本研究では、会議の議事録作成に伴う手作業の負担と記述漏れの問題を解決するため、音声認識・話映像解析を統合した自動議事録生成システムを開発した。音声からは文字起こしと話者推定を行い、さらに指示語を検出して該当時間帯の映像から抽出することで、発話と視覚情報を関連付けた記録を可能にした。これにより、会議中の資料の参照や指示語の特定など、従来の音声ベースの議事録では把握が困難だった要素を、自動で補完することができる。