音声・動画を文字起こしする方法：実践的なワークフロー
録音をテキストにする作業は一度の操作で終わるように思えますが、役に立つ文字起こしは三つの段階から生まれます。聞き取りやすい素材を用意すること、音声認識を実行すること、そして再生しながら結果を確認することです。そのうえで、読みやすいメモが必要なのか、字幕が必要なのか、別のツールに渡すデータが必要なのかによって、適切な書き出し形式が決まります。
まず文字起こしの目的を決める
ファイルを処理する前に、何をもって「完成」とするかを決めておきましょう。社内会議の記録であれば、読みやすい段落と検索できるタイムスタンプがあれば十分な場合もあります。公開するインタビューでは、名前や引用を慎重に確認する必要があります。字幕には、動画のテンポに合った短いタイミング付きのキューが必要です。研究用の文字起こしでは、一貫した話者ラベルと、すべての回答を参照できる安定した目印が求められることがあります。
この判断によって、必要な確認作業の量が変わります。自動音声認識が生成するのは質の高い下書きであり、証明された記録ではありません。重要な判断の根拠にしたり、公の場で引用したりする文字起こしであれば、重要な箇所を録音と照合する時間を確保してください。
できるだけ良い素材を選ぶ
可能であれば元の録音を使いましょう。書き出しを繰り返したり強く圧縮したりすると、音声の細部が失われるだけで、モデルにとって声が聞き取りやすくなるわけではありません。可逆圧縮のWAVやFLACは細部を保てますし、MP3やM4Aは扱いやすく、声がはっきりしていれば十分な品質であることがほとんどです。
ファイルの拡張子よりも、マイクの位置のほうが影響は大きいのが普通です。話し手の近くで反響の少ない状態で録った音声は、騒がしい部屋の離れた場所で高ビットレートで録った音声よりも良い結果になりがちです。声と一緒に小さな雑音まで大きくしてしまう加工は避けてください。片方のチャンネルが無音や破損している場合は、文字起こしの前に音声が入っているチャンネルを選びましょう。
動画がどう処理されるかを理解する
文字起こしに必要なのは音声トラックであり、映像のフレームではありません。対応しているMedia2Textのワークフローでは、ブラウザが動画を読み込み、その音声をローカルで準備します。文字起こしのために送信されるのは準備された音声だけで、元の動画は端末に残ります。長時間や高解像度の映像では、転送するデータ量を大幅に減らせることがあります。
ただし、この方法には重要な限界があります。音声認識は、無音の動作を説明したり、すべてのタイトルカードを読み取ったり、映像の説明を作成したりすることはできません。動画に音声トラックがなければ、文字起こしする音声はありません。そのため、アクセシビリティ対応では、音声の字幕に加えて、意味のある視覚情報の説明を別途作成する必要がある場合があります。
言語と話者は慎重に設定する
通常の長さの録音であれば、言語の自動検出がほとんどの場合に役立ちます。ただし、ごく短いクリップや、冒頭に名前・音楽・無音が含まれる場合は、言語のヒントを指定すると精度が上がることがあります。多言語の録音では、言語が切り替わる箇所を注意して確認してください。両方の言語に対応したモデルでも、表記や句読点が一貫しないことがあります。
話者分離（ダイアライゼーション）は「どの声がいつ話したか」を判定する技術で、話者が実際に誰なのかは分かりません。通常は「話者1」「話者2」のような汎用ラベルから始まります。名前に変更するのは、声を確認してからにしましょう。発言の重なり、ごく短い発言、似た声、雑音の多い電話音声などがあると、ラベルが統合されたり分割されたりすることがあります。
再生しながら文字起こしを確認する
句読点を一語ずつ直す前に、まず一度通して意味を読み取りましょう。意味の通らない文があれば、そのタイムスタンプから該当箇所を聞き直します。固有名詞、製品名、略語、日付、数字、通貨、否定表現、日常的でない用語には特に注意してください。誤った単語でも文法的にはもっともらしく見えるため、こうした誤りは見落としやすいのです。
話者が複数いる場合は、最初の数回の発言と、声が重なるすべての箇所を確認しましょう。繰り返し出てくる誤りは検索で効率よく直せます。たとえば社名が全体を通して誤っている場合、すべての一致箇所が同じ用語を指していることを確認したうえで、検索と置換を使うとよいでしょう。
品質チェック：文字起こしが読みやすく見えても、冒頭・中盤・終盤を聞いてみましょう。タイミングのずれ、録音条件の変化、最後の言葉の欠落を見つけられます。
TXT・SRT・VTTを選ぶ
読みやすく持ち運びやすいテキストならTXT
プレーンテキストは、メモ、引用、検索、アーカイブ、文章作成ツールへの取り込みに確実に使える形式です。話者名や人が読める形のタイムスタンプを含められますが、標準化されたタイミング付き字幕の構造は持ちません。
幅広く使える字幕ならSRT
SubRip（SRT）は、番号付きのキューを開始時刻・終了時刻とともに保存します。多くの動画編集ソフトや配信プラットフォームで利用できます。意図的にシンプルな形式なので、テキストエディタで中身を確認したり修正したりするのも簡単です。
Web動画ならVTT
WebVTT（VTT）はWeb上のタイミング付きテキストのために設計された形式で、キューの位置指定やメタデータなどの追加機能に対応しています。HTMLの動画プレーヤーや、VTTファイルを明示的に求めるプラットフォームに適しています。
一次資料：公開用のワークフローを設計する際は、W3CのWebVTT仕様とW3Cの字幕に関するガイダンスを参照してください。
逐語か整文か：どこまで忠実に書き起こすかを決める
文字起こしには、「えー」や言い直し、繰り返しまですべて残す「素起こし（完全逐語）」から、フィラーは取り除きつつ話し手の言葉遣いは残す「ケバ取り（整文逐語）」、さらに公開用に軽く手を加えたテキストまで、さまざまな段階があります。音声認識の出力は、たいていケバ取りに最も近いものです。談話分析や法的記録のように、言いよどみ、笑い、発言の重なりが重要な作業であれば、聞きながらそれらを書き加える時間を見込んでおきましょう。メモ、記事、ほとんどの研究では、ケバ取りが現実的な標準です。どのスタイルを選ぶにしても、プロジェクト全体で一貫させてください。
TXT・SRT・VTT以外の書き出し形式を選ぶ
プレーンテキストと字幕で多くの用途はカバーできますが、ほかの形式を使うと後の作業を省けます。
- DOCXとPDFは、紙やワープロソフトでコメントを入れるレビュー担当者、編集者、指導者と共有するのに便利です。
- Markdownは、メモアプリ、Wiki、静的サイトで見出しや話者名を読みやすく保てます。
- CSVとTSVは、セグメント、話者、タイムスタンプをそれぞれ1行にまとめるため、スプレッドシートや質的研究のコーディングにすぐ使えます。
- JSONは完全な構造を保持するため、独自のスクリプトで文字起こしを処理したい開発者に適しています。
Media2Textは同じ文字起こしから9種類すべての形式を書き出せるので、もう一度文字起こしすることなく、レビュー用のDOCXと公開用のSRTを作成できます。
よくある問題をすばやく解決する
BGMや雑音がある
音楽にかぶった話し声は認識が難しく、歌詞が文字起こしに入ることもあります。該当箇所は再生しながら確認し、録音を自分で管理できる場合は、BGMを含まないクリーンな音声トラックを使いましょう。
言語が誤って検出された
ごく短いクリップや、音楽・無音・別の言語のあいさつから始まる録音では、検出が混乱することがあります。言語のヒントを指定して再実行してください。
話者が統合された・分割された
確認の段階で話者の名前変更や統合を行い、発言が重なる箇所はすべてチェックしましょう。次回からは参加者ごとにマイクのトラックを分けておくと、作業がずっと楽になります。
最後の言葉が欠けている
最後の1分を聞いてみましょう。文の途中で止まる録音や、すぐにフェードアウトする録音では、最後の言葉が失われることがあります。
実際の例
司会者1名とゲスト2名による50分のウェビナー録画を考えてみましょう。チームは、ブログ用のまとめ記事、SNS用の引用、そしてアーカイブ配信用の字幕を必要としています。最終版の録画を一度だけ文字起こしし、3人の話者の名前を変更し、検索と置換で製品名を修正し、引用する予定の2か所を確認します。確認済みのこの一つの文字起こしから、まとめ記事の担当者向けにDOCXを書き出し、確認した引用をSNS用にコピーし、アーカイブ配信用にSRTを書き出します。すべての出力が同じ修正済みテキストから作られるため、一度の修正がすべてに反映され、ウェビナーをもう一度文字起こしする必要はありません。
確認にはどれくらい時間がかかる？
認識そのものは通常数分以内に終わります。確認にかかる時間は、素材と目的によって変わります。いくつかの引用を確認するだけの、聞き取りやすい2人のインタビューであれば録音時間のごく一部で済むかもしれませんが、公開を前提とした雑音の多いパネルディスカッションでは、録音と同じくらいの時間がかかることもあります。締め切りの前に見積もっておきましょう。最も難しい部分を2分間聞いて修正箇所を数え、全体に換算します。
字幕以外にも文字起こしを活用する
ワークスペースでは、AI要約、元の音声にリンクしたマインドマップ、原文を残したままの翻訳も利用できます。要約・マインドマップ・翻訳のガイドを参考に、適切な出力を選び、録音と照らし合わせて確認してください。
録音は責任を持って扱う
音声の録音には、個人データや機密情報、または同意に関する法律の対象となる会話が含まれていることがあります。録音と処理の許可があることを確認してください。文字起こしを受け取る人を限定し、不要になったコピーは削除し、公開する字幕ファイルに機微な情報を含めないようにしましょう。
ブラウザ側で動画を準備することで、サービスに送られるメディアは減りますが、準備された音声は文字起こしのために処理される必要があります。機密性の高いコンテンツをアップロードする前に、サービスのプライバシーポリシーと所属組織の要件を確認してください。
繰り返し使えるチェックリスト
- 成果物がメモ、逐語の文字起こし、字幕、研究データのどれなのかを決めます。
- 入手できる中で最も聞き取りやすい元の音声・動画ファイルを選びます。
- 音声が聞き取れること、処理する許可があることを確認します。
- 自動検出があいまいになりそうな場合は、言語のヒントを指定します。
- 文字起こしを実行し、タイムスタンプ付きの再生で重要な箇所を確認します。
- 名前、数字、専門用語、話者ラベルを修正します。
- 読む用途ならTXT、幅広い字幕互換性ならSRT、Web動画ならVTTで書き出します。
- 機密性に応じて、録音と文字起こしを保管または削除します。
次の録音を役立つテキストに
Media2Textは、アップロード、タイムスタンプ付きの再生、文字起こしの編集、話者の確認、書き出しを一つのワークスペースにまとめています。音声ファイルから始めるか、元の動画を端末に残したまま処理する動画の文字起こしワークフローについて詳しくご覧ください。
文字起こしを始める →