要点
耳で聞きながら探すのは時間がかかる。今どこを聞いているのか、聞かないとわからないからだ。タイムスタンプ付きの文字起こしがあれば、2時間の音声もおよそ70ページのテキストになり、数秒で検索して該当の時間に直接ジャンプできる。誰が言ったかは覚えていても、いつ言ったか覚えていない場合は、話者ラベルが役に立つ。決定事項とアクションアイテムをまとめた要約があれば、音声をもう一度開く前に答えが見つかることも多い。本当の解決策は、重要な発言があったその場で時間を声に出してメモしておくことだ。
その会議で誰かが何かを言った。だいたい何を言ったか、たぶん誰が言ったかも覚えている。そして今、それが重要な意味を持つという強い予感がある。ただ、何分何秒のところで言われたかはわからない。録音は2時間分あり、会議は昨日か先週の話で、目の前にあるのはただのシークバーだけだ。
反射的にシークバーをドラッグして聞き始めたくなる。だがその判断は、多くの場合間違っている。なぜそうなのか、代わりに何をすべきかを説明する。
シークバー操作は、耳で行う二分探索にすぎない
長い録音をシーク操作で探すのは、耳を使った二分探索と同じだ。だいたい中間地点にジャンプして数秒聞き、探している場面より前か後かを判断し、また別の場所にジャンプする。この一回一回の確認には、内容が合っているか判断する前に、そもそも「今どこにいるか」を把握するだけで数秒かかる。2時間の音声ファイルなら、この作業を10回以上繰り返すことになり、近づくにつれて範囲は狭くなっても、毎回同じだけ聞かなければならないので、むしろ後半ほど時間がかかる。
シーク操作がまったく使えないわけではない。20分程度の録音ならこれで十分だ。しかし2時間分、6〜8個の話題と枝葉の議論がいくつも含まれる録音になると、テキストとして存在していれば数秒で見つかるはずの発言を探すのに、10分から15分ほど推測を繰り返す作業になってしまう。
音声を検索可能なテキストに変換する
2時間分の会話は、だいたい1万8千語、ページ数にして70ページ前後になる。70ページのテキストからフレーズを検索するのは、どんな文書を検索するのと同じで数秒で済む。ここがすべての鍵だ。録音を「聞き通さなければならない音声」として扱うのをやめて、「検索できるテキスト」として扱えばいい。
これを可能にするのが、タイムスタンプ付きの文字起こしだ。テキストの各行に時間の情報が付いているので、フレーズを見つけたら、その横にある数字を確認して音声の該当箇所に直接ジャンプできる。耳で場所を探り当てる必要はもうない。まっすぐそこへ行けるのだ。音声をテキストに変換するツールは、この記事で紹介する残りの方法すべてを可能にする基盤になる。文字起こしがなければ、結局はシーク操作をしているのと変わらない。
話者ラベルと決定事項でさらに絞り込む
誰が言ったかは覚えていても、いつ言ったかは覚えていないことがある。そこで役立つのが話者ラベルだ。記憶があいまいなフレーズを文字起こし全体から探す代わりに、特定の一人が発言した行だけを抜き出して順番に読むことができる。検索対象が狭くなれば、それだけ速く見つかる。
そもそも正確な発言内容が必要ないことも多い。録音を探し回る理由の半分は、決まったこと、あるいは割り振られたタスクを確認したいだけで、それを決めた際の正確な言葉遣いを知りたいわけではない。決定事項とアクションアイテムを分けてリストにした要約があれば、音声や文字起こしに一切触れずに、それだけで答えが見つかることも多い。この文字起こしアプリのように、話者ラベル付きの文字起こしと決定事項付きの要約を作成するアプリを使えば、質問から答えまで実質的に最短で到達できる。ここで紹介している他の方法の一つというよりも、検索という作業自体をなくしてしまう方法だ。
倍速再生は近づけるが、そこまでは届かない
録音を1.5倍や2倍速で再生するのは実際に使える技術で、たいていのプレイヤーは追加設定なしで対応している。文字起こしがなく、目的の箇所へ素早く戻りたいときの最初の一手としては悪くない。話題や声を聞き取りながら早送りで進み、近づいたと感じたら速度を落とせばいい。
ただしこの方法で見つかるのは「その場面」であって「その一文」ではない。倍速の音声は、正しい範囲に来たと気づく程度には十分だが、必要な一言を正確に聞き取るには向いていない。特に二人が同時に話していたり、そもそも録音の質がよくなかった場合はなおさらだ。会議中におおよその時間をメモしていて、それをファイルの半分を倍速で飛ばした後の位置に当てはめたい場合は、タイムコード変換ツールを使えば、計算を自分でする必要がなくなる。
録音の質が悪ければ、どの方法も限界がある
ここで挙げた3つの方法はどれも、そもそも録音が使える状態であることを前提にしている。録音の質次第で、これらの方法がどこまで機能するかが決まる。6人がテーブルを囲んで話している真ん中にスマートフォンを置いただけの録音では、どれだけ優れた文字起こしでも完全には救い出せない音声になる。複数人の発言が重なる部分は特に難しい。二人が同時に話すと、文字起こしはどの言葉を誰が言ったのか推測するしかなく、その推測が外れることもある。話者ラベルも同じ理由で、同じ条件下では精度が落ちる。
とはいえ、これは荒い録音の文字起こしをやめる理由にはならない。一部の行が不確かでも、文字起こしがある方が、何もない2時間の音声よりはるかに速く検索できる。むしろ、会議の中で一番声が大きく混乱していた場面、つまり後で一番聞き返したくなる部分ほど、抜け漏れが出やすいと想定しておくべきだということだ。
次に同じ状況にならないための習慣
会議の最中にこの問題を解決してしまえば、上に挙げた方法はどれも必要なくなる。重要な発言があったら、その時間を声に出して言うか、メモに書いておくこと。それだけだ。会議中に時間をメモする、あるいは誰かにメモを頼む、その10秒が、後になって20分間シークしたり検索したり推測したりする手間を省いてくれる。
この方法は、録音を文字起こしするかどうかに関係なく機能する。メモ帳に書いた時間の記録さえあれば、どんなプレイヤーでも検索なしで該当箇所に直接ジャンプできる。その場でかかる手間はほとんどなく、このリストの中で唯一、問題が起きた後に解決するのではなく、そもそも問題を発生させない方法だ。
