Yogurtは、会議にボットを参加させず、自分のPCの中で録音から文字起こし、要約までを済ませる無料のOSS議事録アプリです。取引先の会議にAIのボットを入れづらい、会議の音声を外のサービスに送れない。そんな事情で、議事録を手で取り続けていませんか?
ただ、既定の言語設定と同じ条件で日本語の会議音声を文字起こしすると、出てきたのは「Yes.」の繰り返しだけでした。日本語で使う前に変える設定と、設定を直しても崩れた箇所、それからanarlog、Meetily、Screenpipeを含めた4つの違いを順に書いていきます。
Yogurtは何をする議事録アプリか?
Yogurtは、Frigadeが公開している議事録アプリで、READMEでは「Granolaの無料でオープンソースな代替」と紹介されています。自分のマイクと、PCで鳴っている相手側の音声をそのまま録るので、Zoomの参加者一覧に「〇〇のNotetaker」が並ぶことはありません。Zoom、Teams、Meetの通話は自動で検出します。
中身はローカルで動くOSSの組み合わせです。文字起こしはwhisper.cpp(OpenAIの音声認識モデルWhisperを、普通のPCで速く動かすための実装)で、モデルはlarge-v3-turboか、PCの速さに応じてそれより小さいもの。要約はllama.cppの上でGemma 4、gpt-oss、Qwen3系のモデルのどれかを動かします。
ライセンスはMITで、アカウント登録も要りません。対応OSはmacOS 14.4以降(Apple Silicon)、Windows 10 2004以降(x64)、Ubuntu 22.04以降(x64のAppImage)で、メモリは8GBが目安です。録音やメモはMacなら ~/Library/Application Support/Yogurt に保存され、ネットにつなぐのはモデルのダウンロードと更新の確認のときだけだと書かれています。最新版は2026年11月17日に出たv0.3.41です。
Yogurtの既定設定では、日本語の会議が「Yes.」だけになる
使ったのは架空の会議です。新商品キャンペーンの配信日、予算、担当、締め切りを決める11発言・82秒の台本を読み上げ音声にして、Linuxのコンテナ(CPUのみ)で、Yogurtと同じ whisper.cpp・同じモデル・同じ言語設定を再現しました。モデルは large-v3-turbo を量子化した574MBのファイルです。
まず、言語を英語に指定した状態、つまりYogurtの既定と同じ条件で流しました。出力は「Yes.」が21回並んだだけで、日本語は1文字も出てきません。82秒の打ち合わせが、相づちの羅列になったわけです。
Yes. Yes. Yes. Yes. Yes. Yes. Yes.
Yes. Yes. Yes. Yes.
Yes. Yes. Yes. Yes. Yes. Yes. Yes. Yes. Yes. Yes.原因はソースを読むとすぐ分かります。app/src/shared/spoken.ts に「話す言語」の設定があり、選択肢は English only と Multi-language の2つだけ。既定は English only です。whisperLanguage という関数が、English only なら whisper に en を渡し、Multi-language なら何も渡さずに言語を自動判定させます。英語と決め打ちされたWhisperが、日本語の音を無理に英語として書き起こそうとした結果、短い「Yes.」が量産されたと私は見ています。
見落としやすいのが、同じファイルのコメントです。この設定は「画面の言語でも、メモを書く言語でもない」と書かれています。Yogurtの画面は日本語に切り替えられますが、画面を日本語にしても、聞き取る言語は英語のまま。設定画面が日本語になった時点で安心してしまうのが、一番ありがちな落とし穴です。
Multi-languageにしても、文字起こしで日付と人数が崩れた
言語を自動判定にすると、Whisperは音声を99.9%の確率で日本語と判定しました。そのうえで、Yogurtが声のある区間を切り出すのに使っている Silero VAD(音声区間を検出する小さなモデル)も入れて、Yogurtの構成に近づけています。
この条件だと、予算の15万円、内訳の10万円と5万円、減らした3万円、クーポンの原資2万円はすべて正しく出ました。担当の田中さん、佐藤さんも合っています。それでも、次の4か所は崩れました。
怖いのは最後の行です。台本では直後に「月曜日に最終確認をします」と続くので、文字起こしは「月曜日までに下書き、月曜日に最終確認」と、意味の通る文になってしまいます。意味不明な誤字なら読み返して気づけますが、自然に読める間違いは、そのまま議事録として配られかねません。
VADを外すと、今度は予算の話が消えた
VADなしの自動判定では、締め切りの「11月28日の金曜日」は正しく出ました。代わりに、予算15万円の内訳から担当の割り振りまでのくだりが、まるごと抜けています。どちらの条件でも、議事録に残したい決定事項のどこかが欠けたことになります。
小さいモデルに落ちると、締め切りの発言が丸ごと抜けた
Yogurtはセットアップ時にPCの速さを測り、遅ければ文字起こしのモデルを small、base、tiny と小さいものに落とします。そこで190MBの small でも同じ音声を流しました。処理時間は large-v3-turbo の50.2秒に対して23.4秒と、半分以下です。
その代わり、「締め切りはいつにしますか?」の直後に、在庫の話が来ていました。11月28日までに下書きを出す指示も、月曜日の最終確認も、文字起こしにありません。ほかにも「在庫」が「財庫」、「原資」が「原子」、「先着二百名」が「1100-200何します」になっています。
……私は、広告の設定をやります。締め切りはいつにしますか?
最後に、1つ、財庫が300個しかないので、売り切れた時の案内文も用意しておきます。
Yogurtを日本語の会議で使うなら、まず言語設定から
議事録を見返すとき、あなたが一番確かめたいのはどこでしょうか。たいていは、誰がいつまでに何をやるか、いくら使うか、のはずです。今回崩れたのは、まさにそこでした。日本語の会議でYogurtを使うなら、最初の会議の前に次の3つを済ませておくのがおすすめです。
- 話す言語を Multi-language に変える。場所は Settings の Language か、ノートの下部です。画面の言語を日本語にしただけでは変わりません
- 要約を書く言語も別に設定する。聞き取る言語とメモを書く言語は、ソース上も別の設定です
- 日付、人数、締め切りは録音で聞き直す。会議の最後に決まったことを声に出して確認しておくと、聞き直す箇所がすぐ見つかります
いちばん大事なのは、最後の聞き直しです。要約は文字起こしをもとに作られるので、文字起こしで「月曜日」になった締め切りは、要約でも「月曜日」のまま残るはずです。議事録の数字と日付だけは、配る前に人が録音と突き合わせる。この一手間を前提にすれば、ボットなしで手元に記録が残る利点は十分に大きいと私は考えています。
ボットなしのローカル議事録AI4つを比べる
Yogurtと同じく、会議にボットを入れずに手元で文字起こしできるアプリはほかにもあります。4つの違いを公式の情報で並べました。料金は1ドル=150円で換算しています。
enterprise/ 配下は商用)。ローカルと自前のAPIキーなら無料、Proは月14ドル(約2,100円)4つとも、日本語の会議でどこまで正しく書き起こせるかは公式に書かれていません。Yogurtで起きた日付と人数の崩れ方は、ほかのアプリを選ぶときも、自分の会議の録音で確かめておく価値があります。
anarlog
旧Hyprnoteで、一時はcharという名前でした。今のcharは同じチームの別のアプリで、anarlogはOSSの会議メモアプリとして残っています。文字起こしの主力はWhisperではなく、Soniqoのモデルと Apple Speech です。whisper.cpp のモデルも選べますが、録音が終わった後の処理に限られます。
端末の中だけで文字起こしまで完結するのは、Apple SiliconのMacが中心です。Intel Mac、Windows、Linuxでは、別にローカルの音声認識サーバーを立てるか、クラウドの音声認識サービスを使う必要があると公式ブログにあります。要約にはOllamaやLM Studioのようなローカルのサーバーか、自分のAPIキーを使えます。Proは月14ドル(約2,100円)または年140ドル(約21,000円)で、運営側が用意するAI、クラウド同期、共有、カレンダー連携が付きます。
Meetily
Community版はMITで無料、Pro版は1ユーザー月10ドル(約1,500円、年払い)です。文字起こしはWhisperか、NVIDIAの音声認識モデルParakeetを選べて、要約はOllamaを推奨しつつ、ClaudeやOpenAIなどのAPIにもつなげます。
2026年11月14日に出たv0.5.0で、Linux向けの .deb と AppImage が配布されるようになりました。それまでLinuxはソースからのビルドだったので、Linuxで使う人には大きな変化です。GitHubのスターは3万を超え、4つの中で一番多く集めています。
Screenpipe
ほかの3つと違って、会議専用のアプリではありません。画面と音声を常に録り続け、あとで検索したり、AIに作業の文脈として渡したりするための常駐アプリで、会議のメモは meeting-summary という機能の1つです。
注意したいのはライセンスです。ソースは公開されていますが、MITのようなOSSライセンスではなく Screenpipe Commercial License で、個人の非商用利用は認められ、商用利用にはライセンスが要ります。料金ページによると、Freeプランは1台で記録と直近の検索ができ、Basicは月21ドル(約3,150円)か年250ドル(約37,500円)、Businessは1シート年500ドル(約75,000円)です。録画と録音だけで0.5〜3GBほどメモリを使うので、8GB以上のPCが推奨されています。
議事録AIを会社の会議に入れる前に確かめること
ボットが入らないということは、相手から見て録音されていることが分からないということでもあります。YogurtのREADMEにも「ボットが参加しないので、録音していることを相手に伝えてください」と書かれています。社外の会議なら、冒頭の一言で済ませておきたいところです。
次に、手元に残った議事録を、どこまでAIに渡すかです。YogurtにはMCP(ClaudeなどのAIアプリから外部のデータを読ませる仕組み)のサーバーがあり、最初はオフで、オンにしても読み取りだけです。ただしREADMEには、つないだアプリが読んだ内容を、そのアプリ自身のオンラインのモデルに送る場合があると書かれています。音声は手元に置いたまま、文字起こしがクラウドに渡る経路があるわけです。
会社の業務で使うなら、Screenpipe は商用ライセンスが要るかどうかも先に確かめておく必要があります。ほかの3つはアプリ本体がMITなので、この点で迷う場面は少ないはずです。あなたの会社では、会議の録音とAIへの持ち出し、どちらのルールが先に決まっているでしょうか?
ボットを入れないローカル議事録AIは、音声を外に出さずに済む代わりに、文字起こしの確認を自分で引き受ける道具です。日本語で使うなら、Yogurtは言語設定を Multi-language に変え、最初の1回だけは、議事録の日付と数字を録音と突き合わせてみてください。そこで崩れ方を知っておけば、どこまでAIに任せて、どこを人が確かめるかの線が引けます。
コメント
ログイン か 会員登録 するとコメントできます