要点まとめ
数時間に及ぶ録音の文字起こしは、最初から最後まで通して読む人がいない文書になる。だから本当に目指すべきは、きれいな文書ではなく、検索できて音声のその場面にすぐ戻れる文書だ。均等な時間で区切るのではなく、話の内容やトピックごとに分ける。タイムスタンプは必ず残す。会場の状況が変わるにつれて文字起こしの精度もばらつくものと考えておく。そして、思わぬアップロード上限に引っかかる前に、動画から音声だけを取り出しておく。
文字起こしに関するアドバイスの多くは、通勤中に聞けるくらいの長さのファイルを前提にしている——20分、長くても40分程度だ。その程度なら、そのアドバイスで十分やっていける。ところが、丸一日分のカンファレンスの録音、1週間分の説教をひとつにまとめたファイル、誰も終わらせたくなかった長い面談の音声を前にすると、話は変わってくる。この長さになると、問題は単に「いつもの問題が大きくなったもの」ではない。まったく別の問題であり、通常のアドバイスはそのことに気づいていないことが多い。
とりあえず「全部の文字起こしを取る方法」を考えたくなるが、本当に考えるべきは「文字起こしができたあと、それをどう使うか」だ。誰も4万語の文書を頭から終わりまで読み通したりはしない。この長さのものに本当に必要なのは、完全さではなく、あとから自分の必要な場所に戻ってこられる力だ。
長い録音になると何が破綻するのか
短い録音は、自分の限界を隠してくれる。アップロード容量の上限、文字起こしを確認する手間、できあがった文書の分量——5分程度の録音では、どれもたいして問題にならない。同じ録音を5時間に伸ばすと、これらの限界が一度に表に出てくる。
- 短いファイルでは決して近づかないアップロード容量の上限
- 数分の音声ではなく数時間分の音声と文字起こしを照らし合わせる労力
- 本人を含め、誰も頭から終わりまで読み通せない長さの文書になってしまうこと
この境目は「何分から」という決まった数字ではない——録音そのもの、マイクの性能、そして内容についてどれだけ事前に把握しているかによって変わる。だが、方向性はどんな録音でも同じだ。ある長さを超えると、出力の精度と同じくらい、出力の「形」が重要になってくる。これは長い録音の文字起こしが不可能だという話ではない。目指すべきものが変わるという話だ。短い録音はきれいな文字起こしを目指す。長い録音は「使える」文字起こしを目指す——検索できて、意味のある単位に区切られていて、実際に必要になる部分に印がついていて、あとからまた見つけられる文字起こしだ。このサイズのファイルを処理するのにどれくらい時間がかかるか、午後の時間を丸ごと使う前に見積もっておきたいなら、文字起こし時間の計算ツールでおおよその目安がわかる。
タイムスタンプがあるかどうかで生死が分かれる
検索だけでは、言葉は見つかっても音声には戻れない。短い録音ならほとんど問題にならない——全体を数分でざっと読み流せるし、検索で見つからなくても耳で探せる。ところが8時間の録音になると、文中でフレーズを見つけたところで、それがプレーヤーのどこに対応するのかはほとんどわからない。文字起こしにタイムスタンプが付いていて、それが音声とずれなく対応していない限りは。
タイムスタンプがあることで、文字起こしは「読む文書」から「使う文書」に変わる。テキストを録音の代わりとしてではなく、録音への索引として扱えるようになる。文を見つけ、時刻をメモし、プレーヤーをその位置に飛ばし、文字だけでは伝わらない前後の文脈込みで音声を聞く——これができるようになる。タイムスタンプがなければ、長い文字起こしは検索できても戻ってこられない。そのフレーズがどこかにあることはわかっても、実際に発言された瞬間へ効率的に戻る手段がない。このサイズのファイルにおいて、これは小さな不便では済まない。時間を節約してくれる文字起こしと、問題を先送りするだけの文字起こしの違いを生む。
こうした作業——レポートやメモのため、あるいは自分の記憶のために、何時間分もの素材から特定の場面を何度も取り出す作業——を繰り返す予感があるなら、早いうちからその習慣をつけておく価値がある。長い録音の中から特定の場面を見つける方法についてのガイドは、まさにそうした作業のために書かれている。
分け方は「大きさ」ではなく「意味」で決める
長いファイルを扱いやすくする一番わかりやすい方法は、均等な長さに切り分けることだ——たとえば1時間ずつ、あるいはアップロードツールが好む分割数で。だが、これはやめたほうがいい。均等な分割は作るのは簡単だが、使うときにはほとんど役に立たない。3番目の区切りと4番目の区切りの境目は、実際に何が語られていたかとは何の関係もなく、時計がたまたまそこにあったというだけのことだからだ。
そうではなく、実際に切り替わった場所で分ける。
- その日が複数のセッションで構成されていたなら、講演ごとに
- ひとつのファイルにまとまったシリーズなら、説教ごとに
- 長い面談やパネルディスカッションなら、トピックや発言者ごとに
この区切りが、そのまま目次になる。あとで誰かに「3番目の講演では何が話されていたか」「シリーズの2番目の説教では」と聞かれたとき、その質問に対応する境目が欲しいはずだ。60分経ったという境目ではない。この分け方なら、数ヶ月後に別の疑問を持って録音に戻ってきても、区切りは意味を持ち続ける。文字起こしの前でも、出力の確認中でも、こうした区切りに印をつけるのに数分余分にかかったとしても、あとで急いで何かを探すときに一度でも役に立てば、それで十分に見合う。
何時間もかけるうちに精度はばらつく——修正もそれに合わせる
数時間に及ぶ録音が、最初から最後まで同じ状態を保っていることはまずない。誰かが途中でマイクを動かす。会場に人が増えれば、それに合わせて音響も変わる。話者がスライドを指すために向きを変えれば、その間の言葉は、一分前にマイクに向かって話していた言葉より薄く入ってくる。これは文字起こし自体の欠陥ではなく、録音そのものの事実であり、文字起こしもそれに応じて長さの中でムラができる——ある部分は精度が高く、別の部分は粗く、同じ段落の中でさえそうなることがある。このムラは驚くことではなく、想定しておくべきものだ。限られた確認時間をどこに使うべきかがわかる材料になる。録音全体を同じくらい信頼できる、あるいは同じくらい疑わしいものとして扱う必要はない。
すべてではなく、重要な部分を修正する
長い文字起こしを頭から通して読んで修正するのは、たいていその時間の使い方として正しくない。この長さの録音を実際に均等に確認することはほとんどない——ある箇所には力を入れて確認し、別の箇所には二度と目を通さない。だから、順番に正確さを確認する読み方はしない。実際に引用したり、根拠にしたり、判断の材料にする箇所を見つけて、その部分だけ音声と照らし合わせる。残りは、粗いけれど検索可能な記録として残しておく。文書全体を均一に正確にしたい人にとっては、これは居心地の悪いトレードオフだ。だが、すべての文を同じくらい確認する価値があると考えてしまうと、8時間の録音の修正作業に丸一日かかり、しかもその見返りのほとんどは実際には使わないことになる。
文字起こしより先に、ファイルそのものが問題になる
長い録音は、多くの人がつまずくまで気づかない限界にぶつかる。ファイルサイズだ。丸一日分のカンファレンスを収めた動画は大きなファイルになり、アップロードの経路にはたいてい上限があるが、それがどこにも明示されていないこともある。同じ録音を音声だけにする——映像を取り除く——と、ファイルはずっと小さくなり、動画版では絶対に通らなかった上限を、あっさりクリアできることが多い。
必要なのが言葉だけなら、アップロードする前に音声を抽出しておくべきだ。映像は失うが、どうせ誰もその録画を見返すつもりがないなら、それはたいてい何も失っていないことになる。そして、実際に受け付けてもらえるファイルが手に入る。この一手間だけで、きれいに文字起こしできる長い録音と、文字起こしとは無関係な理由でアップロードの途中で失敗する録音との差がついてしまうことがよくある。音声からテキストへの変換の仕組みは、まさにこれを前提に作られている——動画ではなく音声を渡せば、サイズの問題はたいてい自然と解決する。次に長いファイルを扱うときのために、話者ラベルや要約、文字起こしをまとめて使えるダウンロードページはiOS、Android、macOS向けに用意されている。
要約だけでは足りないこと
長い録音の要約は本当に役に立つし、文字起こしとは別の疑問に答えてくれる。要約はおおまかに何が起きたか——面白い部分はどこか、主な話の筋がどのように流れていたか——を教えてくれる。しかし、ある発言の正確な言い回しや、二つの出来事が実際にどの順番で語られたか、うろ覚えのフレーズが本当にそこにあるかどうかは教えてくれない。それを知るには、タイムスタンプが付いて区切られた文字起こしが必要であり、それを言い換えた説明では代わりにならない。
要約を地図、文字起こしを実際の土地として扱うといい。録音の内容に馴染みがなければ、まず要約を読む——時間をかける価値のある部分を教えてくれる。それから、その具体的な箇所について文字起こしに戻る。全部を読み通したり、要約がいずれ必要になるすべてを拾ってくれていると信じ込んだりするのではなく。実際には、たいてい拾いきれていない。要約の作り方が悪かったからではなく、8時間分の要約はどうしても語られた内容のごく一部にすぎず、あとで必要になるものが、まさに省かれた部分に含まれている可能性が十分にあるからだ。これは要約という手法への批判ではない——それが要約の役割であり、要約に文字起こしの仕事まで期待してしまうところから、たいていの物足りなさが生まれる。
