重要なポイント
文字起こしを始める前に、どこまで詳しく書き起こすかを決めておく。分析が「何を話したか」に関わるものなら、読みやすく整理された文字起こしで十分。「どう話したか」に関わるものなら、間や重なり、言い直しまで残す必要があり、自動文字起こしはまさにそうした部分を削ぎ落としてしまう。録音をどこかにアップロードする前に、同意書と倫理審査の承認が録音データの取り扱いについて何を定めているか確認する。匿名化は録音ではなく文字起こしの段階で行い、対応表は別に保管し、タイムスタンプを付けて引用箇所を後から追跡できるようにする。
統一された基準がないから誰も教えてくれない、というだけの話だ。基準は一つではなく複数あり、どれが自分に当てはまるかは、文字起こしをしたあとにそれをどう使うかで決まる。この判断は方法論の問題であり、ツール選びより先に済ませておくべきことだ。
順番を間違えると、その代償は小さくない。6件のインタビューをきれいに文字起こしして分析に入ったところで、参加者がどこで言葉に詰ま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る。だからこそ、最初に1時間かけてこの問いに向き合う価値がある。
一言も書き起こす前に、文字起こしの目的を決める
文字起こしにどこまでの詳細が必要かは、丁寧さや慎重さの問題ではなく、方法論上の判断だ。それは分析のアプローチから自然に決まってくる。
分析が関心を持つのが何が語られたかであれば、整理された文字起こしで問題ない。求められるのは、正確な言葉と、それを話した人物への正しい紐付けだ。フィラーや言い直し、短い間は、コーディングに一度も現れることがないのだから、削ってもデータを損なうことはない。テーマ分析や内容志向の研究の多くはここに当たり、整理された文字起こしのほうが作成も、読解も、コーディングも速い。
分析が関心を持つのがどのように語られたかであれば、話は逆になる。間、重なり、言い直し、二人が同時に話し出す瞬間、答えが出てくるまでの3秒間、文の途中での言い直し――これらこそがデータそのものだ。それら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しまったことになる。これは特に自動文字起こしにとって重要な点で、まさにこうした特徴をなめらかにしてしまうのが自動文字起こしの得意技だからだ。読みやすく流暢な文章になるが、それは、ためらいや重なりのある会話を不可逆的に簡略化した結果でもある。
「必要ないものは後で無視できるから」と、いちばん細かいレベルまで何でも書き起こしておこう、という誘惑もある。だが、たいていそれは間違った選択だ。詳細な文字起こしは時間がかかり、20件のインタビューでそれをやると、持っていないはずの数か月を費やすことになる。文字起こしも読みにくくなり、コーディングも遅くなる。相互作用が自分の分析にとって重要かどうかまだ分からないなら、それは力任せで解決する問題ではなく、いま指導教員と話し合うべきことだ。どちらを選んでも、録音そのものは残る。実際のデータは録音であり、文字起こしはその一つの表現にすぎない。
2件目のインタビューの前に、表記のルールを書き出す
どこまで詳しく書くかを決めたら、表記のルールを固定し、作業中に手元に置いておける短い文書にまとめておく。あとからルールを変えるとなると、すでに終えたすべての録音をやり直すことになり、それは静かに2週間を食い尽くすような作業だ。
前もって決めておく価値があるのは次の点だ。
- フィラーや言い直しをそのまま残すか、整理するか、あるいは「意味がありそうなときだけ」残すか。ただしこの最後の選択は、インタビュー間で表記が一貫しなくなる可能性が最も高い。
- 間(ポーズ)をどう表記するか、また短い間と長い間を区別するかどうか。
- 重なって話す部分をどう示すか、どちらが先に話し始めたか分からない場合にどうするか。
- 聞き取れない箇所をどう示すか、その理由まで書き添えるかどうか。
- 話者にどうラベルを付けるか、それが匿名化の方式とどう対応するか。
- タイムスタンプをどこに入れるか――一定の間隔ごとか、話者が変わるごとか、引用しそうな箇所だけか。
タイムスタンプについては、一言添える価値がある。タイムスタンプがあれば、論文中の引用を録音内の該当箇所まで遡って確認できる。これによって、その主張は、データにアクセスできる人――審査員も含めて――が検証可能なものになる。作業しながら付けていけば、コストはほとんどかからない。完成した文字起こしにあとから付け加えるとなると、録音全体をストップウォッチ片手にもう一度聞き直すことになる。どのツールを使うにせよ、最初のパスでタイムスタンプを入れておくこと。
同意書と倫理審査の承認が、録音データの行き先を決める
同意書は、研究が始まる前に片付けた事務手続きではない。それは、いま録音データに対して何ができるかを定める条件の集合であり、通常は3つのことを扱っている。録音をどう保管するか、誰が聞くことを許されているか、いつ破棄するか、だ。
録音データを外部の文字起こしサービスに送ることは、開示行為にあたる。プロジェクトの外にいる誰か、あるいは何かが、参加者の声のコピーを持つことになる。それは参加者が同意した内容と整合していなければならない。同意書がそれをあらかじめ想定していて、明らかに問題ない場合もある。逆に、参加者には「研究チームだけが録音を聞く」と伝えていて、明らかに問題がある場合もある。同意書の内容が曖昧なことも多く、その曖昧さは、アップロードする前に指導教員や倫理審査委員会と一緒に解消しておく価値がある。あとからではなく。
倫理審査の承認は、さらに一歩進んで、録音をどこに保管するか、どの種類の端末や所属機関のシステムを使うか、どのくらいの期間保管するかまで指定していることが多い。文字起こしはその条件を引き継ぐ。そこから派生したもの――コーディング済みのファイル、引用の抜粋、下書き中に文章を貼り付けておく作業用文書――もすべて同様だ。これらはすべてデータとして扱われ、承認を受けた保管方法の枠内に置かれなければならない。分析に深く入り込んで、ノートパソコン、クラウドストレージ、自分宛のメールとコピーが増えていくうちに、この点は簡単に見失われてしまう。
実務的には、これによって、品質や価格を比較する前の段階で、ツールの選択肢が絞られることになる。ファイルを自分の端末上で処理するサービスと、ファイルをアップロードするサービスとでは条件が全く異なる。この点を検討するなら、思い込みではなく、そのツールがファイルやデータをどう扱っているかを実際に確認する価値がある。それが明記されていないなら、それ自体が一つの答えだと考えていい。
匿名化は文字起こしの段階で行う
録音そのものはそのままにしておく。テキストを編集することで声を匿名化することはできないし、そもそも一次データを改変しようとすべきではない。匿名化は、文字起こしに対して行うものだ。
具体的には、氏名、地名、勤務先の名称、個人を特定できる職名、そしてその状況を知る人が読めば誰だか分かってしまうような細かい状況の描写を置き換える作業になる。これは一貫して行う必要がある。ある同僚が1件目のインタビューで[同僚A]と表記されているなら、その人物が登場するあらゆる箇所で[同僚A]であるべきで、この規則はデータセット全体を通じて適用される。一貫性のない仮名化は、匿名化していない状態よりも悪い。見た目は匿名化されているのに、注意深く読めば誰か分かってしまうからだ。
実名と置き換え後の名前の対応表を保持する場合は、文字起こしとは別に保管し、承認を受けた保管条件のもとに置き、なぜそれを保持するのか、いつ破棄するのかを自分の中で明確にしておく。研究によっては、それを保持する十分な理由がある――参加者に再度連絡を取る必要がある場合や、複数回の調査にわたってインタビューを結び付ける必要がある場合などだ。そうでない研究では理由がなく、いちばん安全な対応表は、存在しない対応表だ。ここは意図的に決めることが重要になる。
急いでやる場合の注意点を一つ。検索と置換は分かりやすい名前は捉えるが、それ以外――2度だけ出てくる愛称、誤記、その街で一か所しか当てはまらない建物の描写――は取り落としてしまう。匿名化の作業には、文書全体に対する人間の目が必要だ。
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、あくまで初稿だ。これは確かな時間の節約になり、原則としてそれを拒否するのは、方法論的な見返りもなく数時間分の会話を手で入力し続けるだけのことになりがちだ。ただし、自動文字起こしが作るのは仕上がった文字起こしではない。
インタビューデータの場合、音声と照らし合わせて修正するパスは、最後の仕上げの手間ではなく、方法そのものの一部だ。下書きを見ながら通して聞き、間違いを直し、自分の表記ルールが求めているのに機械が落としてしまった部分を復元し、タイムスタンプを入れる、あるいは確認し、匿名化を施す。読むより遅く、手で打つより速い。この作業を通じて資料に馴染んでいくことにもなり、これは付随的な利点ではない。自分でインタビューを文字起こしする研究者は、分析に入るときにはすでに内容を把握しているものだが、修正パスはその馴染みの感覚をかなりの部分まで取り戻してくれる。
ファイルをサーバーに送らずに初稿を得たいなら、iOS、Android、macOS向けのSozAIアプリは、録音やファイルを話者ラベル付きで文字起こしできる。これはインタビューの文字起こしにおける機械的な作業部分を処理してくれるもので、本当に重要な修正パスは研究者自身の手に残る。これがインタビューの文字起こしに具体的にどう当てはまるかについてはインタビューの文字起こしについて詳しく解説したページも参照してほしい。これは複数ある選択肢のうちの一つであり、品質を比べる前に、前述の保管条件がまず候補を絞り込むべきものだ。
初稿がやってくれないこと
文字起こしがもっとも難しいインタビューほど、初稿の精度は低くなると考えておいたほうがいい。同時に話す部分は話者の分離を混乱させ、二人が同時に話すと、一人がやや意味不明なことを言っているような形で出力されがちだ。強いアクセント、声の小さい参加者、カフェや通路からの背景音、その分野特有の専門用語――これらはいずれも精度を下げる。話者ラベルはおおむね正確だが、境界部分、特に短い相づちの周辺では信頼性が落ちる。
また、プロソディ(話し方の抑揚やリズム)は得られない。どの自動文字起こしも、間の長さを保持したり、参加者の声のトーンが変わった瞬間を記録したりはしない。分析にそれが必要なら、機械による下書きは言葉だけを支える足場にすぎず、それを踏まえて時間を見積もる必要がある。同じ資料を使いながら内容志向の問いに取り組む同僚は、はるかに短い時間で終えるだろうが、それはその人が丁寧さを欠いているからではない。その人の文字起こしは、別の問いに答えているだけだ。
時間の見積もりも、単純な算数が示す以上に多めに取っておくべきだ。修正パスは、通常の速度で音声を一度通して聞くだけの作業ではない。止めて、巻き戻して、聞き取れない6秒間をもう一度聞き直す、その繰り返しだ。インタビューのセット全体でこれを行うのは相当な作業量になり、それが普通のことだと考えていい。プロジェクト全体を通してこれらの要素がどう組み合わさるのかを知りたいなら、ある論文執筆者のワークフローを追った事例があり、一つの録音セットがファイルから引用可能な文字起こしになるまでを追跡している。
最後に持っておくべき視点は、文字起こしは一つの表現であり、選んだ表記ルールのすべてが、何を残し何を失うかについての決定だということだ。それらの決定は方法論の章に書き込んでおく。なぜ自分の文字起こしがそのような見た目になっているのかを審査員が理解できれば、それは考え抜かれたものとして読まれる。理解できなければ、疑問を持たれてしまう。
