Whisper × Obsidian：録音はObsidian、文字起こしはWhisper、保管はObsidian。専用の公式連携はなく「手でつなぐ」形――費用と手順を、公式資料で確かめる

人との会話は、その場で聞いているときは分かった気がしても、1週間たつと中身が思い出せません。録音して文字にしておけば、あとで検索できます。

この記事では、その流れを「録る」「文字にする」「貯める」の3つに分けて、WhisperとObsidianにどう割り振るかを整理します。

先にお断りします。この記事は、実際に使って確かめた記録ではありません。この記事は公式の文書を読んでまとめたものです。手順は「文書から組み立てた想定」で、使ってみたら書き足します。僕らの考えは「見立てです。」で始まる段落に分けました。

先に結論

• WhisperとObsidianを、直接つなぐ専用の機能は、公式の文書では見つかりませんでした。確認できていません。公式に書かれた部品を、手でつなぐ形になります。
• 流れは、(1)Obsidianの録音機能で音声をノートに入れる、(2)Whisperで文字にする、(3)文字をObsidianのノートに貼って貯める、です。
• Whisperは2通りあります。OpenAIの有料のサービス（API）として使う方法と、無料で公開されているものを自分のパソコンで動かす方法です。どちらも、普通のアプリのように押すだけとは言えません。API は小さなプログラムか、それを代わりにやってくれる道具が要ります。手元で動かす方法は、黒い画面（ターミナル）で命令を打ちます。
• 費用は、Obsidianの本体は無料です。Whisperは、手元で動かすなら無料、OpenAIのサービスのgpt-transcribeなら録音1分あたり0.0045ドルです（2026年10月22日確認）。
• 他人の声を録音するときは、同意を取ってください。この記事は法律の説明ではありません。

それぞれ何か

Whisper

OpenAIの公式の説明ページには、Whisperは「いろいろな音声で訓練された、汎用の音声認識のモデル」とあります。話した言葉を文字にする（文字起こし）、他の言語に訳す、どの言語かを見分ける、ができます。OpenAIが公開しているWhisperのプログラム（tokenizer.py）の言語の一覧には、日本語（ja）が含まれています。

名前が同じでも、実際の入り口が2つあります。

APIとは、アプリがAIを呼び出すための裏口のことです。APIキーは、その裏口を開ける長い文字列で、あなたの名前と支払いで使われる合鍵のようなものです。

Obsidian

Obsidianは、メモのアプリです。公式の説明では、メモは「ボールト」という自分のパソコンのフォルダの中に、Markdown（マークダウン）という単純な書式の文字ファイルとして保存されます。ボールトは「メモを入れる保管庫」と考えてください。

同期サービス（Dropboxなど）を使わない限り、メモのデータはパソコンの中にあります。ただし、公式のページは、データが外へ出るかを直接は書いていません。同期の道具を使えば、外に出ます。

なぜ組み合わせるのか

見立てです。Obsidianは、メモを貯めて、探して、つなげるのが得意です。一方、音声を文字にする仕組みは、Obsidianの本体には入っていません。Whisperは文字にするのが役目です。役割が重ならないので、組み合わせる意味があります。

もうひとつ、Obsidianのメモは、普通の文字ファイルです。Whisperが出した文字を貼れば、日々のメモと同じように検索できます。

つなぎ方（公式に書かれた範囲）

1. Obsidianで録音する

Obsidianの公式のヘルプに、録音は「Audio recorder（オーディオ・レコーダー）」というコアプラグイン（本体に最初から入っている追加機能）で行うと書かれています。手順は次のとおりです。

1. パソコンのマイクが使える状態にしておく（公式の前提条件です）。
2. ノートを作るか、開く。
3. 左の帯（リボン）にある録音の印を押す。色が変わると録音が始まる。
4. もう一度押すと止まり、録音がノートの末尾に埋め込まれる。

Audio recorderをオンにする設定が要るかどうかは、読んだページには書かれていませんでした。

音声ファイルはボールトの中に保存されます。ノートから埋め込みを消しても、ファイル自体は消えません。消すには、ファイルの一覧から削除します。録音ファイルの形式は、この公式ページには書かれていませんでした。確認できていません。

すでにある録音（スマホのボイスメモなど）は、ボールトに入れて使えます。Obsidianが開ける音声は、flac、m4a、mp3、ogg、wav、webm、3gpです。ただし、パソコンに入っているコーデック（音声を読む仕組み）に左右される、と書かれています。ノートに音声を埋め込む書き方は、![[ファイル名.mp3]] です。

2. Whisperで文字にする

A. OpenAIのAPIを使う場合

OpenAIの公式のガイドでは、次のとおりです。

• 1回に送れるファイルは25MBまで。形式は、mp3、mp4、mpeg、mpga、m4a、wav、webmです。Obsidianが開ける形式のうち、flacとoggは、この一覧にありません。
• 25MBを超えたら、圧縮するか、分けて送ります。文の途中で切ると精度が下がる、と書かれています。
• 使えるモデルは複数あります。公式のガイドは、録音された話を元の言語で文字にするなら「gpt-transcribe」を勧めています。話者の区別が要るなら「gpt-4o-transcribe-diarize」、単語ごとの時間や字幕の形式が要るなら「whisper-1」を挙げていますが、この2つは「非推奨（deprecated）」と書かれています。OpenAIの非推奨のページには、whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarizeの4つを2027年2月26日に終了する予定（2026年8月26日の告知）、と書かれています。ガイドには、英語への翻訳のエンドポイントも同じ日に終了予定とあります。
• 日本語が使えるかは、ガイドの文章には明記されていませんでした。確認できていません。「whisper-1」は98の言語に対応する、とあります。

B. 自分のパソコンで動かす場合

OpenAIの公開ページ（GitHub）の説明によると、次のとおりです。

• 必要なもの：Python（3.8〜3.11で動くはず、と書かれています）と、音声を扱う道具のffmpeg。場合によってRust。
• 入れる命令：pip install -U openai-whisper
• 動かす命令の例：whisper audio.flac audio.mp3 audio.wav --model turbo
• モデルは大きさで6種類あります。大きいほど速さが落ちる代わりに、より多くのメモリ（VRAM、画像用の記憶領域）を使います。

速さは、高性能な専用の計算機で英語を処理した測定値で、普通のパソコンでは変わります。turboは、largeを速くしたもので、翻訳には向かない、と書かれています。日本語の文字起こしの精度は、この説明では確認できていません。

出力される文字ファイルの形式は、僕らが読んだ範囲では確認できていません。

3. 文字をObsidianに貯める

Whisperの出した文字を、新しいノートに貼ります。録音のノートに続けて貼れば、音声と文字が同じ場所に並びます。

Obsidianの「プロパティ」を使うと、ノートの先頭に日付やタグを付けられます。公式の書き方は、ノートの先頭を --- の行で囲み、date: 2026-10-08 や tags: の下に項目を並べる形です。あとで「会議」のタグで探す、といった使い方ができます。

見立てです。会議ごとに、ノートの題名に日付と相手の名前を入れておくと、後から探しやすいと思います。