自分の音声メモを文字起こしする前に。録音でつまずかないコツ

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)

音声入力で短い下書きを作る話は別の記事(音声入力で作った下書きを、読める文章に整える手順)に書きましたが、長めの内容だと、一度録音してから文字起こしにかける方が向いています。
考えていることを数分から数十分ぶん喋って録音しておき、あとでテキストに起こす、という使い方です。このとき、文字起こしの精度は、ツールの性能より先に、元の録音の状態で変わります。後工程でどれだけ整えても、そもそも起こせていない音声は復元できません。

距離と速さを変えて、4回録ってみた

同じ原稿を、条件を変えて4回読み、Pixel 9a の標準のレコーダーアプリで録音・文字起こししました。
原稿には、数字・日付・人名・地名・社名・ツールの名前を入れています。

  • 近い:口から15〜20cm(胸元くらい)
  • 離す:机に置いて約1m
  • 速さ:普段どおり/明らかに速く/少しゆっくり(速さを変えた2回は、近い距離で)
原稿近い・普通離す・普通近い・早口近い・ゆっくり
大矢さん(2回)大家さん×2大家さん×2大家さん×2大家さん×2
東海林さん(2回)ショージさん/じさんおじさん/さんショージさん/庄司さん庄司さん×2
御徒町○勝ち町○○
放出(はなてん)花天花天花天花天
株式会社ミドリノヤネ緑の屋根緑の屋根緑の屋根緑の屋根
小野寺さん○お寺さん○○
Seishonize・Shrinkuma2つとも外れ2つとも外れ2つで「青少年」の1語に2つとも外れ
午後2時半「ここ 2 時半」○○○
0.5ギガ0.5 GB0.5 GB0.5 GB0。.5 GB
そのほかの言葉の入れ替わり1か所2か所1か所1か所

原稿と違う所を1か所1つとして数えると、近い・普通が10、離す・普通が12、近い・早口が9、近い・ゆっくりが10でした。※「0.5 GB」の表記と、離した回で読み間違えて言い直した所は数えていません。※どの条件も1回ずつ、同じ人が同じ部屋で読んだ結果です。

数の差は大きくありません。
大矢さん、放出、ミドリノヤネ、ツールの名前は、どの条件でも外れました。録り方を変えても直らなかったので、録音の工夫では防げない種類の誤りです。このあたりは「文字起こしの誤変換は固有名詞に集まる」のコラムに書いています。

1. マイクと口の距離を近くする

差がはっきり出たのは距離です。
机に置いて約1m離した回は、近くで録った3回とも正しかった「御徒町」が「勝ち町」に、「小野寺さん」が「お寺さん」になりました。東海林さんは「おじさん」「さん」で、名前として残っていません。言葉の入れ替わり(「容量は」「写真は」の「は」が「が」になる)も、この回だけ2か所ありました。
スマホを机に置いて離れた場所から喋るより、胸元くらいまで近づけるほうが、拾える語が増えます。イヤホンのマイクを使う手もあります。

2. 話す速さは、今回はほぼ差が出なかった

速く読んだ回も、ゆっくり読んだ回も、誤りの数は普段どおりの回とほとんど同じでした。
崩れ方はそれぞれで、速く読んだ回は「Seishonize と Shrinkuma」がまとめて「青少年」の1語になり、ゆっくり読んだ回は「0.5」が「0。.5」になっています。
少なくとも今回の録音では、速さを気にするより、マイクを近づけるほうが先でした。

3. 固有名詞と数字は、あとで確認する前提でメモしておく

今回の4回で、数字と日付はほぼ原稿どおりでした。外れたのは、ほとんどが人名・地名・社名・ツールの名前です。
喋る前に、出てきそうな固有名詞を軽くメモしておくと、後の確認作業(どの誤変換を探せばいいか)が楽になります。用語の事前登録ができる文字起こしツールなら、そこに入れておく手もあります。

4. そのほかの準備

  • 環境音を減らす:空調の風やキーボードの音は、マイクの近くで鳴ると自分の声より大きく録れてしまいます。マイクの周りだけでも静かにしておきます。
  • 言い直しは気にしない:きれいに喋ろうとして詰まるより、言い直しながらでも最後まで喋りきる方が楽です。「えー」のようなフィラーは、Seishonize のようなツールで後からまとめて片付けられます。言い直しは前後の文脈で決まるので、読み返すときに手で直します。
  • 長い録音は区切る:話題の区切りで録音を分けておくと、処理に失敗したときの被害が一部で済みます。
  • 最初に数秒だけ録って再生する:一番痛い事故は「録れていなかった」です。
  • 冒頭で日付と話題を声に入れる:「10月25日、来月の打ち合わせのメモ」のように喋っておくと、文字起こしの1行目に残るので、テキストになってからも何の録音か分かります。※今回の原稿も、この形で始めています。

起こしたテキストに付いてくるもの

文字起こしの結果には、本文のほかにタイムスタンプや話者ラベルが付いてくることがあります。
今回使った Pixel 9a の標準のレコーダーアプリでは、文字起こしの段落ごとに「00:01」のような時刻だけの行が付いていました。

Seishonizeの「タイムスタンプ・話者ラベル除去」は、次のものを既定で取り除きます。

  • 字幕形式(SRT・WebVTT)の時刻の行
  • [00:12:34] のような括弧付きの時刻
  • 「話者1:」「Speaker A:」のような定型のラベル

行の頭に括弧なしで書かれた時刻(「12:34 それでは」のような形)は、本文の時刻と区別が付かないため、既定では対象外にしています。
そのため、さきほどの「00:01」の行も、既定のままでは残りました。除去設定の「詳細設定」で「行頭の裸タイムスタンプ」をオンにすると、取り除けます。

Pixel 9aのレコーダーアプリで起こしたテキストをSeishonizeに通した結果。上の既定のままでは「00:01」「00:23」「00:41」の行が残り、下の「行頭の裸タイムスタンプ」をオンにした結果では消えている
近い・普通で録った回の文字起こしを、Seishonizeに通したところ。既定のままでは時刻だけの行が残り、「行頭の裸タイムスタンプ」をオンにすると3か所とも消えます。