Bot を会議に呼ばずに AI 議事録を取る方法

2020 年、「AI 議事録」とは Bot が通話に参加することだった。2026 年、もはやそうである必要はない。技術面（一般 OS でのシステム音声キャプチャが信頼できる水準になった）と文化面（顧客が Bot に気づき押し返し始めた）の両方で潮目が変わった。本稿は実践版だ。Bot が今や負債である理由、デバイス上録音の実際の仕組み、そして「第三者を会議に入れずに」AI 議事録を成立させるための具体的なスタックを示す。

• 見え方 — 「Otter has joined the meeting」はあなたの見込み客の第一印象になる。望まなかったブランド露出であり、あなたのプロダクトが繊細さを欠くという静かな投票だ。
• セキュリティ — 会議 Bot はあなたのライブ会話を録音する SaaS だ。規制業界（金融、医療、防衛、法務）では禁止が広がっている。規制外の買い手でさえ「あなたの AI アシスタントが自分のピッチに第三者として参加しているのはなぜか」と問う。
• プラットフォーム制限 — Zoom Phone、規制テナントの MS Teams、多くのエンタープライズ Google Workspace は、サードパーティ録音を能動的に遮断する。
• 気まずさ — Bot が参加者グリッドに並ぶと、冗談は止まり、反論は止まり、会議はより演技じみたものになる。
• 同意 — Bot の録音は録音ベンダーのサーバー上にある。すると、同意はあなたと相手の問題ではなくベンダーの問題に化ける。

ローカルでの会議キャプチャは、ホストマシンで 2 つの音声ストリームを記録する。システム音声（スピーカーから聞こえるすべて）とマイク音声（あなたの声）だ。両ストリームはローカルでミックスされ、クラウドの文字起こしサービスへストリーミングされる。会議そのものには何も参加しない — 録音はあなたのコンピュータ上に存在する。ノート PC のスクリーン録画があなたのコンピュータ上に存在するのと同じだ。

仕組みは OS によって違う。macOS 13 以降では Apple の ScreenCaptureKit が、ドキュメント化された API を通じてシステム音声を露出する（ユーザの明示的な許可付き）。Windows 10 以降では WASAPI ループバックキャプチャが同じものを提供する。どちらも初回に一度の許可付与が必要で、本質的に「単一参加者の操作」だ — キャプチャを走らせている端末だけが音声を持ち、会議内の他者は持たない。

Bot は、所有者が招待されているが参加していない会議にも入れる。デバイス上はそうはいかない — あなたのノート PC が通話に居る必要がある。ほとんどのワークフローではこれは正しい振る舞いだが（参加していない会議を録音すべきではない）、Fireflies が強く打ち出してきた「AI を代わりに聞かせる」パターンは選べなくなる。

音声ストレージのコストはローカルで負担する（我々の検証では、無圧縮でおよそ 10MB/分、圧縮すれば 1MB/分程度）。会議の多い一週間で数百メガバイトに達する。多くのツール（Reline 含む）はバックアップとしてクラウドへ同期するが、生の音声はまずあなたのディスクに住む。

Bot は参加者グリッドを読める — 「Sarah が話している」と分かる。ローカルのツールは音声だけを手がかりに動く必要がある。録音に対して話者ダイアリゼーションを行うツールもあり（Deepgram も AssemblyAI も同梱している）、我々の検証ではおよそ 200ms のレイテンシが加わり、話者同士の声の高さや音色が十分に異なる必要があった。Reline はもっと単純な道を取る。音声がどちらのストリームから入ってきたか（あなたのマイクかシステム音声か）に基づいて「自分 vs 相手」とラベル付けする方式だ。頑健だが、Sarah と Raj を見分けるわけではない。

会議に参加しているそのマシン上で通話をローカルにキャプチャし — 第三者の参加者は不要 — 文字起こしと要約はクラウドサービスに任せる。具体的なスタックは次のとおりだ。

1. ドキュメント化された OS の音声 API を経由したキャプチャ（macOS は ScreenCaptureKit、Windows は WASAPI ループバック）。カーネル拡張や VB-Audio Cable 系のハックは避ける — OS のアップデートのたびに壊れる。
2. ストリーミング文字起こしプロバイダ — Deepgram、AssemblyAI、または極端に慎重な環境ではデバイス上で動作する Whisper。ストリーミングならライブキャプション、バッチなら最終文字起こしが得られる。
3. 話者の分離 — 多くの文字起こしプロバイダはダイアリゼーションを同梱するが、より単純で堅牢なのはストリーム単位の分離（あなたのマイクかシステム音声か）で、Reline はこちらを採用している。
4. 要約レイヤー — 実際の要約には Claude 4.x や GPT-4.x を用いる。どれを選ぶにせよ、引用付き出力（各主張を裏付ける文字起こしセグメントへのリンク）を必須にする。
5. ストレージと同期 — ノートはクラウド同期、長期保管が必要なら音声は S3 級のオブジェクトストレージへ。
6. 共有レイヤー — 明示的な権限を採用すること。「リンク共有」では team-of-N 問題が必ず生まれる。

AI ノート系のあらゆる他のツールが、(a) Bot を出して上記コストを受け入れる、(b) ソロユーザー向けのノートに留まる、のいずれかにコミットしていたから、我々は Reline を作った。第三の選択肢があると考えたのだ — Bot 不使用でありながら、Bot が SaaS であることで歴史的に獲得してきたチーム向けプリミティブ（権限、共同編集、RAG チャット）も備える、という方向だ。2026 年のインフラはその両立を可能にする。デバイス上で取り込み、ノートをチームのワークスペースへ同期し、音声は録音者の制御下に留め置く。

正直な答え：必要なときだ。参加できない会議を録音しなければならないなら、Bot は唯一の選択肢だ。会議プラットフォームが API アクセス付きの公式クラウド録音をサポートしており（Zoom Enterprise、一部の Teams テナント）、セキュリティチームが承認しているなら、Bot が最短経路になり得る。それ以外 — とりわけセキュリティに敏感な買い手に売っている人 — にとっては、2026 年では「Bot 不使用」がより良いデフォルトだ。