要約もデバイスの外に出さない：MinuteAIが議事録の生成をローカルLLMで行う理由

文字起こしだけでは仕事は終わらない

会議録音ツールに対して人が本当に求めているのは、生の文字起こしではありません。求めているのは三行の要約であり、決定事項のリストであり、担当者名付きのアクションアイテムです——40分の会話を20秒で読める形に変換してくれる部分です。以前、MinuteAIが文字起こしを完全にオンデバイスで行っていることについて書きました。Whisperモデルを Core ML 経由で動かし、音声がMacやiPhoneの外に出ることはありません。しかし文字起こしはパイプラインの半分にすぎません。もう半分は要約であり、そしてこの部分こそ、プライバシーを重視しているはずの多くのツールが話を静かに変えている場所です。

市場の他社がまだ引いている境界線

現在のAI会議アシスタント各社を見渡すと、あるパターンがすぐに見えてきます。「ローカル」「プライベート」という言葉は、たいていキャプチャの工程だけを指しており、パイプライン全体を指してはいません。Granola、Otter、Fireflies、Fathomといったツールを比較する2026年の複数の記事は、共通の構造を描いています——音声キャプチャはローカルで、あるいは会議にボットを参加させずに静かに行われる一方、文字起こしされたテキストは実際の要約・アクションアイテム・ノートを生成するためにクラウドLLMへ送られる、という構造です。Granolaはこのパターンの典型例として挙げられます。ボットを会議に参加させることなくローカルでノートをキャプチャする一方、生のノートを洗練された要約へと変換する「エンリッチメント」の工程はクラウド側で実行されます。これは、ベンダーが保持ポリシーに気を配り、モデル学習からのオプトアウトを提供していたとしても、文字起こしが一度もデバイスの外に出ないアーキテクチャとは意味のある違いがあるプライバシー上の立場です。

こうした構造への懸念は決して仮説上のものではありません。今年のローカルAI会議ツールに関する報道は、クラウドベースの会議アシスタントに対してIT部門やコンプライアンス部門が挙げる最大級の懸念の一つとして、データ主権の問題を指摘しています。懸念の中心は「このベンダーは我々のデータでモデルを学習しているか」だけではなく、「会議の内容が自社のインフラの外に一度でも出るのか」という点にあり、これは学習しないというポリシーだけでは実際には答えになりません。特に医療、法律、金融分野のチームは、サーバー側の約束とサーバーそのものが介在しないアーキテクチャとでは保証の性質が違うという理由から、完全にローカルなツールの初期採用者として名前が挙がっています。

MinuteAIのローカル要約ステップ

これこそ、MinuteAIのアーキテクチャが文字起こしの側だけでなく両側で埋めようとしているギャップです。オンデバイス文字起こしの記事で説明した通り、MinuteAIのパイプラインは処理を2つの異なるローカルランタイムに分割しています。文字起こしと要約はワークロードの性質が異なるためです。Core MLがWhisperベースの音声認識モデルを担当し、llama.cpp経由で動くGGUFモデルがLLMベースの後処理——要約を含む——を担当します。両方の段階は同じModel Managerを経由し、遅延ロードされ、非アクティブになると解放され、両方とも同じオンデバイスのSQLiteベースの結果ストアに書き込まれます。この連鎖の中で、文字起こしが要約に変換されるためにネットワーク境界を越える箇所はどこにもありません。要約を行うモデルは、文字起こしを行ったのと同じデバイス上の、同じメモリマップされた重みの中に存在しているからです。

これは、リモートサーバーではなくlocalhostにキャプチャした音声をストリーミングするMinuteAIのChrome拡張機能や、pyannote.audioをクラウドAPI呼び出しではなくオプションのローカルダウンロードとして提供する話者分離機能を形作ったのと同じ発想です。録音を使える議事録に変えるあらゆる段階——キャプチャ、文字起こし、話者の帰属付け、要約——が、大部分ではなく、すべて同じオンデバイスの境界の内側で行われます。

「半分だけローカル」で得られるものと得られないもの

これはクラウドベースの要約が技術的に劣っているという主張ではありません。2026年時点でローカル会議ツールの多くがこのタスクに使っているオープンウェイトのモデルファミリー——中でもLlamaの3.x世代と4.x世代——は、GranolaやFirefliesが呼び出せるフロンティア級のクラウドモデルよりも小さく、スマートフォンのNeural Engine上で動く量子化されたGGUFモデルが、あらゆるエッジケースでフルサイズのホスト型モデルの要約品質を上回るわけではありません。これはマーケティング上の注釈ではなく、現実のトレードオフです。そして、話者分離パイプラインがより大きなホスト型の代替案よりも小さなローカルモデルを選んだのと同じ種類のトレードオフでもあります。

その代わりにローカルアプローチが得るものはアーキテクチャ上のものです。企業の機密保持ポリシーやNDA、あるいはクライアントが期待するプライバシーを、ベンダーの保持ポリシーの約束と天秤にかけなければならない工程が、そもそも存在しません。天秤にかけるべきアップロード自体が存在しないからです。取引条件や医療情報、NDAの対象になる内容に触れる会議にとって、これはあれば嬉しい機能ではありません——法務担当が承認できるツールかどうかを分ける差です。

ポートフォリオにおける位置づけ

パイプラインの一部だけでなく全体をローカルに保つという規律は、AityTechのポートフォリオ全体を貫くものと同じです。PrivateAIはこれをネイティブアプリではなくブラウザベースのツールに適用し、Legacy Dragonはこれをレガシーソースコードの解析に適用しています。共通のルールは、MinuteAIが自らの要約ステップに適用しているものと同じです——パイプラインの後半がローカルに保ちにくいからといって、そこで止めない。

---

MinuteAIはmacOSとiOS向けにApp Storeで公開されています。詳しくはgetminute.appをご覧ください。ワークフローへの適合について質問がある方は[email protected]までご連絡ください。