インタビュー · 執筆・監修：Media2Textチーム · 2026年11月3日公開 · 約9分で読めます

インタビューを正確に文字起こしする方法

良いインタビューの文字起こしがあれば、発言を正確に引用でき、根拠をすばやく見つけられます。このガイドでは、録音から引用に使える確認済みの文字起こしまで、研究者、記者、学生、そして仕事でインタビューを行うすべての方に向けて、全体の流れを説明します。

今では自動音声認識が数分で質の高い下書きを作成します。残る作業は、ソフトウェアには代わりにできない部分です。どのような文字起こしが必要かを決め、誰が何を言ったかを確認し、実際に使う箇所をチェックすることです。以下の各セクションでは、そうした判断を一つずつ取り上げます。

インタビューの前に：文字起こしを見据えて録音する

文字起こしの問題の多くは録音の段階で生まれます。数分の準備で、確認作業の時間を大きく節約できます。

マイクを話し手の近くに置く

機材よりも距離のほうが重要です。2人の間のテーブルに置いたスマートフォンのほうが、部屋の反対側にある高価なマイクより良い結果になることがよくあります。リモートインタビューでは、声が二重に拾われないようゲストにヘッドホンの使用をお願いし、通話ソフトが対応していればローカルで録音しましょう。参加者ごとに別のトラックがあると、話者の分離がずっと簡単になります。

自分で抑えられる雑音は減らす

静かな部屋を選び、窓を閉め、壁が硬く反響しやすい場所は避けましょう。カフェは会話には心地よい場所ですが、音声認識にとっては厄介です。エスプレッソマシン、音楽、周囲の話し声がすべてインタビュー相手の声と競合します。公共の場で録音しなければならない場合は、スピーカーや厨房から離れた席に座りましょう。

冒頭で名前と重要な用語をはっきり話す

最初に短い紹介を入れましょう。日付、インタビュー相手の名前とその表記、役職、話に出てきそうな組織名などです。これが音声内の参照点になり、後の修正が速くなります。プロジェクトで必要であれば、同意を記録として残すことにもなります。

元のファイルを保管する

トリミングや変換をする前に、元の録音を保存しておきましょう。後で引用の内容に異議が出たとき、手を加えていないファイルが最良の証拠になります。再圧縮したコピーではなく元のファイルをアップロードしてください。MP3をWAVに変換しても、失われた細部は戻りません。

始める前に文字起こしのスタイルを決める

唯一の正しい文字起こしというものはありません。適したスタイルはテキストの用途によって決まり、早めに決めておくと編集の一貫性を保てます。

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。言葉は捉えますが、フィラーの多くは省かれがちです。手法として素起こしが必要な場合は、言いよどみや発言の重なりを書き戻すために、聞き直す時間を余分に見込んでおきましょう。どれを選ぶにしても、プロジェクトに関わる全員が同じ方法で文字起こしできるよう、ルールを書き留めておいてください。

インタビューを文字起こしする手順

1. 録音をアップロードする。Media2Textは、MP3、M4A、WAV、AAC、FLACなどの一般的な音声形式と、MP4やMOVなどの動画形式に対応しています。動画の場合、音声トラックはブラウザ内で抽出され、元の動画は端末に残ります。ファイルは最大6 GBまで扱えます。
2. 言語を設定する。ほとんどのインタビューでは言語の自動識別がうまく機能します。録音が無音や音楽、別の言語の短いあいさつで始まる場合は、手動で言語を設定してください。Media2Textは60の文字起こし言語を公開しています。二つの言語を行き来するインタビューも文字起こしできますが、言語が切り替わる部分は念入りに確認しましょう。
3. 話者ラベルをオンのままにする。自動の話者ラベルは、文字起こしを「話者1」「話者2」のような発言のまとまりに分けます。これは声の違いを表すもので、実際の人物を特定するものではないため、名前は確認の段階で自分で付けます。
4. 処理を待つ。結果は長さやそのときの混雑状況にもよりますが、通常は数分以内に用意されます。一般的な1時間のインタビューであれば、処理中に画面を見守っている必要はありません。

インタビューがすでに公開動画としてオンラインに掲載されている場合は、ファイルをアップロードする代わりにリンクを貼り付けられることがあります。対応プラットフォームや、非公開・制限付きメディアに関する制限は、動画リンクの文字起こしのページに掲載しています。

確認：本当の正確さはここで生まれる

下書きが信頼できる文字起こしになるのは、確認の段階です。一度にすべてを直そうとせず、何回かに分けて作業しましょう。

1回目：話者に名前を付ける

最初の数回の発言を聞き、汎用ラベルをインタビュアーとインタビュー相手の名前に変更します。研究で匿名性が求められる場合は仮名にします。声が重なる箇所や、一人がごく短く話す箇所はすべて確認してください。自動ラベルが統合されたり分割されたりしやすいのは、まさにこうした箇所です。

2回目：繰り返し出る用語を検索と置換で直す

人名、地名、製品名、組織名は最もよくある認識ミスで、たいてい繰り返し出てきます。すべての一致箇所が同じものを指していることを確認したうえで、検索と置換を使って誤った名前を一度にすべて修正しましょう。

3回目：引用する箇所を確認する

1時間分をすべて聞き直す必要はありません。引用、参照、コーディングする予定の箇所に印を付け、それぞれのタイムスタンプをクリックして聞きます。数字、日付、「した」と「しなかった」のような否定表現、似た音の言葉には特に注意してください。もっともらしく読める引用でも、誤っていることがあります。

4回目：残りを抜き取りで確認する

文字起こしが読みやすく見えても、冒頭、中盤の一部、終盤を聞いてみましょう。録音条件の変化、話し声が重なり続ける部分、最後の言葉の欠落を見つけられます。

時間の目安：聞き取りやすい2人の録音であれば、ポイントを絞った確認はインタビューの長さのごく一部で済むことがよくあります。雑音の多い音声、発言の重なりが多い場合、専門用語が多い場合は、録音そのものと同じくらいの時間がかかることもあります。締め切りの前にそれを踏まえて計画しましょう。

分析・執筆・保管のために書き出す

次に何をするかに合わせて書き出し形式を選びます。

• DOCXまたはPDF：話者名とタイムスタンプを含めて、共著者、指導教員、編集者と共有する場合に。
• TXTまたはMarkdown：文章作成ツール、メモアプリ、プレーンテキストを受け付ける質的分析ソフトに取り込む場合に。
• CSV、TSV、JSON：各セグメント、話者、タイムスタンプを構造化データとしてスプレッドシートや独自のスクリプトで扱いたい場合に。
• SRTまたはVTT：インタビューを字幕付きの動画として公開する場合に。

長期のプロジェクトでは、各書き出しファイルを元の録音、インタビュー日、参加者コードと結びつける一貫したファイル名を付けましょう。アカウントをお持ちであれば、出典参照付きのインタビュー形式のAI要約も生成できます。全体像をつかむのに役立ちますが、文字起こしで引用を確認する作業の代わりにはなりません。これらのツールについては要約・マインドマップ・翻訳のガイドで説明しています。

複数の言語にまたがるインタビュー

読者や共同研究者が話さない言語でインタビューした場合は、まず元の言語で文字起こしし、その後で翻訳トラックを作成します。翻訳では元の話者ラベルとタイムスタンプが保持されるため、両方のバージョンを並べて表示し、音声の該当箇所にすぐ戻れます。できる限り原文から引用し、翻訳は作業の補助として扱いましょう。慣用句や文化的に固有の用語では特に注意が必要です。

フィリピン語やタグリッシュのインタビューについては、言語の切り替えをより詳しく扱ったタガログ語音声の文字起こしガイドをご覧ください。

同意、プライバシー、データの取り扱い

インタビューの録音には個人情報が含まれることがよくあります。録音の前に、録音と文字起こしがどのように使用・保管されるかを参加者が理解していることを確認し、所属機関の倫理審査や報道機関の基準に従ってください。アップロードの際は、データの取り扱いを理解できるサービスを選びましょう。Media2Textは対応動画の音声をブラウザ内で抽出し、準備された音声は公開しているプライバシーポリシーに従って保持されます。端末から何が送信されるかは、セキュリティとデータの流れのページで説明しています。

プロジェクトの終了後は、不要になった録音と文字起こしを削除し、参加者に匿名性を約束した場合は、公開する抜粋から個人を特定できる情報を取り除いてください。

インタビュー文字起こしのチェックリスト

1. 静かな部屋で話し手の近くで録音し、元のファイルを保管します。
2. 録音の冒頭で名前、役職、重要な用語を述べます。
3. 素起こし、ケバ取り、整文のどのスタイルにするかを決めます。
4. 元の録音をアップロードし、言語を確認します。
5. 話者の名前を変更し、発言の重なりを確認します。
6. 繰り返し出てくる名前を検索と置換で修正します。
7. 引用するすべての箇所を聞いて確認します。
8. 共有用にはDOCX、分析用にはCSVやJSON、字幕用にはSRTを書き出します。
9. 同意内容に従ってファイルを保管・削除します。

よくある質問

1時間のインタビューの文字起こしにはどれくらいかかりますか？

1時間のインタビューを手で入力すると、数時間かかることがよくあります。自動文字起こしなら下書きは通常数分以内に用意され、残りの時間は確認作業です。確認にかかる時間は、主に音声の品質と、確認が必要な箇所の数によって決まります。

自動文字起こしで誰が話しているか分かりますか？

異なる声をラベル付きの発言に分けることはできますが、その人が誰なのかは分かりません。名前は確認の段階で割り当てます。似た声、ごく短い発言、話し声の重なりがあるとラベルが統合されることがあるので、確認してください。

自動の文字起こしは引用に使えるほど正確ですか？

下書きとして使ってください。公開や引用の前には必ず音声と照らし合わせて確認しましょう。特に名前、数字、否定表現に注意が必要です。

支払い前に試せますか？

はい。無料トライアルでは、合計75分までの文字起こしタスクを通算で最大2件ご利用いただけます。クレジットカードは不要です。有料プランでは、アップロード回数が無制限になり、最長5時間15分のファイルを扱えるようになります。

次のインタビューから始めましょう

音声の文字起こしのページで録音をアップロードするか、録画したビデオ通話には動画の文字起こしをご利用ください。フォーカスグループのような複数話者のセッションについては、音声認識による文字起こしのページで話者の確認をより詳しく説明しています。