Whisperの文字起こしを読みやすく整形する方法
文字起こし・AI文章の整形コラム
執筆:松村 誠(植木鉢団 代表)
OpenAIのWhisperは、公開されているプログラムを自分のパソコンで動かせば、長い録音でも無料で文字起こしができます(OpenAIのAPIから使う場合は有料です)。
ただ、出てきたテキストをそのまま議事録や原稿に使うには、手前の作業が要ります。
タイムスタンプの行が邪魔をする、「えー」「あのー」が大量に残っている、といった具合です。
Whisperの出力を読みやすいテキストに整えるまでの手順を、順に説明します。
Whisperの出力はどうなっているか
Whisperは、プレーンテキストのほかに、SRTやWebVTTといった字幕用の形式でも結果を出力できます。
字幕形式のファイルは、次のような構造になっています。
1
00:00:01,000 --> 00:00:04,500
えー、本日はお集まりいただきまして、あのー、ありがとうございます。Whisperをコマンドで動かしたときの画面の表示は、また別の形です。
[00:00.000 --> 00:04.500] えー、本日はお集まりいただきまして、あのー、ありがとうございます。時間の範囲が角括弧に入って、行の頭に付きます。
画面からコピーして使うと、この形がそのまま残ります。
連番とタイムスタンプの行が発言ごとに繰り返されるため、このままでは文章として読めません。
また、Whisperは発話を比較的忠実に文字にするので、「えー」「あのー」のようなフィラーがそのまま残ることが多くあります。
つまり、整形は大きく2段階に分かれます。
タイムスタンプなどの構造を取り除く段階と、フィラーなどの話し言葉のノイズを取り除く段階です。
方法1: エディタと正規表現で処理する
タイムスタンプの行は形式が決まっているので、正規表現が使えるエディタなら一括削除できます。
たとえばSRTのタイムコード行は「数字2桁:数字2桁:数字2桁,数字3桁 --> …」という決まった並びなので、パターンとして指定できます。
SRTの連番の行とタイムコードの行をまとめて消すなら、次の式に当たる所を空の文字列に置き換えます。
^\d+\r?\n\d{2}:\d{2}:\d{2},\d{3} --> \d{2}:\d{2}:\d{2},\d{3}\r?\n上のSRTの例なら、残るのは「えー、本日はお集まりいただきまして、あのー、ありがとうございます。」の行だけです。発言と発言の間の空行は残ります。
コマンドの画面からコピーした形なら、行の頭の ^\[[\d:.]+ --> [\d:.]+\]\s* を空の文字列に置き換えると、時間の範囲だけが消えます。
どちらも JavaScript の正規表現で、改行が LF でも CRLF でも、連番とタイムコードだけが消え、「12時に再開します。」のように数字で始まる本文の行は残ることを確かめています。改行をまたいで検索できるか、置き換えの書き方が同じかはエディタによって違うので、使っているエディタの説明で確かめてください。
一方、フィラーの除去は正規表現だけでは苦しくなってきます。
「あの、」は消したいが「あの人」は消したくない、というような文脈の区別が必要になるためです。
フィラーの種類ぶんだけパターンを用意して、誤って消えていないか目視で確認する、という作業になりがちです。
方法2: 生成AIに整形させる
ChatGPTなどに「タイムスタンプとフィラーを除去してください」と依頼する方法です。
短い文字起こしであれば、これで十分きれいになります。
ただ、1時間の会議の文字起こしは数万文字になるので、一度に渡せる量に上限があるAIでは、分割して何回も頼むことになります。
除去のついでに言い回しまで変わることがある点も含めて、AIに頼むときの弱点は「ケバ取りとは?」のコラムに書いています。
方法3: 専用ツールで一括処理する
当サイトのSeishonizeは、この2段階の整形を一括で行うツールです。
WhisperのSRTやWebVTTのファイルの中身も、コマンドの画面からコピーした「[00:00.000 --> 00:04.500]」付きの行も、そのまま貼り付ければ連番・タイムスタンプ・「話者1:」のようなラベルが外れます。
あわせて「えー」「あのー」などのフィラーを辞書に基づいて除去します。
処理は辞書による機械的なもので、本文の言い回しを書き換えたり、要約したりすることはありません。
どこが消えたのかは「変更箇所」タブの消去線で確認でき、「この項目は消したくない」という場合は詳細設定で個別にオフにできます。
数万文字の長い文字起こしでも、分割せずそのまま貼り付けられます。
テキストはブラウザの中だけで処理され、外部のサーバーには送信されません。
相槌だらけの対談を整形する場合
インタビューや対談の文字起こしでは、聞き手の「はい」「なるほど」が大量に挟まります。
Seishonizeでは相槌の除去を初期設定ではオフにしています。
オンにしたときに何が消えて何が残るかは、「フィラーは消していい?」のコラムにまとめました。
対談の起こしでオンにするなら、まず「変更箇所」タブで消え方を確認してからにするのが安全です。
まとめ
Whisperで文字起こしまでは自動化できても、そのあとの整形は別の作業として残ります。
タイムスタンプは正規表現、フィラーは辞書ベースのツール、書き言葉への書き直しはAI、と作業の性質ごとに道具を使い分けると、無理なく片付くかもしれません。