1. システムアーキテクチャ

【通常会議用パイプライン】
Zoom/Teams録音 → S3アップロード → Lambda起動
→ Whisper API（STT）→ pyannote（話者分離）
→ Claude API（議事録生成）→ Slack通知 + Notion保存

【機密会議用パイプライン】
録音 → 社内サーバーにアップロード
→ Whisper（ローカルGPU実行）→ pyannote（ローカル）
→ Ollama + Llama 3（ローカルLLM）→ 社内Wikiに保存

技術スタック:
- STT: Whisper API（通常）/ Whisper Large V3ローカル（機密）
- 話者分離: pyannote.audio 3.1
- 議事録生成: Claude Sonnet（通常）/ Llama 3 70B（機密）
- ストレージ: S3 + PostgreSQL
- 検索: OpenSearch（ベクトル検索対応）

2. 会議種別ごとの出力設計

| 種別 | 出力形式 | 重点項目 |
|------|---------|---------|
| 朝会 | 箇条書き（200字以内） | 進捗・ブロッカー |
| プロジェクト会議 | 構造化議事録 | 議論・決定・アクション |
| 経営会議 | 詳細議事録 + 数値データ | 判断根拠・KPI |
| 1on1 | プライベートメモ | フィードバック・目標 |
| 全社ミーティング | 社内報形式 | 方針・Q&A |

3. 検索機能の設計

インデックス:
- 全文テキスト検索（OpenSearch）
- ベクトル検索（Embedding + コサイン類似度）
- メタデータフィルタ（日付、参加者、種別、プロジェクト）

検索クエリ例:
「先月の経営会議で決まった予算の件」
→ 種別:経営会議 + 期間:先月 + キーワード:予算

4. コスト試算

月間処理量:
朝会110回×15分 + PJ20回×60分 + 経営4回×90分 + 1on1 40回×30分 + 全社1回×60分
= 1650+1200+360+1200+60 = 4470分 = 74.5時間

API費用:
- Whisper API: 74.5時間 × $0.006/分 = $26.82
- Claude API: 175回 × $0.05 = $8.75
- OpenSearch: $50/月
- GPU（機密用）: $100/月
合計: 約$186/月 ≒ 28,000円/月

削減効果:
議事録作成: 175回 × 30分 = 87.5時間 × 3,000円 = 262,500円/月
ROI: 262,500 - 28,000 = 234,500円/月

5. 段階的導入計画

Phase 1（1ヶ月）: 朝会のみ自動化（最もパターン化しやすい）
Phase 2（2〜3ヶ月）: プロジェクト会議 + 1on1に拡大
Phase 3（4〜6ヶ月）: 経営会議（オンプレ構築）+ 検索機能 + 全社展開

1. 通話品質スコアリング

評価項目と重み:
| 項目 | 重み | 評価方法 |
|------|------|---------|
| 挨拶・名乗り | 10% | キーワード検出 |
| 言葉遣い | 15% | NGワード検出 + LLM評価 |
| 共感表現 | 15% | 共感フレーズの頻度 |
| 傾聴（顧客の話を遮らない） | 15% | 話者オーバーラップ分析 |
| 問題解決効率 | 20% | 通話時間 + 解決率 |
| 顧客感情変化 | 25% | 通話前半→後半の感情スコア差 |

スコアリング: 各項目0-100点 × 重み → 総合スコア（0-100）

2. リアルタイムアシスタント

アーキテクチャ:
通話音声 → [Deepgram STT (200ms以下)] → テキストストリーム
→ [軽量NLPモデル] → 意図分類 + キーワード抽出
→ [RAG検索] → 関連FAQ/手順を表示
→ [感情分析] → スコア低下時にアラート

レイテンシ要件: 2秒以内に画面表示

表示情報:
- 顧客の問い合わせカテゴリ（自動判定）
- 関連FAQ（上位3件）
- 類似ケースの対応履歴
- 感情スコアのリアルタイムグラフ
- 「お客様が怒っています」等のアラート

3. 教育コンテンツ自動生成

ベストプラクティス抽出:
- 顧客満足度スコア上位10%の通話を自動選定
- LLMで「なぜこの通話が高評価か」の分析コメント生成
- 同じカテゴリの低評価通話との比較ポイントを抽出

教育コンテンツの形式:
- 模範通話のハイライト音声（TTSで匿名化版も作成可）
- 書き起こし + AIコメント（良かったポイントのアノテーション）
- Before/After比較スライド
- 週次ベストプラクティスレポート（Slack配信）

1. 動画処理パイプライン

【既存200本のバッチ処理】
S3バケット内の全動画 → Step Functions オーケストレーション:
  並列処理（1動画あたり）:
  ├── 音声抽出 → Whisper API → 日本語字幕SRT
  ├── フレーム抽出（10秒間隔）→ VLMでシーン説明
  └── メタデータ抽出（長さ、解像度等）
  ↓
  統合処理:
  ├── チャプター自動生成（シーン変化 + トピック変化で分割）
  ├── 動画要約生成（Claude）
  ├── Embeddingベクトル生成（チャプター単位）
  └── OpenSearchにインデックス登録

処理時間見積: 200本 × 平均30分動画 = 100時間の動画
並列20本処理で約2日

【新規動画】
アップロード → EventBridge → 同じパイプラインをリアルタイム実行

2. 検索・質問応答

インデックス:
- チャプター単位でEmbedding生成
- 各チャプター: タイムスタンプ + テキスト + フレーム画像 + メタデータ

質問応答:
ユーザーの質問 → Embedding → ベクトル検索で関連チャプター上位5件
→ 該当チャプターのテキスト + フレーム画像をコンテキストとしてLLMに送信
→ 回答 + 該当動画の該当時間へのリンクを返す

3. クイズ自動生成

形式: 4択問題 × 5問/動画
生成: チャプター要約からClaude APIで生成
プロンプト: 「以下の内容に基づいて、理解度を確認する4択問題を5問作成してください」

品質保証:
- 生成されたクイズをLLMで自己レビュー（答えの妥当性チェック）
- 初回は人事担当者がレビュー、フィードバック後にプロンプト改善
- 受講者からのフィードバック（「この問題は不適切」ボタン）

4. 多言語対応

日本語字幕 → LLM翻訳 → 英語/中国語/韓国語字幕
翻訳品質: 社内の各言語話者にサンプルレビュー依頼
TTS: 翻訳テキスト → 各言語のTTSで音声トラック生成（吹替版）