Dify で文字起こしするには、録音ファイルはワークフローの組み込みツール「Speech To Text」、チャットの音声入力は「音声からテキストへ」を使います。議事録は LLM で型どおりに下書きし、会議資料の集約・前回との差分・未提出の印まで任せたうえで、配る前の確認と判断は人が持ちます(2026年10月時点)。
定例会議の議事録と資料を担当している方なら、
「Dify で文字起こしをしたいが、どの機能を使えばよいか分からない」
「AIが要約を間違えたまま、議事録が配られたら困る」
このように感じているかもしれませんね。
Dify で文字起こしするなら、録音ファイルはワークフローのツールで文字にし、LLMで議事録の型に整えます。
会議の前の資料も、拠点のファイルの集約・前回との差分・未提出の印までは、同じ仕組みで任せられます。
要約と集約をAIに任せ、配る前の確認と判断を人が持てば、誤りを含んだ資料が配られる心配を減らせます。
この記事では、Dify で議事録と会議資料を作りたい方に向けて、
- Difyで文字起こしする3つの入口
- モデルの設定とファイルの上限
- 議事録作成のワークフローの組み方
- 拠点ファイルの集約・差分・未提出の扱い
- 要約はAI・判断は人の線引き
上記について、前職で社内の研修講師を務め、いまは注文の処理などを生成AIで自動化する仕組みを自作している私の視点を交えながら解説しています。
ぜひ参考にして、自社の定例会議で1本目のワークフローを組んでみてください。
目次
Difyで文字起こしするには、どの機能を使いますか?
Dify で文字起こしするには、何を文字にしたいかで入口を選びます。
チャットに話しかける声なら「音声からテキストへ」、録音ファイルならワークフローのツール、会議ツールの文字起こしならテキスト抽出のノードです。
機能の名前は、2026年10月時点の Dify の公式ドキュメントの表記です。
チャットの音声入力は、「音声からテキストへ」で付けます
「Dify の音声入力」と呼ばれるのは、チャット画面のマイクボタンのことです。
アプリの「機能」の画面で「音声からテキストへ」を有効にすると、利用者はタイピングの代わりに声で質問を入れられます。
使われるのは、ワークスペース(Dify の作業場所)に設定した音声テキスト変換のモデルです。
このモデルが未設定だと、機能の画面に項目が出ません。
ただし、これはチャットの入力を声に替える機能です。
1時間の会議の録音を渡して議事録にする用途には、次の入口を使います。
録音ファイルは、Speech To Text ツールで文字にします
録音ファイルは、ワークフローの中でツールのノードを使って文字にします。
ノードは、ワークフローの中の1つの処理を受け持つ部品です。
Dify に組み込まれたツール「Audio」の中に、音声ファイルをテキストに変換する「Speech To Text」があります。
設定する項目は、音声ファイルと、使う文字起こしのモデルの2つです。
ファイルは、最初のノード(ユーザー入力)にファイルの入力欄を作って受け取ります。
ユーザー入力のノードはファイルを集めるだけで、中身は読みません。
文字にするのは、後ろに置いたツールの役目です。
会議ツールの文字起こしは、テキスト抽出で読み込みます
Teams などの会議ツールですでに文字起こしをしているなら、その文章を Dify に渡す方法もあります。
Microsoft のサポートによると、Teams の会議のトランスクリプト(文字起こし)は、既定では開催者と共同開催者が .docx か .vtt のファイルでダウンロードできます。
Dify のテキスト抽出のノードは、Word のファイルや VTT の字幕ファイルを読めます。
VTT では、同じ話者が続けて話した部分をまとめて読み込みます。
入口の違いを、次の表にまとめました。
入口 | 使う機能 | 受け取るもの | 向く場面 |
|---|---|---|---|
チャットの声 | 音声からテキストへ | マイクの音声 | 声で質問する |
録音ファイル | Speech To Text | 音声ファイル | 録音から議事録 |
会議ツール | テキスト抽出 | VTT・Word | 文字起こしを使う |
自社のシステム | API | 音声ファイル | 外から送る |
表の最後の行は、Dify の API(外のシステムからアプリを呼ぶ窓口)の「音声をテキストに変換」です。
Dify そのものの仕組みや、作れるアプリの種類は、Dify とは何かを解説した記事で扱っています。
どの入口を選んでも、先にモデルの設定と上限を確かめておく必要があります。
文字起こしの前に、モデルと上限は何を確かめますか?
文字起こしを組む前に、確かめることは3つです。
文字起こしのモデルの設定、ファイルの大きさと形式の上限、それに費用のかかり方です。
ここを飛ばすと、機能が画面に出なかったり、本番の録音で止まったりします。
音声-to-テキストのデフォルトモデルを決めます
最初に、「統合」の「モデルプロバイダー」で、文字起こしに使うモデルを用意します。
モデルプロバイダーは、OpenAI などのモデルの提供元と Dify をつなぐ設定です。
Dify Cloud では、プランの AI クレジットでモデルを使うか、自分の API キーをつなぐかを選べます。
続けて、画面右上の「デフォルトモデル」で「音声-to-テキストモデル」を選びます。
チャットの「音声からテキストへ」と API は、このデフォルトのモデルを使います。
選べるモデルは、入れたプラグインで変わります。
たとえば Dify 公式の OpenAI のプラグインには、whisper-1・gpt-4o-transcribe・gpt-4o-mini-transcribe などの文字起こしのモデルが入っています。
ファイルの大きさと形式は、3つの上限を見ます
録音ファイルには、Dify 側とモデル側の両方に上限があります。
公式ドキュメントとプラグインの設定で確かめた上限を、次の表にまとめました(2026年10月時点)。
どこの上限か | 大きさ | 形式 |
|---|---|---|
チャットのファイル送信(音声) | 1ファイル50MB | 記載なし |
API「音声をテキストに変換」 | 30MB | mp3・m4a・wav など5種 |
公式OpenAIプラグインのモデル | 25MB | mp3・m4a・wav など9種 |
API は、よく使われる audio/mpeg の形式を受け付けない点に注意が要ります。
複数の上限が重なるときは、小さいほうに合わせます。
長い会議は、録音を区切ってから渡すと止まりにくくなります。
Difyの料金と、モデルの利用料は分けて見ます
Dify Cloud の料金ページでは、Sandbox は無料で、メッセージクレジットが200付きます。
年払いの表示では、Professional が1ワークスペースあたり年590ドル、Team が年1,590ドルです(税別、2026年10月時点)。
月々のメッセージクレジットは、Professional が5,000、Team が10,000です。
クレジットを使い切ったあとは、自分の API キーに切り替えられます。
自分のキーで使った分は、モデルの提供元から請求されます。
文字起こしのモデルの単価は、この記事では書いていません。
提供元の料金表で、契約の前に確かめてください。
費用の見通しは、Dify の料金とモデルの利用料を、別々の行に分けて立てるのが確かです。
議事録作成のワークフローは、どう組みますか?
Dify で議事録を作るなら、アプリの種類は Workflow(入力から出力まで1回で流れる型)が扱いやすいです。
録音か会議ツールの文字起こしを受け取り、文字にしてから、LLM(文章を作るAIのモデル)で議事録の型に整えます。
LLM への指示の書き方で、誤りの出方が変わります。
ノードの並べ方: 録音から議事録の下書きまで
次の順にノードを並べると、録音と文字起こしのどちらを入れても動きます。
- ユーザー入力に、「録音ファイル」と「文字起こしファイル」の欄を作り、どちらか一方を入れる形にする
- If-Else で、録音ファイルが空でなければ録音の経路へ、空なら文字起こしの経路へ分ける
- 録音の経路は Speech To Text、文字起こしの経路はテキスト抽出で、文字にする
- 変数集約器で、2つの経路の文字を1つの変数にまとめる
- LLM で、文字起こしから議事録の下書きを作る
- テンプレートで書式を整え、出力のノードで返す
変数集約器は、どちらか一方だけが動く分かれ道の結果を、1つにまとめる部品です。
これを置くと、LLM から後ろを1本にでき、直すときも1か所で済みます。
LLMには、議事録の型と書かないことを指示します
LLM の指示には、議事録の型を先に書きます。
型の例は、会議名と日付・参加者・決定事項・宿題(担当と期限)・保留・要確認の6項目です。
あわせて、書かないことも決めておきます。
- 文字起こしに無い数字・担当・期限を足さない
- 聞き取れない箇所や言い切っていない発言は【要確認】と書き、元の発言を引く
- 決定と意見を分け、決まっていないことを決定事項に入れない
項目を毎回そろえたいなら、LLM の構造化出力で JSON(項目名と値の形)を指定します。
ただし、指定の守られ方はモデルによって違います。
テンプレートのノード(Jinja2 という書式の言語で文章を組む部品)で、項目を議事録の形に並べます。
固有名詞の誤りは、用語集とナレッジで減らします
文字起こしで崩れやすいのは、社名・製品名・案件名などの固有名詞です。
ユーザー入力に段落の欄を作り、用語集(正しい表記の一覧)を貼れるようにします。
LLM の指示で、その欄を変数として参照させます。
用語が多い会社は、ナレッジ(Dify に登録した社内文書)に用語集を入れる方法もあります。
知識検索のノードで探した結果を、LLM のコンテキストとして渡す形です。
ただ、LLM が似た言葉を誤って直すこともあります。
直した語には印を付けさせ、人が確かめる前提にしておくと安心です。
議事録の下書きは、型と書かないことを決めた分だけ、確かめる手間が軽くなります。
会議資料の集約・差分・未提出は、どう自動にしますか?
会議の前の資料づくりも、議事録と同じ Workflow で組めます。
拠点のファイルを受け取り、表の文字にしてから、案件の番号で前回と照らします。
要は、届かなかった拠点を「ゼロ」ではなく「未提出」として残すことです。
見本: 架空の会社の会議前に集まる資料
ここからは、架空の会社「サンプル工業」(実在しない会社)の週1回の営業会議を例にします。
締切の金曜17時に、次のファイルがそろったとします。
- 本社営業部の Excel: 案件 K-201 が今回「見積提出」(前回は「提案中」)、K-205 が「受注」
- 大阪支店の CSV: K-205 が「受注」で、本社の分と案件の番号が重なる。K-210 が新しく「提案中」
- 福岡支店: 締切の時点で未提出(前回のファイルは保存済み)
拠点のExcelとCSVは、テキスト抽出で表の文字にします
ユーザー入力に、今週の拠点ファイルを受ける「ファイルリスト」の欄を作ります。
前回の集約表は、別の単一ファイルの欄で受けると取り違えません。
テキスト抽出のノードは、Excel(.xls・.xlsx)と CSV を、Markdown の表(文字で書いた表)に変えます。
複数のファイルを入れると、ファイルごとの文字が並んだ配列で出てきます。
拠点ごとに列名が違うときは、列名の対応表を先に作っておきます。
たとえば「案件番号」と「案件ID」を、同じ列として扱う決まりです。
前回との差分と重複はコードノード、未提出は印で残します
照らし合わせは、決まった規則で動かしたいので、AIではなくコードのノードに任せます。
コードのノードは、Python か JavaScript で書いた処理を動かす部品です。
処理の順番は、次の4つです。
- 表の文字を行に分け、列名を共通の名前にそろえる
- 前回の表と案件の番号で照らし、状態が変わった案件を「差分」に入れる
- 同じ番号が2つ以上の拠点にある案件は「重複候補」に分け、合計に入れない
- 提出が要る拠点の一覧と届いたファイルを照らし、足りない拠点を「未提出」にする
見本の会社なら、結果は次のようになります。
対象 | 資料へ載せること | 会議前に人が確かめること |
|---|---|---|
K-201 | 提案中→見積提出 | 進んだ理由の聞き取り |
K-205 | 2拠点に記載(保留) | どちらの担当か |
K-210 | 新しい案件として掲載 | 番号の付け方 |
福岡支店 | 未提出と表示 | 提出の依頼を送るか |
LLM には、差分の一覧から会議用の短いまとめを書かせます。
「未提出と保留がある資料は暫定」と、まとめの冒頭に書かせる指示を入れます。
ソロスキルハックのLPにある会議資料の制作例も、未提出をゼロの実績として扱わず、重複の候補を保留の欄へ分ける決まりです。
共通の案件番号が無い会社は、照らし方を先に決めてから組みます。
この流れの全体像は、生成AIの活用事例の記事で、受注入力や経費チェックと並べて紹介しています。
では、このうちどこまでをAIに任せ、どこを人が決めればよいのでしょうか。
要約はAI、判断は人。線はどこに引きますか?
線の引き方は、「文字にする・まとめる・照らす・印を付ける」までをAIと規則に任せ、「決める・配る」を人が持つ形です。
文字起こしと要約には、聞き違いや補い過ぎが起こり得ます。
だからこそ、配る前に人が止められる場所を、ワークフローの中に作っておきます。
AIに任せる作業と、人が決めることの分け方
作業ごとの分け方の例を、次の表にまとめました。
作業 | AIに任せること | 人が決めること |
|---|---|---|
文字起こし | 録音を文字にする | 固有名詞と数字の確認 |
議事録 | 型どおりにまとめる | 決定事項の確定 |
集約 | 照らして差分を出す | 重複した案件の扱い |
未提出 | 印と依頼文の下書き | 依頼を送るか |
会議 | まとめの文案 | 遅れの理由と方針 |
配布 | なし | 配ってよいか |
表の右の列は、会議の中身に責任を持つ人の仕事です。
AIの要約が正しく見えても、決定事項に載せるかどうかは人が決めます。
AIの部分と規則の部分の分け方は、AI業務自動化の設計の記事で詳しく扱っています。
配る前の確認は、人間の入力ノードで挟みます
Dify には、ワークフローを途中で止めて人に確認を求める「人間の入力」のノードがあります。
フォームに議事録の下書きを表示し、その場で直せる欄も付けられます。
届け方は、Web アプリの画面か、メールのリンクです。
メールなら、Dify のアカウントが無い人も答えられます。
「配る」「直す」のようなボタンを作ると、押したボタンで次の処理を分けられます。
返事が無いまま待つ時間は、既定で3日です。
期限が過ぎたときの経路をつないでおくと、催促の通知も流せます。
録音と個人情報は、利用目的と入力先を確かめます
個人情報保護委員会のガイドライン(通則編)では、「個人に関する情報」には音声による情報も含まれるとしています。
参加者の名前と発言が結びつく録音や議事録は、個人情報として扱う前提で設計するとよいでしょう。
同委員会は2023年6月2日の注意喚起で、生成AIに個人情報を入力するときは、利用目的の範囲内かを十分に確かめるよう求めています。
個人データを入れる場合は、サービスの事業者がそのデータを機械学習に使わないことなどを確かめるよう求めています。
Dify に送った録音は、設定したモデルの提供元にも渡ります。
社内でどのサービスに何を入れてよいかを決めてから、本番の会議で使い始めてください。
自社が使えるかどうかの個別の判断は、社内の担当部署や弁護士に確認してください。
人が持つ仕事は、確認と判断と配布の3つ。
自社で始める前に、何を決めておけばよいですか?
始めるときは、1つの定例会議と1つの議事録の型に絞ることを、私はすすめます。
文字起こしの精度や手直しの量は、録音の条件と会議の進め方で変わります。
どれだけ手間が減るかは事前には言えないので、自社の録音で確かめてから広げます。
試すときは、自社の録音で精度を確かめます
試す順番は、次の3段階が分かりやすいです。
- 数分の短い録音で、Speech To Text の結果を読む
- 1回分の会議全体で、議事録の下書きを作る
- 2〜3回の定例で、手直しした箇所を書き留め、指示と用語集を直す
あわせて、運用の決まりを紙1枚に書き出しておきます。
- 録音と文字起こしの保存先と、消す時期
- 下書きを確かめる人と、配る相手
- 議事録や資料に入れない情報(個人の評価など)
この3つが決まっていれば、ワークフローの形も決めやすくなります。
研修の題材として、自社の会議で組む方法
社内で組む人を育てたい場合は、自社の会議を研修の題材にする方法があります。
私が運営するソロスキルハックは、従業員が自社の業務を題材に、自動化の仕組みを研修の中でつくる研修です。
利害関係がある点は、ご承知おきください。
LP の会議資料の制作例では、ファイル集約のフロー・前回との差分表・未提出と重複の確認一覧・会議用サマリーをつくります。
書類の読み取りや要約のツールには、Dify などを候補にします。
研修費用は20万円(税抜)からで、今月の先着3社は10万円(税抜)からです。
AI・自動化ツールの利用料は基本の見積もりに含まれず、別途、範囲と費用を確かめる項目です。
詳しい範囲は、ソロスキルハックの料金・範囲に載せています。
まずは自社の会議を1つ選び、録音か文字起こしのファイルを1本用意してみてください。
よくある質問
Difyの無料プランでも、文字起こしを試せますか?
Dify Cloud の Sandbox は無料で、メッセージクレジットが200付きます(2026年10月時点)。
文字起こしには、モデルプロバイダーで文字起こしのモデルを用意する必要があります。
自分の API キーでつなぐ場合、使った分の利用料はモデルの提供元から請求されます。
話者を分けて文字起こしできますか?
録音からの文字起こしで、話者の名前が正しく付くとは限りません。
VTT の字幕ファイルなら、テキスト抽出のノードが、同じ話者が続けて話した部分をまとめて読み込みます。
どちらの場合も、発言者の名前は議事録を配る前に人が確かめてください。
文字起こしと議事録は、どこへ保存できますか?
ワークフローの結果は、最後のノードで画面や呼び出し元に返します。
外のサービスへ送るなら、Marketplace からツールのプラグインを入れて、ツールのノードでつなぐ方法があります。
何をどこへ書き込めるかは、プラグインごとに確かめてください。
録音と議事録の保存先と消す時期は、社内の決まりとして先に決めておきます。
長い会議の録音は、どう扱えばよいですか?
Dify 公式の OpenAI プラグインでは、whisper-1 などの文字起こしのモデルの上限が25MBです(2026年10月時点)。
長い会議は、録音を区切ってから渡します。
区切ったファイルをファイルリストで受け、反復処理のノードで1本ずつ文字にする組み方もあります。
反復処理は、配列の要素ごとに同じ処理を流し、結果を配列で返すノードです。
ソロスキルハックの研修で、議事録や会議資料の仕組みを作れますか?
ソロスキルハックは私が運営するサービスなので、利害関係がある点はご承知おきください。
LP では、受注や経費の確認、会議資料の集約のほか、繰り返し発生する業務を研修の題材にできるとしています。
実現できる範囲は、利用中のシステム・権限・データの状態で変わるため、事前に確かめます。
研修費用は20万円(税抜)から、研修ではなく構築を任せる構築代行は30万円(税抜)からです。
まとめ: Difyの文字起こしは、要約をAIに任せ確認は人が持つ
今回は、Dify で議事録と会議資料を作りたい方に向けて、
- Difyで文字起こしする3つの入口
- 議事録作成のワークフローの組み方
- 拠点ファイルの集約・差分・未提出の扱い
- 要約はAI・判断は人の線引き
上記について、社内の研修講師を務めた立場からお話してきました。
Dify の文字起こしは、入口と上限を確かめたうえで、要約と集約をAIに任せ、配る前の確認と判断を人が持つ形で組みます。
未提出や重複を「確認が要る箇所」として先に出しておけば、会議の前に確かめるべき箇所から読み始められます。
まずは自社の定例会議を1つ選び、議事録の型を1つ決めて、短い録音で試してみてください。
参考にした資料
- アプリツールキット(Dify Docs、2026年10月時点)
- モデルプロバイダー(Dify Docs、2026年10月時点)
- 音声をテキストに変換(Dify Docs、2026年10月時点)
- ユーザー入力(Dify Docs、2026年10月時点)
- テキスト抽出(Dify Docs、2026年10月時点)
- Workflow と Chatflow(Dify Docs、2026年10月時点)
- If-Else(Dify Docs、2026年10月時点)
- 変数集約器(Dify Docs、2026年10月時点)
- LLM(Dify Docs、2026年10月時点)
- テンプレート(Dify Docs、2026年10月時点)
- コード(Dify Docs、2026年10月時点)
- 人間の入力(Dify Docs、2026年10月時点)
- 反復処理(Dify Docs、2026年10月時点)
- Dify ツール(Dify Docs、2026年10月時点)
- 組み込みツール Speech To Text の定義(langgenius/dify、GitHub、2026年10月時点)
- OpenAI プラグインの文字起こしモデル(langgenius/dify-official-plugins、GitHub、2026年10月時点)
- Dify の料金(Dify、2026年10月時点)
- Microsoft Teams 会議でライブ トランスクリプトを開始、停止、ダウンロードする(Microsoft サポート、2026年10月時点)
- 生成AIサービスの利用に関する注意喚起等(個人情報保護委員会、2023年6月2日)
- 個人情報の保護に関する法律についてのガイドライン(通則編)(個人情報保護委員会、2026年10月時点)
