計画通りには進まなかった
— Quill 開発ログ #2：実装編

Playwright（ブラウザを自動操作するツール）でGoogle Meetを開き、参加ボタンをクリックする。 書くと1行だが、実際にやると最初から詰まった。

参加ボタンが「押せない状態」で表示されていた。 Googleアカウントにログインしていないブラウザでは、ボタンが有効にならない仕組みになっていたからだ。

解決策は、すでにログインしているChromeのCookieを引き継ぐこと。 ChromeのCookieファイルを一時フォルダにコピーして、そこからブラウザを起動する。 これでログイン済みの状態を再現できた。

OpenAIのWhisper APIは、音声の長さに応じて課金される。 1分あたり約0.6円。小さい金額だが、ユーザーが増えれば増えるほど積み上がっていく。

だから最初からコストを自動で記録する仕組みを入れた。 会議のたびに「今回いくらかかったか」「今月合計いくらか」をログに残す。 月の合計が一定額を超えたら、切替の検討を促すアラートも出るようにした。

文字起こしのテキストをそのままAIに渡して「議事録にして」と頼んでも、うまくいかない。 長い文章から必要な情報を一度に全部抜き出すのは、AIが苦手とする処理だ。

そこで3段階に分けた。

まず「決定事項・ToDo・保留事項をJSONで抜き出して」と頼む。
次に、担当者や期限が空のToDoだけを対象に「文章から補完して」と頼む。
最後に「全体を200〜400字で要約して」と頼む。

1回で全部やらせるより、小さい仕事を順番に渡す方が精度が上がった。

「誰がこの発言をしたか」を自動で判別する機能を実装した。 ただし、Whisper APIは話者を区別する機能を持っていない。 返ってくるのは「テキスト」と「何秒から何秒の発言か」という時間情報だけだ。

今の実装では、発言と発言の間が2秒以上空いたら話者が変わったと推定する。 そこに参加者リストの名前を順番に当てはめていく。精度は高くない。

改善策として「声紋キャッシュ」を入れた。 初回だけ「この声は田中さんで合ってますか？」と確認してもらい、 2回目以降は確認なしで同じ人の声を割り当てる。少しずつ精度が上がっていく設計にしている。

会議が終わった瞬間に処理を始め、できたらすぐ送る。この流れを実装した。

メールはHTMLで送るようにした。テキストだと読みにくいし、 受け取った側が「ちゃんとしたサービスから来た」と感じる見た目にしたかった。 ダークヘッダー・ゴールドのアクセント・セクション区切り—— LPのデザインと統一感を出した。

Botが会議に入った瞬間、チャット欄に通知を送る。 「📝 Quill が記録します。停止したい方はホストにお伝えください。」

これは機能ではなく、態度の設計だ。 黙って録音しているBotと、入った瞬間に名乗るBotでは、受け取られ方がまったく違う。 技術的には1行のコードだが、プロダクトとしては一番大事な部分かもしれない。