、語彙、文法が現代標準アラビア語と異なり、標準的な綴りがなく、ネットで書かれることも増え、言語モデルには扱いにくい対象です。

[JSON Schema（JSON スキーマ）](https://broadrouter.com/ja/glossary/json-schema/)

JSON Schema とは、JSON データの構造（型、必須フィールド、許可される値、入れ子）を記述・検証するための、JSON で書かれた語彙です。現行バージョンは 2020-12 です。LLM API はツールのパラメーターや、構造化出力が従うべき正確な形の定義に使います。

[OpenAI 互換 API（OpenAI-compatible API）](https://broadrouter.com/ja/glossary/openai-compatible-api/)

OpenAI 互換 API とは、POST /v1/chat/completions など OpenAI API と同じリクエスト形式とレスポンス形式を受け付ける HTTP API です。OpenAI の SDK やツールは、ベース URL、API キー、モデル名を変えるだけで利用できます。

[WAV](https://broadrouter.com/ja/glossary/wav/)

WAV（Waveform Audio File Format、WAVE とも）とは、Microsoft と IBM の RIFF 形式をベースにした音声コンテナです。通常は非圧縮のリニア PCM サンプルを格納するため、サイズは予測できます。1 秒あたりのバイト数は、サンプリングレート × サンプルあたりのバイト数 × チャンネル数です。

## よくある質問

### アラビア語の録音から議事録を作るには？

アラビア語の音声認識 API で、language=ar を指定して音声を文字起こしします。次に、短い要約、決定事項、担当者と期限付きのアクションアイテム、未解決の質問を JSON で求めるプロンプトとともに、文字起こしを LLM に送ります。送付前に結果を確認してください。

### 会議がアラビア語でも、議事録を英語で作れますか？

作れます。アラビア語で文字起こしし、氏名、数字、引用を発言どおりに保ったまま英語で議事録を書くよう LLM に指示します。アラビア語の引用を残しておけば、バイリンガルの確認者が翻訳をチェックできます。

### 議事録で方言はどう扱えばよいですか？

文字起こしは方言のまま残します。それが実際の発言だからです。議事録は現代標準アラビア語で書くよう LLM に指示し、約束や拒否など意味が重要な場合は方言の言葉を引用符付きで残させます。

### API で誰が何を言ったかわかりますか？

話者ラベルを返す場合に限ります。BroadNet の文字起こしはプレーンテキストを返します。参加者ごとに別のトラックやチャンネルで録音しているなら、トラックごとに文字起こしすれば話者がわかります。そうでなければ、話者分離に対応したプロバイダーを使ってください。

### 長い会議の要約にはどのモデルを使うべきですか？

もっとも長い文字起こしが収まるコンテキストと、優れたアラビア語能力を持つモデルを選びます。BroadNet では、Qwen3.8 27B がアラビア語でテスト済みのモデルでコンテキストは 262,144 トークン、GLM 5.3 と DeepSeek V4.1 Flash は 1,048,576 トークンです。実際の会議 3 件で 2 モデルを試してください。

### 社内会議を API に送っても安全ですか？

まずプロバイダーの保持条件を確認してください。BroadNet は、リクエスト後にプロンプト、音声、回答、文字起こしを一切保持しないと明言しています。それでも、読み上げられた個人の電話番号など、議事録に不要なものは取り除いてください。

## 続けて読む

-   [25 MB を超える長い音声の文字起こし：分割・送信・結合](https://broadrouter.com/ja/blog/transcribe-long-audio-files-api/)
-   [アラビア語の音声認識 API：2026 年の選び方](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/)
-   [コールセンターの通話録音を文字起こしする：アラビア語対応のパイプライン](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)
-   [JSON モードと json\_schema：壊れない構造化出力の作り方](https://broadrouter.com/ja/blog/structured-output-json-schema/)
-   [アラビア語向け LLM API の選び方：何をテストすべきか](https://broadrouter.com/ja/blog/choosing-an-llm-for-arabic/)
-   [アラビア語のプロンプトエンジニアリング：文体、RTL、数字、混在テキスト](https://broadrouter.com/ja/blog/arabic-prompt-engineering/)
-   [LLM でアラビア語テキストを要約する：プロンプト、長さ、評価](https://broadrouter.com/ja/blog/arabic-text-summarization-llm/)
-   [音声認識 API でアラビア語の SRT 字幕を作るには](https://broadrouter.com/ja/blog/arabic-subtitles-srt-api/)
-   [LLM でアラビア語に母音記号を付ける：プロンプト、検証、DER](https://broadrouter.com/ja/blog/arabic-diacritization-llm/)
-   [LLM でアラビア語の文法・スペルを校正する方法](https://broadrouter.com/ja/blog/arabic-grammar-spelling-correction-llm/)
-   [ガイド：アラビア語の音声認識 API を使う手順](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)
-   [ガイド：推論モデルが空の回答を返す理由](https://broadrouter.com/ja/guides/reasoning-tokens-empty-response/)

実際のワークロードで試してください。新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-meeting-minutes-from-recordings&utm_content=page-cta) ·

**出典**

-   [BroadNet Inference API リファレンス：文字起こしの項目とテキストのみのレスポンス、構造化出力に対応するモデル、推論と max\_tokens（2026-11-15 確認）（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [BroadNet Inference 料金ページ：分単位の価格と Qwen3.8 27B の “Tested in Arabic” の注記（2026-11-15 確認）（英語）](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [BroadNet 推論プライバシーステートメント：プロンプト、音声、文字起こしを保持しない（2026-11-15 確認）（英語）](https://www.broadnet.ai/inference-privacy)
-   [Liu ほか「Lost in the Middle: How Language Models Use Long Contexts」（arXiv 2307.03172、2026-11-15 確認）](https://arxiv.org/abs/2307.03172)
-   [OpenAI 音声認識ガイド：文の途中で音声を分割しない（2026-11-15 確認）](https://developers.openai.com/api/docs/guides/speech-to-text)
