通話の相手の声と自分の声を別々に録り、PC の中で文字起こしできるようにした

どんな仕組みか

録音は、自分の声（マイク）とPC で流れている音（相手の声を含む）を、別々の音声ファイル（WAV）に残します。2つは同じ時刻から始まり、同じ時間の軸でそろえられます。

録音のあとは、一覧から選んで文字起こしを行います。自分の発言と相手の発言が、時間順に1つの会話として並びます。

もともとはオープンソースの音声入力アプリで、その仕組みに通話録音の機能を追加しました。現在は Windows 版のみで、実機での動作確認を進めているところです。

安心して使えるようにした工夫

自分の声と相手の声が、ずれないように残す

通話の途中で音声が届かない時間があると、録音が詰まってしまい、2つの声のタイミングがずれてしまいます。

そこで、音が来ていない時間も無音として書き込み、2つのファイルを同じ時間の軸でそろえています。

ただし、機器ごとの時計のわずかなずれは直さず、記録に残すだけにしています。なお、相手側のファイルには PC で流れた音がすべて入るため、通知音や音楽も含まれます。

途中で止まっても、それまでの音は残る

録音中は数秒おきに、ファイルの長さを更新しながら保存しています。

そのため、万が一途中で録音が止まっても、それまでの音声は一般的な音声ファイル（WAV）として再生できます。

音が届いていない機器があるときは、画面に黄色く表示して状態を知らせます。

文字起こしは、PC の中で行う

文字起こしは、PC の中で動く音声認識を使います。アプリの音声入力と同じ設定を使うため、新しく別の操作を覚える必要もありません。

外部のクラウドを使う設定になっているときは、音声を外部に送らず、処理を止めます。

長い通話は文字起こしに時間がかかるため、録音が終わったあと、一覧から選んで手動で開始します。