インタビュー音声の文字起こし

録音を、引用できるテキストへ

論文のための調査インタビューでも、記事のための取材でも、製品開発のためのユーザーインタビューでも、録音はテキストになって初めて使える資料になります――コード化し、引用し、検索できる形に。手作業での文字起こしには、音声1時間あたり4〜6時間かかります。このページでは、自分の録音の最初の5分を使って、自動文字起こしがどんな仕上がりになるかを、残りをアプリに預ける前に確認できます。

誰が何を話したか

インタビューは二人の声が交互に現れる録音であり、文字起こしもそれを反映します。発言のひとまとまりごとにSpeaker AまたはSpeaker Bのラベルとタイムスタンプが付き、聞き手の質問と話し手の答えが混ざりません。三人でのパネル形式でも同じ仕組みで処理されます。ラベルは全体を通して一貫しており――1分目のSpeaker Bは4分目でも同じSpeaker Bです――これが回答者ごとのコーディングを可能にしています。

プレビューの仕組み

ブラウザがファイルを読み込み、最初の5分だけを保持します。長い録音はブラウザ内でその場で切り出し、その部分を16kHzモノラルのWAVに再エンコードするため、残りは一切アップロードされません。切り出された音声は暗号化された通信で、SozAIアプリを支える文字起こしエンジン（AssemblyAI）へ送られます。言語は99言語の中から自動判定され、句読点が付与され、フィラー（言い淀み）は軽く整えられます――厳密な逐語録ではなく、読みやすい文字起こしです。テキストが返された時点で、提供元側の音声とテキストは削除されます。

対応形式と制限

• M4A、MP3、WAV、AAC、FLAC、OGG/OPUS、WEBMに対応。25MBまではそのまま送信でき、それより長い録音はまずブラウザ内で5分に切り詰められます（パソコンでは最大30MB、スマートフォンでは最大12MB）。
• 1台のデバイスにつき1日3回まで、アカウント登録は不要です。
• スピーカー越しに録音した電話も、カフェのテーブル越しのインタビューも文字起こしできますが、声が小さい方の話者ではミスが増えます。

同意と機密性

人を録音するにはほぼどこでも本人の同意が必要で、研究倫理審査委員会は通常、それを書面で求めます。文字起こしをすることでこの前提は変わりません。音声をどこで処理してよいかについてプロトコルに制約がある場合は、このプレビューがEUエンドポイントを設定していない限り米国拠点の提供元で処理されることに注意し、データ契約の対象となる音声についてはアプリのプロジェクト設定を使ってください。

インタビュー全体を文字起こしする

1時間のインタビューは、このプレビュー12回分に相当する音声量です。SozAIアプリなら一度の処理で全体を文字起こしし、話者ラベルを保ったまま、テーマの要約を作成し、すべてのインタビューを横断検索できるライブラリに保存します。ボイスメモ、ファイルアプリ、共有された録音からも取り込めます。最初の30分は無料です。