会議中の「あれ、なんだっけ？」をゼロにする。Pythonで作る自分だけの「リアルタイム文字起こし＆要約アシスタント」

[マイク/スピーカー] 
      ↓ (音声データ)
[Pythonスクリプト]
      ↓
[Whisper API] ──→ テキスト化 ──→ [画面に表示]
                                       ↓
                                  (終了後)
                                       ↓
[GPT-4o mini] ──→ [要約・To-Do抽出] ──→ [議事録ファイル.md]

# プロジェクト作成
mkdir meeting-bot
cd meeting-bot
uv init

# ライブラリの追加
# ※Windowsの場合
uv add openai pyaudio keyboard soundfile numpy

# ※macOSの場合 (事前に brew install portaudio が必要な場合があります)
uv add openai pyaudio keyboard soundfile numpy

$env:OPENAI_API_KEY="sk-..."

export OPENAI_API_KEY="sk-..."

import os
import time
import wave
import threading
import keyboard  # キー入力を検知
import pyaudio
from openai import OpenAI
from datetime import datetime

# === 設定 ===
API_KEY = os.environ.get("OPENAI_API_KEY")
if not API_KEY:
    raise ValueError("OPENAI_API_KEYが設定されていません")

client = OpenAI(api_key=API_KEY)

# 録音設定
CHUNK = 1024
FORMAT = pyaudio.paInt16
CHANNELS = 1
RATE = 44100
WAVE_OUTPUT_FILENAME = "temp_chunk.wav"

# グローバル変数
is_recording = False
transcript_log = []  # 全会話ログを保存するリスト

def record_audio(stop_event):
    """録音を実行するスレッド用関数"""
    p = pyaudio.PyAudio()
    stream = p.open(format=FORMAT,
                    channels=CHANNELS,
                    rate=RATE,
                    input=True,
                    frames_per_buffer=CHUNK)

    frames = []
    print("\n🔴 録音中... (Enterを押すと停止・文字起こし開始)")

    while not stop_event.is_set():
        data = stream.read(CHUNK)
        frames.append(data)

    print("✅ 録音終了。文字起こし中...")

    stream.stop_stream()
    stream.close()
    p.terminate()

    # 一時ファイルとして保存
    wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
    wf.setnchannels(CHANNELS)
    wf.setsampwidth(p.get_sample_size(FORMAT))
    wf.setframerate(RATE)
    wf.writeframes(b''.join(frames))
    wf.close()

def transcribe_audio():
    """保存された音声をWhisperで文字起こしする"""
    if not os.path.exists(WAVE_OUTPUT_FILENAME):
        return

    try:
        with open(WAVE_OUTPUT_FILENAME, "rb") as audio_file:
            transcript = client.audio.transcriptions.create(
                model="whisper-1",
                file=audio_file,
                language="ja" # 日本語を指定
            )
        
        text = transcript.text
        if text:
            print(f"\n📝 {text}")
            transcript_log.append(text)
        else:
            print("❌ 音声が認識できませんでした")
            
    except Exception as e:
        print(f"Error: {e}")

def generate_summary():
    """GPT-4o miniで議事録を作成する"""
    if not transcript_log:
        print("会話ログがないため、要約をスキップします。")
        return

    full_text = "\n".join(transcript_log)
    print("\n🧠 議事録を作成中...")

    system_prompt = """
    あなたは優秀な議事録作成アシスタントです。
    提供された会話ログをもとに、以下のフォーマットで議事録を作成してください。
    
    # 会議議事録
    ## 1. 決定事項
    - （決定したことを箇条書き）
    
    ## 2. To-Do / ネクストアクション
    - [ ] （誰が、いつまでに、何をするか）
    
    ## 3. 会話の要約
    （議論の流れを簡潔に）
    """

    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": f"以下の会話ログを要約してください:\n\n{full_text}"}
        ]
    )

    summary = response.choices[0].message.content
    
    # ファイルに保存
    filename = f"minutes_{datetime.now().strftime('%Y%m%d_%H%M%S')}.md"
    with open(filename, "w", encoding="utf-8") as f:
        f.write(summary)
    
    print(f"\n✨ 議事録が完成しました: {filename}")
    print("-" * 30)
    print(summary)
    print("-" * 30)

def main():
    print("=== AI議事録ボットへようこそ ===")
    print("操作方法: [Enter]で録音開始/停止を切り替えます。[Esc]で終了して要約します。")

    while True:
        # キー入力を待機
        key = keyboard.read_event()
        
        if key.event_type == keyboard.KEY_DOWN:
            if key.name == 'enter':
                # Enterが押されたら録音サイクルを回す
                stop_event = threading.Event()
                
                # 録音スレッド開始
                t = threading.Thread(target=record_audio, args=(stop_event,))
                t.start()
                
                # もう一度Enterが押されるまで待つ（簡易的な実装）
                time.sleep(0.5) # チャタリング防止
                keyboard.wait('enter')
                
                # 録音停止＆文字起こし
                stop_event.set()
                t.join()
                transcribe_audio()
                
            elif key.name == 'esc':
                print("\n終了シグナルを検知しました。")
                break
    
    generate_summary()

if __name__ == "__main__":
    main()

uv run main.py

meeting-bot/
├── .venv/               # uvが作成する仮想環境
├── main.py              # メインスクリプト
├── pyproject.toml       # 依存関係定義
└── temp_chunk.wav       # 一時保存される音声ファイル（実行時に生成）