一語も打ち始める前に、逐語のレベルを決めてください。完全な逐語起こしは「えー」や言い直しをすべて残し、クリーンな逐語起こしはフィラーを除いて意味を保ち、編集済みの文字起こしは読みやすいように文法を整えます。間、発言の重なり、聞き取れない箇所の表記法を選んで、文書の冒頭に凡例として書き、話者ラベルは一貫して付けてください。手作業での目安として、Texas Tech University Libraries のオーラルヒストリー・ガイドは、録音1時間につき入力6時間という比率を挙げ、Cornell University の授業ガイドは4〜6時間としています。自動の文字起こしなら数分で最初の下書きができ、人の作業は入力から、録音と照らした確認に移ります。
表記のほかに、UK Data Service の文字起こしに関するガイダンスは、文字起こしには固有の識別子を付け、プロジェクト全体で統一したレイアウトを使い、発言の交代には話者タグを使い、改行を残すべきだとしています。小さなことですが、これがあるから、すべてを読み直さなくても、あとで文字起こしを見つけて比較できます。
話者ラベルは、文字起こしソフトが知り得ない名前です。Speaker A と Speaker B が出てくるので、誰が誰か分かったら手作業で名前に直します。話者ラベルを一貫させるでは、プロジェクト全体で、ファイルごとに名前がぶれないようにする方法を説明しています。
SozAIのインタビューツールの裏にあるエンジンを、NASAジョンソン宇宙センターのポッドキャスト Houston We Have a Podcast のエピソード180「Artemis Mission Management」(ホストは Gary Jordan、ゲストは Mike Sarafin)の最初の5分間(300秒)にかけました。NASAの作品なので、米国では一般に著作権の対象になりません。結果は778語で、英語を検出し、話者は2人と判定しました。エンジンが出力した冒頭の行は次のとおりです。
[00:00] Speaker A: Houston, we have a podcast. Welcome to the official podcast of the NASA Johnson Space Center, episode 180, Artemis Mission Management. I'm Gary Jordan, and I'll be your host today.
[01:19] Speaker B: T-minus five seconds and counting. Mark.
[01:22] Speaker A: Launch commit lights are correct. There she goes. Houston. We have a podcast. Mike Serafin, thanks for coming on Houston, We Have a Podcast today.
[01:36] Speaker B: Thank you. It's a pleasure to be here to talk about these exciting Artemis missions we have ahead of us. Yeah, right?
[01:43] Speaker A: Returning to the Moon. Not a bad thing to be a part of.
この5つの発言だけでも、人の手による確認が必要なものが3つありました。01:19のカウントダウンと、01:22の「Launch commit lights are correct. There she goes.」は、ポッドキャストに挿入された打ち上げの記録音声で、ホストでもゲストでもありません。それでもエンジンは、それらを Speaker B と Speaker A とラベル付けしました。01:36の発言の最後にある「Yeah, right?」は、実際にはホストが会話を引き取った言葉で、ゲストの発言の最後ではなく、次の発言の冒頭に属します。そして、ゲストの姓は、ここでは Serafin と出力されていますが、エピソード自体のクレジットでは Sarafin と綴られています。
あとの発言を見ると、クリーンな逐語起こしの役割が分かります。02:51のエンジンの出力はこうです。「Yes, so you’re, you’re right in that I lived in the operations realm for 22 of my 27 years in, in my NASA career.」クリーンな逐語起こしにすると、「You’re right in that I lived in the operations realm for 22 of my 27 years in my NASA career.」になります。完全な逐語起こしなら、繰り返しをそのまま残します。エンジンは、どちらかといえば残す方向に傾いており、ファイル全体で、繰り返しや言い直しの大半を保っていました(「you’re, you’re right」、「in, in my NASA career」、「That’s, that’s quite a number of」)。つまり出力は、クリーンな逐語起こしより、完全な逐語起こしに近いのです。プロジェクトでクリーンな逐語起こしが必要なら、どのエンジンが下書きを作るかにかかわらず、編集作業の時間を見込んでください。
冒頭に、逐語のレベル、使った表記、話者のラベル付けの方法を示す短い凡例を置き、そのあとに Speaker A のようなラベル付きの発言を、タイムスタンプつきで並べます。UK Data Service の文字起こしに関するガイダンスは、固有の識別子、統一したレイアウト、話者タグ、改行を備えるべきだと付け加えており、そうすれば、全体を読み直さなくても、あとで見つけて比較できます。
手作業では、Texas Tech University Libraries のオーラルヒストリー・ガイドは、音声1時間につき入力約6時間とし、Cornell University の授業ガイドは4〜6時間と見積もっています。自動の文字起こしは数分で下書きを返すので、残りの時間は、入力ではなく、録音と照らした確認に移ります。