質的研究の文字起こし:表記ルール、倫理、ツール

この記事のポイント

文字起こしを始める前に、どこまで細かく書くかを決めてください。人の話し方を分析するなら逐語(ヴァーバティム)、話された内容を分析するなら整文(インテリジェント・ヴァーバティム)かクリーンです。2件目のインタビューに入る前に、表記ルールを書き出しておきましょう。同意書と倫理審査の承認が、録音の送り先についてどう定めているかを確認し、文字起こしサービスには音声を受け取る会社を具体的に尋ねてください。自動文字起こしなら、人手のサービスのごく一部の費用で、数分のうちに下書きが手に入ります。ただし、音声と照らして直す作業は、あなたの仕事として残ります。NVivo、ATLAS.ti、MAXQDAを使う場合は、ツールを選ぶ前にインポートの経路を決めておきましょう。

質的研究の文字起こしの標準を誰も教えてくれないのは、標準が1つではないからです。複数あり、どれが当てはまるかは、文字起こしを手に入れたあとで何をするかによって決まります。この決定は方法論に関わるもので、ツールを選ぶより前に、後ではなく先に行うべきものです。

順序を逆にすると、代償は現実のものになります。インタビュー6件をクリーンに文字起こしして分析に入り、参加者がどこでためらったかを知る必要があると気づき、6本の録音を別の耳で聞き直すことになります。ですから最初に、この問いに1時間かけてください。

1語も書き起こす前に、文字起こしの用途を決める

文字起こしにどれだけの細かさが必要かは、方法論上の決定であって、丁寧さや徹底ぶりの問題ではありません。分析のアプローチから決まります。

分析が何が話されたかに関わるなら、クリーンな文字起こしで足ります。必要なのは、言葉が正確で、正しい話者に帰属していることです。フィラー、言いかけ、短い間は、整理して取り除いても問題ありません。コーディングの対象にならないからです。主題分析や内容重視の研究の多くはここに当たります。クリーンな文字起こしは、作るのも、読むのも、コーディングするのも速く済みます。

分析がどのように話されたかに関わるなら、状況は逆になります。間、重なり、ためらい、2人が同時に話す瞬間、答えが返るまでの3秒、文の途中での言い直し。これらこそがデータです。それを取り除いた文字起こしは、研究対象そのものを取り除いています。これは特に自動文字起こしで重要です。まさにそうした特徴をなめらかにしてしまうことが、自動文字起こしの得意技だからです。流れるように読みやすい文章が得られますが、流れるように読みやすい文章は、ためらいがちで重なり合う会話の、情報が欠けた描き直しです。

念のため、あらゆる詳細を最も細かい水準で文字起こししておこうという誘惑があります。要らないものは無視すればいいから、という理由です。たいていそれは誤りです。詳細な文字起こしは時間がかかり、20件のインタビューに時間をかけていれば、手元にない数か月が消えます。しかも文字起こしが読みにくくなり、コーディングも遅くなります。やりとりが分析に関わるかどうかがまだ本当に分からないなら、それは力ずくで解決する問題ではなく、今、指導教員と話し合うべきことです。どう決めても、録音は残り、録音こそが本当のデータです。文字起こしは、その表現にすぎません。

逐語、整文、クリーンを並べて比べる

この3つの呼び名はゆるく使われがちなので、短い架空のやりとりを3通りに書いてみます。説明のための例で、研究のデータではありません。

逐語は、録音機が拾ったものをすべて残し、あなたの表記ルールで印を付けます。

I:  それで、えー、どうやって、どうやって知ったんですか?
P3: うーん(.)し- 知らなかったんです、実は。姉が[教えて]
I:                                            [ああ]
P3: くれたのは、あの- あの会議のあとで。(2.0)はい。

整文は、意味のある言葉と話者の交代をすべて残し、フィラーと言いよどみを落とし、間は意味を持つ場所にだけ残します。

I:  どうやって知ったんですか?
P3: 知らなかったんです、実は。姉が会議のあとで教えてくれました。[間]はい。

クリーン(編集済みとも呼ばれます)は、さらに文法をなめらかにして、読みやすい文にします。

I:  どうやって知ったんですか?
P3: 知らなかったんです。姉が会議のあとで教えてくれました。

クリーンな版が何を失ったかを見てください。「はい」の前の2秒の間と、「し- 知らなかった」という言い直しは、悪い知らせについて人がどう語るかを研究しているなら、この抜粋でいちばん興味深い部分かもしれません。一方、家族の中で知らせがどう広まったかを主題分析するなら、クリーンな版でコーディングするものは何も失われていません。

自動文字起こしの仕上がりは、整文とクリーンの中間くらいです。たいていは「えー」や繰り返された「し-」を落とし、間の印は付けず、重なりは1人の発言のあとに次の発言が続く形で表示します。逐語が必要なら、修正の段階でそれらの特徴を手で加える前提で計画してください。

2件目のインタビューの前に、表記ルールを書き出す

細かさの水準を決めたら、表記ルールを固め、作業中に手元に置ける短い文書にまとめます。あとで変えると、すでに終えた録音をすべてやり直すことになり、それは気づかぬうちに2週間を食いつぶす種類の作業です。

前もって決めておく価値があるのは、次のことです。

• フィラーや言いかけを残すか、整えるか、意味がありそうなときだけ残すか。最後の選択肢は、インタビューごとにばらつきが出やすい方法です。
• 間をどう表すか。短い間と長い間を区別するかどうか。
• 重なった発言をどう示すか。どちらが先に話したか分からないときはどうするか。
• 聞き取れない箇所をどう示すか。理由を書き添えるかどうか。
• 話者をどう呼ぶか。そのラベルが匿名化の方式とどう関係するか。
• タイムスタンプをどこに入れるか。一定間隔か、話者が替わるたびか、引用しそうな箇所だけか。

タイムスタンプは、それだけで取り上げる価値があります。論文の引用が録音のどの位置にあたるかをたどれるようになり、データにアクセスできる人、たとえば審査員が、主張を検証できるようになります。作業しながら入れていくなら、ほとんど手間はかかりません。完成した文字起こしにあとから入れると、ストップウォッチ片手で録音全体を聞き直すことになります。どのツールを使うにしても、最初の段階で入れておいてください。

コピーして使える表記ルールのテンプレート

右の列を埋め、方法論の付録に入れておき、文字起こしや修正を手伝う人に渡してください。ここに挙げた記号はよく選ばれるもので、規則ではありません。どれを変えてもかまいませんが、変更は必ず書き残してください。

同じテンプレートを、メモ用のテキスト形式で示します。

表記ルール: [プロジェクト名]          版: [日付]
細かさの水準:    逐語 | 整文 | クリーン
話者:            I = インタビュアー、P1、P2 ... = 参加者
フィラー:        残す | 削除 | 意味があるときだけ残す
言いかけ:        残す、ハイフンで示す(し- 知らなかった)
間:              (.) 2秒未満、(3.0) = 秒数
重なり:          重なる発言の始めに [、終わりに ]
聞き取れない:    [聴取不能 hh:mm:ss]
不確か:          [語?]
非言語:          [笑う] [ため息] [ドアが閉まる]
強調:            示さない | 大文字
タイムスタンプ:  話者が替わるたび | 2分ごと | 引用のみ
匿名化:          文字起こしの段階で。対応表は別の場所 [保管場所] に保管
ほかの言語:      原文、そのあとに{訳}
音声との照合:    [氏名]、[日付]

同意書と倫理審査の承認が、音声の行き先を決める

同意書は、研究が始まる前に済ませた書類仕事ではありません。録音に対して今後何をしてよいかについての条件のまとまりで、たいていは3つの事柄に及びます。録音がどう保管されるか、誰が聞いてよいか、いつ破棄されるかです。

音声を第三者の文字起こしサービスに送ることは、開示にあたります。プロジェクトの外にいる誰か、または何かが、参加者の声のコピーを持つことになるからです。それは参加者が同意した内容と両立していなければなりません。同意書がそれを想定していて、明らかに問題ない場合もあります。研究チームだけが録音を聞くと参加者に伝えていて、明らかに問題がある場合もあります。多くの場合、同意書の文面はあいまいで、そのあいまいさは、アップロードの前に、指導教員や倫理委員会と解消しておく価値があります。

倫理審査の承認は、さらに踏み込んで、録音をどの種類の端末や機関のシステムに、どのくらいの期間保管してよいかまで定めていることがよくあります。文字起こしはその条件を引き継ぎます。そこから派生するもの、つまりコーディングしたファイル、引用の抜粋、執筆中に箇所を貼り付ける作業用文書も同じです。それらはすべてデータとして扱われ、承認された保管の取り決めの範囲内に収めなければなりません。分析に深く入り込み、ノートパソコンとクラウドドライブと自分宛てのメールにコピーが増えていくと、この点を見失いがちです。

実際には、品質や価格を比べるより前に、ツールの選択肢が絞られます。自分の端末の上でファイルを処理するツールと、アップロードするツールとでは、意味が違います。事業者が、どの会社が音声を受け取るのかをはっきり答えられないなら、それを答えとして受け取ってください。

倫理委員会が文字起こしサービスについて尋ねること

委員会によって違いはありますが、質問は繰り返し出てきます。事業者はパートナーを変えるので、答えは確認した日付とともに申請書に書いてください。

1. 音声はどこに、どの国に保管されますか?
2. ほかのどの会社が音声を受け取り、何を受け取りますか?文字起こしツールは、他社の音声認識の窓口にすぎないことがよくあります。サブプロセッサーの一覧を求めてください。
3. データはモデルの学習に使われますか?事業者と各パートナーについて、別々に尋ねてください。1つの答えで両方を言い尽くせることはまれです。
4. ファイルを削除すると何が消えますか?それより長く残るバックアップはありますか?
5. 誰がサインインできますか?監査報告書、データ処理契約、機関のサインインはありますか?

完全な答えがどういうものか分かるよう、2026年10月25日時点のSozAIの答えを示します。

• 録音と文字起こしは、自社サーバーに保存されます。通信はすべてHTTPSです。
• 音声認識は米国のAssemblyAIが行い、音声を受け取ります。録音について要約、ノート、クイズ、質問を使うと、文字起こしのテキストがOpenRouterを経由してモデル提供元(Anthropic、Google、xAI。予備としてDeepSeek)に送られます。YouTubeのリンクはGoogle Gemini APIに送られますが、ご自身の音声は送られません。Cloudflareは通信を運び、暗号化したデータベースのバックアップを保管します。全体の一覧はサブプロセッサーのページにあります。
• 録音を販売することはなく、自社のコードが録音をモデルの学習に使うこともありません。ただし、上記のパートナーに代わってその約束をすることはできません。パートナー自身の規約が適用されます。
• 録音やアカウント全体は、アプリでもWebでも、ご自身で削除できます。削除すると、音声、文字起こし、ノート、フラッシュカード、クイズが当社のサーバーから消えます。暗号化したデータベースのバックアップは最長12か月保管されます。SozAIで削除しても、音声認識パートナーが保持しているコピーは削除されません。
• サインインはGoogle、Apple、または一度きりのメールコードです。SOC 2のレポートも、シングルサインオンも、チームの管理者ロールもありません。また、SozAIはHIPAAに準拠していません。詳しくはSozAIのセキュリティをご覧ください。

承認に「録音を機関のシステムの外に出してはならない」とある場合、このページで挙げたクラウドのツールはどれも、当社のものも含め、条件を満たしません。所属大学が契約しているサービスを使うか、オフラインで文字起こししてください。

匿名化は文字起こしの上で行う

録音はそのままです。声はテキストの編集では匿名化できませんし、そもそも一次データに手を加えるべきではありません。匿名化は、文字起こしに対して行うものです。

つまり、人名、地名、勤務先の名前、1人を特定できる役職、その場を知る人なら誰かが分かってしまう細かな状況を、置き換えることです。一貫して行ってください。同僚があるインタビューで[同僚A]なら、その人が出てくるすべての箇所で[同僚A]とし、データ全体で同じ規則を使います。仮名化に一貫性がないのは、行わないよりも悪いです。匿名化されているように見えて、注意深く読む人なら特定できてしまうからです。

実際の身元と置き換え語の対応表を残すなら、文字起こしとは別の場所に、承認が定める保管条件のもとで保管してください。なぜ保管するのか、いつ破棄するのかを、自分の中ではっきりさせておきましょう。参加者に再度連絡したり、複数の調査時点のインタビューを結び付けたりするために、持っておくべき理由があるプロジェクトもあります。そうでないプロジェクトでは、いちばん安全な対応表は、存在しない対応表です。意図して決めることが肝心です。

急いで行うことには、1つ注意があります。検索と置換では、分かりやすい名前は見つかっても、それ以外は見逃します。2回だけ使われたあだ名、綴りの誤り、市内で一か所にしか当てはまらない建物の描写などです。匿名化の作業には、文書全体を人の目で確認する工程が必要です。

自動ツールについて実際的な点を1つ。ツールに入力した話者の名前は、文字起こしとともに保存されます。あとで名前を付け替えるのではなく、最初からP1、P2のようにラベルを付けてください。

フォーカスグループ:6人から10人の話者

フォーカスグループは、文字起こしする録音の中でもっとも難しいものです。自動の話者分離は、似た響きの声をまとめることで機能しますが、テーブルを囲む8人では、予想できる場所で破綻します。声の似た2人の参加者が1人の話者になったり、「うん」や「はい」しか言わない人に専用のラベルが付かなかったり、同時に飛び交った発言が、いちばん声の大きい人のものとされたりします。

SozAIでは、部屋に何人いたかをシステムに伝えることはできません。音声から判断します。フォーカスグループでは毎回、話者ラベルを手で直すことになる前提で、時間を見込んでください。1時間・8人のグループなら、主に短い発言の修正で、実際に午後1回分の作業になります。

効果の大きい順に、役立つことを挙げます。

• 最初に、各自が参加者番号と一文を言う一巡を入れる。どの声も、分かっている時点のサンプルとして得られるので、ラベルと人物を対応させられます。
• 誰の発言か不明なときは、司会が名前を呼ぶ(「ありがとうございます、P4さん」)。最初の発言の順を書いた座席表も用意する。
• スマートフォンを司会の側に置くのではなく、よいマイクを1本、テーブルの中央に置く。誤りの最大の原因は、距離です。
• テーブルの反対側にもう1台レコーダーを置く。片方のファイルが不明瞭でも、もう片方は聞き取れることがよくあります。

誰が何を言ったかが速いやりとりの中で分析の鍵になる場合(たとえば集団力学の会話分析)、自動の下書きで節約できる時間は、1対1のインタビューより少なくなります。そこでは、フォーカスグループを専門とする人手のサービスが、その価格に見合うかもしれません。

自動文字起こしが実際に役立つ場面

自動文字起こしが作るのは、最初の下書きです。それは確かな節約です。原則として断ってしまうと、方法論上の利点がないまま、何時間分もの発話を手で打ち込むことになるのがほとんどです。ただし、完成した文字起こしは出てきません。

インタビューデータでは、音声と照らして直す作業は、最後にあるおまけの整理ではなく、方法の一部です。下書きを手元に置いて通して聞き、間違いを直し、表記ルールで必要なのに機械が落としたものを戻し、タイムスタンプを入れるか確認し、匿名化を適用します。読むよりは遅く、打つよりは速い作業です。そして、素材に慣れ親しむのもここです。これは副次的な利点ではありません。自分でインタビューを文字起こしする研究者は、分析に入る時点で中身をすでに知っています。修正の作業は、その親しみのかなりの部分を取り戻してくれます。

iPhone、Android、Mac向けのSozAIアプリ、またはWeb版では、録音したインタビューが話者ラベルつきで返り、すべての箇所にタイムコードが付きます。箇所をタップするとその行から音声が再生されるので、修正作業に必要なことのほとんどがこれで足ります。テキストの修正はiPhoneとAndroidのアプリでできます。WebとMacでは表示はされますが、まだ編集はできません。インタビューの文字起こし全般についてはインタビューの文字起こしをご覧ください。これは数ある選択肢の1つです。品質より先に、倫理審査委員会が尋ねる保管と同意についての問いで、候補を絞ってください。

AIと人手の学術文字起こし:費用、納期、精度

「学術文字起こし」で上位に出るページのほとんどは人手のサービスです。そこで、彼らが載せない比較を示します。価格は、各事業者が2026年10月25日に公開していたものです。

典型的な調査で計算してみましょう。1時間のインタビューが20件、音声は1,200分です。上の価格なら、Revで$2,388、Dittoで$2,100、TranscribeMeで$948からです。SozAIの購読なら、全部が時間の枠にゆうゆうと収まり、下書きは同じ日の午後に戻ってきます。

精度の数字は比べられません。その理由を知っておく価値があります。人手のサービスは、自社の条件のうえで保証を示しています。当社のものは、公開された方法による測定です。静かな部屋で読み上げた200の短い文を、公開データセットFLEURSから使いました。インタビューはそれより難しく、言語によってはずっと難しくなります(同じテストで、アラビア語は19.6%、カザフ語は50%でした)。だから実際の取引はこうなります。自動文字起こしは費用がはるかに安く、ほぼ瞬時に終わる代わりに、修正の作業は自分で行う。人手のサービスは、その作業の大部分を代わりに行う分の料金を請求しますが、それでも引用は自分で確認します。

人手の文字起こしのほうが買う価値のある場合は、間の長さまで記録する逐語の表記ルール、音質が悪い録音、誰が話したかが要になるフォーカスグループ、あるいは、自分の時間が不足していて、費用を出してくれる助成元がある場合です。

質的研究向けの文字起こしソフト

現実的な選択肢を6つ、それぞれの得意なことと合わせて挙げます。内容は、各事業者が2026年10月25日に公開していたものです。

選べるなら、私たちのおすすめは次のとおりです。すでにMAXQDAやNVivoのライセンスを持っていて、インタビューが対応言語なら、内蔵の文字起こしを使ってください。文字起こしは音声に結び付いた状態でプロジェクトに届き、インポートの手順を丸ごと省けます。インタビューがそれらの対応言語の外にある場合、現地でスマートフォンで録音した場合、あるいは文字起こしと一緒に要約や翻訳がほしい場合は、SozAIが向いています。インポートは1段階で済みます。倫理審査の承認が第三者によるAI処理を認めないなら、守秘条件に署名してくれる人手のサービスに支払うか、自分で文字起こししてください。

NVivo、ATLAS.ti、MAXQDAに文字起こしを取り込む

SozAIはWord(DOCX)ファイルをエクスポートしません。以下はすべて、実際にエクスポートできるTXT、SRT、VTT、JSON(PDFもありますが、文字起こしにPDFを求める分析パッケージはありません)で行えます。スマートフォンとMacのアプリはこれらすべてをエクスポートでき、Web版はTXT、SRT、VTTをエクスポートします。エクスポートの前に、話者をP1、P2などに名前変更してください。これらの名前は、VTT、JSON、アプリのTXTに書き込まれます。SRTには話者名が含まれないので、研究では使わないでください。

ATLAS.ti

先に音声ファイルをプロジェクトに追加し、それに文字起こしを取り込みます。ATLAS.tiのマニュアルには、対応する文字起こし形式としてVTT、SRT、TXT、DOCX、RTFが挙げられており、話者情報を含むVTTファイルでは話者を検出してコード化するとあります。そのため、SozAIからはVTTをエクスポートしてください。音声と同期したテキストと話者コードが、1回の手順で得られます。(ATLAS.tiのマニュアル、2026年10月25日確認。)

MAXQDA

MAXQDAは、「インポート」「文字起こし」からタイムスタンプ付きの文字起こしを取り込み、読み込める形式として、SRTの字幕、WordやRTFのファイルと並んでVTTを挙げています。VTTを選び、尋ねられたら対応する音声ファイルを指定してください。SRTも取り込めますが、MAXQDAのユーザーからは、字幕1行が1段落になる断片的なレイアウトになり、話者も失われると報告されています。(MAXQDAヘルプ、2026年10月25日確認。)

NVivo

Windows版のNVivo 14は、カンマ区切りまたはタブ区切りの表の形に整えたプレーンテキストファイル、あるいはWordかRTFから、音声に結び付いた文字起こしを取り込みます。(NVivoヘルプ、2026年10月25日確認。)SozAIのファイルはその形になっていないので、経路は2つあります。

• 手早い方法:web.sozai.appから、タイムコードと話者をオンにしてTXTをエクスポートします。各段落は「[04:12] P3: 発言」の形で読めます。それを通常の文書としてNVivoに取り込みます。すぐにコード化できますが、音声とは同期しません。
• 同期する方法:アプリからJSONをエクスポートします。各セグメントには、秒単位の開始・終了時刻、テキスト、話者名が入っています。表計算ソフトで開くか(または数行のスクリプトを書ける同僚に頼んで)、時間範囲、話者、テキストの3列を作ります。タブ区切りのテキストとして保存し、文字起こしとして取り込み、NVivoに尋ねられたら列を対応させます。

どちらの経路を選ぶにしても、可能なら取り込む前に修正の作業を済ませてください。スマートフォンのアプリで行った修正は文字起こしとともにその後のすべてのエクスポートに反映されますが、分析パッケージの中で行った編集は、その中にしか残りません。

最初の下書きにできないこと

下書きは、インタビューがもっとも難しい箇所で、もっとも弱くなると考えてください。クロストークは話者分離を混乱させ、2人が同時に話すと、1人が少し支離滅裂なことを言っているように出てくる傾向があります。強い訛り、声の小さい参加者、カフェや廊下の背景ノイズ、分野特有の語彙も、精度を下げます。話者ラベルはたいてい近いものの、境目、特に短い相づちのあたりでは信頼できません。

そして、韻律は得られません。自動の文字起こしは、間の長さを残すことも、参加者の声が変わった地点に印を付けることもありません。分析にそれが必要なら、機械の下書きは言葉の足場にすぎず、それに合わせて時間を見積もるべきです。同じコーパスで内容に関する問いを扱う同僚は、ずっと短い時間で終えますが、それは慎重さが足りないからではありません。その人の文字起こしは、別の問いに答えているからです。

言語が切り替わるインタビューは、特別な場合です。SozAIを含む自動ツールは、通常、1つの録音につき1つの言語を検出するので、2つ目の言語の部分は最も出来が悪くなります。表記ルールで印を付けて、最初に確認してください。

計算上の見積もりより多めに時間を見込んでください。修正の作業は、通常の速さで音声を1回通すだけではありません。止めて、巻き戻し、聞き取れない6秒を何度も聞き直します。インタビューの全件にこれを行うのはかなりの作業で、そうなるのが普通です。プロジェクト全体で各部分がどうつながるか感覚をつかみたいなら、1組の録音をファイルから引用できる文字起こしまで追った、論文の研究者のワークフローの解説があります。研究グループや学科向けにご購入を検討されている場合は、TeamプランとEducationプランについて[email protected]までご連絡ください。請求書をお送りします。

最後に覚えておいてほしいのは、文字起こしは表現にすぎず、選んだ表記ルールの一つひとつは、何を残し何を失うかについての決定だということです。それらの決定を、方法論の章に書いてください。文字起こしがなぜそのような見た目なのかを知っている審査員は、それを熟慮の結果として読みます。知らない審査員は、首をかしげるでしょう。