音声を文字起こしする方法：無料の手段と精度を上げるコツ

文字起こしエンジンは、人間のように言葉を聞いているわけではありません。まず波形を、約25ミリ秒ずつ重なり合うフレームに切り分け、それぞれをスペクトログラム(その瞬間にどの周波数が強いかを示す図)に変換します。音響モデルはこの図を見て、どの音声が含まれているかを推定します。sのかすれる音、tの破裂音、shipとsheepを分ける母音の形などです。ただしこの段階で得られるのは、ありそうな音の並びであり、読めるテキストではありません。

その多くを補正するのが言語モデルです。実際の文でどの単語の並びが自然かを知っているため、音がrecognize speechともwreck a nice beachとも取れる場合に、文脈で判断できます。従来のシステムはこの2つを別々に作り、限られた丁寧な朗読音声で学習させていました。2010年代の音声入力ソフトがなまりや日常会話に弱かったのはそのためです。

2022年9月、OpenAIはウェブから集めた約68万時間の多言語音声で学習したオープンモデルWhisperを公開しました。音響と言語の処理を1つのネットワークにまとめ、30秒単位の区間を読み取って、句読点付きのテキストを直接出力します。この種のモデルのおかげで、なまりのある話し方、入り混じった語彙、雑然とした実際の録音でも、ぐっと使いやすくなりました。ブラウザツールを含む現在の無料の文字起こしサービスの多くも、似た仕組みで動いています。ただし推測であることに変わりはなく、音声が不明瞭なときも流暢に推測するため、間違いに気づきにくくなります。

精度は通常、単語誤り率で測ります。丁寧に作った人手の書き起こしと比べて、置き換わった単語、抜けた単語、余計に加わった単語の割合です。誤り率5%は20語に1語の間違いという意味で、小さく聞こえます。しかし間違いは、姓、製品コード、予算の話の金額といった重要な語に集中しがちです。

以下の要因は、影響の大きい順におおよそ並べています。ほとんどが、文字起こしの時ではなく録音の時点で決まります。スマートフォンをテーブルの中央から話者の手の届く距離に動かすだけで、後から変えられるどの設定よりも効果があることも多いです。

ほとんどの録音は、そのままアップロードできます。準備が役立つのは3つの場合です。ファイルが長すぎる、または大きすぎる場合、音声が無音や音楽に埋もれている場合、音量が小さく最大にしないと聞こえない場合です。冒頭に長い無音があると時間の無駄になるだけではありません。自動検出は最初の30秒から言語を判断するため、部屋の雑音やイントロのジングルから誤って推測することがあります。録音を音声のある部分だけに切り詰めるか、開始位置を設定してその部分を飛ばせば、これを避けられます。

形式の変換が必要になることはほとんどありません。iPhoneのボイスメモはM4A(AAC音声)、Androidのレコーダーが作るのはM4A、AAC、3GP、通話録音アプリはAMRが多く、いずれも直接アップロードできます。圧縮されたファイルをWAVに変換しても、録音時に失われた情報は戻りません。MP3、WAV、FLAC、AACの比較ガイドで解説しているとおりです。変換はツールが形式を受け付けない場合だけにしてください。何時間にも及ぶ録音は、休憩や話題の切り替わりなど自然な区切りで分割すると、各部分がアップロード上限に収まり、読み直しも楽になります。

出力形式は、そのあと何をするかで選びます。書き起こしを読む、引用する、検索するなら、テキストまたはWordが適しています。Wordは段落、タイムスタンプ、話者ラベルを編集しやすい形で保ち、PDFは他の人に変更されたくない固定のコピーを送る場合に向いています。動画の上に文字を表示するなら、字幕ファイルが必要です。SRTやVTTは音声を、開始時刻と終了時刻を持つ短いキューに分けます。1行の長さで、画面に収まる量が決まります。放送の標準では、1行42文字がよく使われます。

SRTとVTTは、細かな違いを除けば同じ情報を持っています。SRTは古いSubRipプログラムに由来し、各キューに番号を振り、時刻をカンマで書きます(00:01:15,000)。WebVTTはHTML5動画向けのW3C形式で、WEBVTTヘッダーから始まり、時刻にピリオドを使い、スタイルや表示位置も指定できます。YouTube、Vimeo、Premiere Pro、DaVinci Resolveはどちらにも対応しています。単語単位のタイミング付きJSONは、検索、カラオケ風のハイライト、独自の字幕レイアウトを作る開発者向けです。

何かをアップロードする前に、お使いの端末が元々できることを確認しましょう。AppleはiOS 18でボイスメモアプリに書き起こし機能を追加したため、最近のiPhoneで録音したものは、アプリ内でそのままテキストを表示できます。PixelスマートフォンのGoogleレコーダーアプリは2019年から録音中の文字起こしに対応しており、処理はすべて端末上で行われ、話者の区別もできます。Microsoft 365では、Word for the webのディクテーションの隣に文字起こしコマンドがあり、MP3、M4A、WAV、MP4ファイルをアップロードできます(月ごとのアップロード時間の上限あり)。Googleドキュメントの音声入力(Chromeの「ツール」メニュー)は、ライブのマイクの音しか聞き取れず、既存のファイルは読み込めません。

会議プラットフォームも手段の1つです。Zoom、Microsoft Teams、Google Meetは、文字起こしをオンにし、プランや組織が許可していれば、通話の書き起こしを作れます。Otter.aiのようなアシスタントは会議に参加してメモを取ります。自分が主催する通話には便利ですが、いずれも自社のアプリ内でしか使えず、録音には全員の同意が必要で、出力形式も独自です。古いインタビュー、講義の録音、他の人から転送されたボイスメモなど、すでにあるファイルには、ファイルベースの文字起こしツールのほうが簡単なことが多いです。

ブラウザツールは、内蔵機能では足りない部分を補います。どの端末のどのファイルでも扱え、字幕形式で出力でき、スマートフォンが対応していない言語にも使えます。音声のテキスト変換でファイルを追加し、話されている言語は自動検出のままにするか自分で選び、出力を選んで、必要に応じてタイムスタンプや話者ラベルをオンにします。iPhoneのボイスメモ用には専用のM4Aのテキスト変換ページが、ポッドキャストやレコーダーのファイル用にはMP3のテキスト変換があります。どちらも同じエンジンで動きます。1ファイルは95 MBまで、128 kbpsのMP3でおよそ1時間半です。それより長い場合は、開始位置と終了位置で区切って分けて文字起こしするか、先に録音をカットしてください。

期待値は現実的に考えましょう。静かな部屋で、適切なマイクを使った1人の話者なら、たいてい90〜95%以上正確で、軽く手直しすれば公開できる水準になることも多いです。にぎやかなレストランのテーブルに置いたスマートフォン、途切れの多い電話会議、人が割り込み合うパネルディスカッションでは、精度がかなり下がり、文全体が抜けることもあります。話者ラベルは、声がはっきり違い、順番に話す場合には信頼できますが、似た2人の声は思った以上に取り違えます。

読み直しは、テキストだけでなく音声を開いて行ってください。最近のモデルは、間違っていても文法的に正しい文を書くからです。固有名詞はすべて確認しましょう。同僚の名前がCaitlinなのかKatelynなのか、モデルには知りようがありません。数字も確認してください。fifteenとfifty、日付、価格、パーセントは聞き間違えやすいものです。their/there、affect/effect、complement/complimentのような同音異義語や、音声が不明瞭だった箇所にもっともらしく入った埋め草にも注意してください。タイムスタンプがあれば、疑わしい行が話された場面にすぐ移動できるので、確認が速くなります。

録音には、文書より多くの個人情報が含まれていることがよくあります。声、名前、健康に関する情報、給与の金額などです。アップロードする前に、ファイルがどこに送られ、どのくらい保管されるかを確認してください。UltKitでは、アップロードしたファイルはサーバーで処理され、処理から30分後に自動的に削除されます。アカウントは不要なので、お名前と結び付くものは何もありません。Pixelのレコーダーはオフラインで動くため、音声が端末の外に出ることはありません。秘密保持契約や、医療・法律上の守秘義務の対象となる内容については、まず所属組織の方針を確認してください。承認済みで契約のあるサービスしか認めていない場合もあります。

対応言語は幅広いものの、精度には差があります。この文字起こしツールは33言語に対応しており、英語、スペイン語、フランス語、ドイツ語、ポルトガル語、アラビア語、ヒンディー語、日本語、韓国語、中国語、ウクライナ語などが含まれます。学習データが多い言語ほど、よい結果が出ます。自動検出は、1ファイルにつき1つの言語を選びます。会議の途中で2つの言語が切り替わる場合は、区間ごとに言語を手動で設定して別々に文字起こししてください。書き起こしは常に話された言語で書かれます。翻訳は、その後にテキストに対して行う別の作業です。

文字起こしの失敗は、たいてい数個の原因に絞られ、別のサービスを試すよりもファイルや設定を1つ見直すだけで解決することがほとんどです。音声が聞き取りにくく、自分でも内容を追うのが難しい場合は、機械にとっても同じように難しくなります。長い自動文字起こしを直すより、重要な部分だけ手作業で書き起こしたほうが早いこともあります。