要点
長い動画を倍速で再生しても、再生時間の一部を節約できるだけで、検索できるようにはなりません。効果的なのは、そもそも「見るもの」として扱うのをやめることです。まず要約を読んで見る価値があるか判断し、次にタイムスタンプ付きの文字起こしで必要な箇所を探し、そこを引用したり根拠にしたりする前に音声で確認する。読むことは聞くことより速く、しかも自由に行き来できますが、聞くことにはそれができません。
誰かから3時間の録音データ――ポッドキャストや、カンファレンスの講演、講義など――が送られてきて、「この中に必要な情報がある」と言われたとします。3時間も見る時間はありません。おそらく90分も無いはずですが、それでも最初に思いつくのは倍速再生して何とかなることを期待する、というやり方でしょう。
その発想は理解できますが、実際には最も効果の薄い選択です。倍速再生でも実時間はかかりますし、結局は動画を検索できないという最初の問題がそのまま残ります。必要なのは再生速度を上げることではなく、コンテンツへのアプローチそのものを変えることです。
倍速再生では解決しない理由
倍速再生は動画が早く終わるので、時短になったように感じます。しかし、本当に重要な意味での時短にはなっていません。3時間の動画を倍速で見ても、90分間は一直線に流れる時間の中で、必要な箇所が来るのをただ待つことになります。価格について話している箇所や、競合の名前が出てくる瞬間まで、それより前の部分をすべて聞き通す必要があるのです。おおよそのタイミングが分かっていない限り、そこだけ先回りして見ることはできません。
さらに、倍速にするとまさに探している情報――人名や数字、専門用語――が聞き取りにくくなります。話し手が口頭で伝える際にゆっくり話したり繰り返したりする部分こそ、音声を圧縮すると聞き取りづらくなるものです。その動画を送られた理由が中に埋もれた特定の事実であるなら、倍速で聞き流すことでその一文を聞き逃す可能性が高まります。
「見るもの」ではなく「読むもの」として扱う
本当の解決策は、長い動画を動画として扱うのをやめることです。多くの人にとって、読むことは聞くことより速く、しかも聞くことには絶対にない特性があります。それは自由に行き来できるという点です。ページをざっと眺めたり、見出しに飛んだり、明らかに必要ない段落を飛ばしたり、2画面分上の内容に戻ったりしても、どこを読んでいたか失うことはありません。動画を再生している間は、これがどれも使えません。プレーヤーは設定した速度で前へ進むだけで、注意もそれに合わせて動かすしかないのです。
動画そのものを消費対象にしないと決めれば、次の順序は自然に決まります。まず要約を得て、次に文字起こしを得て、最後に重要な部分を確認する。それぞれ役割が異なり、最初のステップを飛ばして2番目に直接飛ぶと、たいてい節約できる労力より無駄になる労力のほうが大きくなります。
まず要約でそもそも見る価値があるか判断する
何か具体的なものを探しに行く前に、この動画に関わる価値があるかどうかを知る必要があります。それが要約の役割です。要約は、ある発言が正確にどこに出てくるか、逐語的に何が言われたかまでは教えてくれませんが、全体の輪郭――講演が実際に何についてのものか、気になっているトピックがそもそも出てきたか、それが2分程度の余談なのか後半全体を占めているのか――を教えてくれます。
このステップは省略されがちです。たいてい急いでいるので、文字起こしをキーワードで検索することに直接向かってしまうからです。しかし、文脈のないキーワード検索では、それらしく見える3つの候補が出てきて、どれが本当に探しているものか分からないということが起こります。すべてを確認するまでそれは判断できません。先に要約を読んでおけば、探し始める前に何を探すべきかが分かります。YouTube動画要約ツールは、まさにこの判断のために存在します。動画全体を見る代わりになるものではなく、見る価値があるか、さらに読み進める価値があるかを教えてくれるものです。
次に文字起こしで正確な箇所を見つける
動画が見る価値のあるものだと分かり、おおよそ何を探しているかも分かったら、要約は役目を終え、別のツールの出番になります。文字起こしが答えるのは別の問いです。「その内容が含まれているか」ではなく、「どこにあるか」です。ここでタイムスタンプ付きの文字起こしが力を発揮します。文字起こしの中の検索結果は単なるテキストの断片ではなく、動画内の位置情報でもあるのです。文を見つければ、その分だけ何分何秒かも分かります。
これは再生速度をどれだけ上げても得られないものです。速度は索引を作ってくれませんが、文字起こしは索引を作ります。SozAI Chrome拡張機能は、要約とタイムスタンプ付きの文字起こしを動画プレーヤーの横のパネルに表示し、その文字起こしを単語で絞り込むと、一致箇所すべてがハイライトされつつ、それぞれタイムスタンプに紐づいたままになります。つまり、内容の推測から録音内の正確な位置まで、別タブを開くこともプレーヤー内の再生位置を失うこともなく、一気に辿り着けるということです。
チャプターは同じものではない
制作者がチャプターを付けている場合、それを検索機能として使いたくなるかもしれません。しかし、それはできません。チャプターは制作者が意図した構成――ここが導入、ここがデモ、ここが質疑応答――を示すもので、それぞれのセクション内のどこに特定の詳細があるかは示していません。「ディスカッション」というラベルの付いた40分間のチャプターの中に、必要な一文がその40分間のどこにでも存在しうるということです。チャプターは絞り込みの出発点としては悪くありませんが、実際に一文を見つける作業の代わりにはならず、それを代わりだと思ってしまうと、問題を解決したのではなく、より小さな山に問題を移しただけになってしまいます。
引用や根拠にする前に確認する
該当箇所を素早く見つけることと、それを無条件に信頼することは別の話です。そして、これは答えらしきものを見つけた後、最も省略されがちなステップです。自動文字起こしが最も信頼できないのが、まさに探している可能性の高い情報――人名、専門用語、数字――です。文字起こしは数値をわずかに間違えて表示したり、似た響きの言葉と人名を取り違えたり、学習データにない用語を聞き間違えたりすることがあります。あるセクションの大意をつかむだけならそれは問題になりません。しかし、これから他の誰かに数字や引用を提示しようとしているなら、大いに問題になります。
その対策は、文字起こし全般を疑うことではなく、依拠する前にそのタイムスタンプの位置で音声と該当行を照らし合わせて確認することです。すでにタイムスタンプがあるので、この作業は速く済みます。もう一度その瞬間を探し直す必要はなく、直接その位置に飛んで10秒ほど聞き、文字起こしが正しいかを確認するだけです。その10秒が、報告書内の誤った数字や、メール内での誤った引用を防ぐためのコストのすべてです。長い録音の中でその正確な瞬間を見つける作業自体に苦労している場合は、長い録音の中で該当箇所を見つける方法で、そのステップをより詳しく説明しています。
このやり方で解決しないこと
この方法で動画自体が短くなるわけではないので、実際に何をトレードオフしているのかは正直に理解しておく必要があります。3時間の動画を5分で、中身のすべてを完全に理解した状態で終える、ということではありません。必要だった特定の情報を、すばやく、しかも確認できる形で手に入れ、自分にとって重要でない部分は飛ばしている、ということです。もし議論全体を本当に理解する必要があり、単に一つの事実の位置を知るだけでは足りないのであれば、このやり方は該当セクションに速く辿り着く助けにはなりますが、そこに実際に向き合って理解する作業の代わりにはなりません。
自動文字起こしも、すべての録音で同じ精度を発揮するわけではありません。話者の発言が重なる場合、モデルにとって聞き慣れないアクセント、音質の悪さ、専門用語の密度が高い場合は、いずれも誤りの発生率を高めます。だからこそ確認のステップは省略可能な選択肢ではなく必須なのです。そして要約は、その性質上、何かを省いています。それが速く読める理由であり、同時に、要約が判断のための道具であって引用のための道具ではない理由でもあります。
この手順をまとめると
個々のツールよりも、順序のほうが重要です。まず要約。そもそも取り組む価値があるか、おおよそどこを見ればいいかを教えてくれます。次に文字起こし。3時間のタイムラインを検索可能なものに変え、推測ではなくタイムスタンプを手渡してくれます。3番目に音声確認。引用したり、それを根拠に行動したりするつもりのある箇所については必ず行います。文字起こしは、話された内容の非常に良い草稿ではありますが、人名や数字については信頼できる最終的な出典ではないからです。この3つをこの順序で行えば、3時間の動画は丸一晩を諦めなければならないものではなくなります。10分間の読書と、本当に重要な一箇所を数分聞くことに変わるのです。自分の録音やファイルをこうした検索可能なテキストに変換するための文字起こしアプリは、ダウンロードページから入手できます。
