ガイド

複数の話者がいる録音を扱う方法

自動話者ラベルは、文字起こしの中で最も過大に売られている機能です。この技術が実際に何をしているのか、そしてそれでも正確な複数話者の文字起こしを得る方法を説明します。

30 August 2026

「自動話者識別」は、たいていの文字起こし製品の機能一覧に並んでいます。これは実在する技術で、確かに役立つ場面もありますが、宣伝が示唆するほど信頼できるものではまったくありません。

会議、パネルディスカッション、グループインタビューを文字起こしするなら、実際に何が手に入るのかを知っておく価値があります。

話者分離が行っていること #

話者分離は、文字起こしとは別の工程です。単語を認識するのではなく、声の特徴、つまり高さ、音色、話し方のリズムによって音声をクラスタリングし、「この区間は、あの区間と同じ人の声に聞こえる」と判断します。そのうえで、クラスタに Speaker 1、Speaker 2 といったラベルを付けます。

この説明から 2 つのことが導かれ、それがこの機能に対するほぼすべての苦情を説明します。

誰が誰なのかは分かっていません。 出力されるのは「Speaker 1」であって「チェン博士」ではありません。名前を割り当てるのは常に人間の工程です。実名を表示するツールは、誰がミュートを解除していたかを知っているプラットフォームのメタデータを使っているか、あなたが教えたかのどちらかです。

意味ではなく声の類似性で動いています。 声の似た 2 人は 1 つのラベルにまとまります。声が変わる 1 人、たとえばマイクから体を離した、熱を帯びてきた、電話で参加した、といった場合は 2 つに分かれます。

うまくいく場合、いかない場合 #

まずまず信頼できる場合。 2 人、はっきり異なる声、1 人 1 本のマイクか近接した共有マイク、そしてあまり重ならずに交代で話す場合です。きちんと収録された 2 人のポッドキャストは、ほぼ最良のケースです。

当てにならない場合。 4 人以上。中央にレコーダーが 1 台だけ置かれた会議室。スピーカーフォンで参加している人。似た声。これは現実にあり、扱いにくい失敗パターンで、性別が同じで年齢も近い人たちの集まり、つまりほとんどの会議に不釣り合いなほど影響します。

ほぼ絶望的な場合。 同時発話です。2 人が同時に話すと音声には両方が含まれ、クラスタリングはどちらかを選ばざるを得ません。文字起こしが間違った人に帰属されるのはまさにここであり、しかもそこは議論や交渉の中で、あなたが最も正確でありたい瞬間です。

問題になる失敗の種類 #

文字起こしの誤りは、たいてい明らかです。意味の通らない文を読めば、確認しに行きます。

話者帰属の誤りは、目に見えません。文は正しく、きれいに整っていて、ただし別の人の発言として記録されています。どこにも間違いらしさがありません。そこから引用、議事録、法務メモを組み立てれば、誤りは静かに広がっていきます。

この非対称性があるからこそ、私なら自動ラベルが正しいことを前提としたワークフローは組みません。

代わりにすべきこと #

プラットフォームが話者を把握していたなら、それを使う #

本当により良い答えがあるのはこのケースだけです。Zoom、Teams、Google Meet は誰がミュートを解除していたかを知っているので、それぞれの文字起こしは音声から推測するのではなくメタデータから話者ラベルを付けられます。正確な帰属が最優先で、その会議が文字起こしを含むプランでクラウド録画されていたなら、それが手に入る中で最も信頼できる情報源です。トレードオフについては会議録画のガイドで扱っています。

問題が小さくなるように録音する #

• 録音が重要なら、1 人 1 本のマイクにします。トラックが分かれていれば帰属は自明になり、話者分離そのものが不要になります。
• 互いに話をかぶせないようお願いした円卓の議論は、そうでない場合よりはるかに良い文字起こしになります。録音する会議の冒頭にこう伝えるのは普通のことで、全員のためになります。
• 最初の発言時に名乗ってもらう（「プリヤです」）と、文字起こしの中に手がかりが残ります。

使う時点で、自分でラベルを付ける #

たいていの作業では、文字起こし全体にラベルが必要なわけではありません。必要なのは、引用したり対応したりする 6 つの箇所に、正しくラベルが付いていることです。

実務的な方法はこうです。タイムスタンプ付きのセグメント表示で作業し、重要な箇所を見つけ、その行の音声を再生し、確認しながら名前を書き込みます。どのみち言葉を確認するためにその瞬間を聴いているのですから、ラベル付けに追加のコストはかからず、しかもこれが実際に正確な唯一の方法です。

ラベルではなく構造を使う #

会議まわりの多くの作業では、タイムスタンプ付きで話者ラベルのない文字起こしでも十分に使えます。探しているのは決定事項とアクションであって、戯曲の台本を作っているわけではありません。そもそも必要なかったラベルの修正に午後を費やさないでください。

私たちの立場 #

Offline Transcription は自動話者識別を行いません。理由をはっきり述べます。Whisper 系のモデルは話者分離を行わず、追加するということは上に述べた信頼性の特性を持つ 2 つ目のモデルを載せるということです。そして、目に見えない形で間違っているラベルを出荷することは、私たちのユーザーが行う類の仕事にとって、ラベルをまったく出さないことより悪いからです。

代わりに提供しているのは、手作業のラベル付けを速くするワークフローです。各セグメントはタイムスタンプを持ち、名前を書き込む前に、どの行についても音声を再生して誰の発言かを確認できます。

自動ラベルがどうしても必要な要件なら、それは別のツールを使う正当な理由です。ごまかすより、そう言うほうがよいと考えています。

まとめ #

話者分離は声をクラスタリングするだけで、人を知っているわけではありません。声のはっきり異なる 2 人ならまずまずですが、集団、似た声、同時発話では当てになりません。しかもその誤りは、文字起こしの誤りとは違って目に見えません。重要ならトラックを分けて録音し、プラットフォームのメタデータがあればそれを使い、それ以外の場合は、実際に使うわずかな箇所だけを、使う時点で耳で確認しながらラベル付けしてください。