要点
録音した通話を文字にする前に、まず録音が通話当事者のいた場所で合法だったかを確認してください。全員の同意が必要か、一人の同意で足りるかは地域によって異なり、この問題は録音ボタンを押す前に決着しているはずのものです。それを済ませたら、あとは技術的な問題です。電話の音声は狭帯域で、コーデックが文字起こしに必要な情報を削ってしまいますし、多くの録音は両者の声を1つのチャンネルにまとめてしまうため、誰が話したかの判定も不安定になります。数字、表記、住所は特に間違いやすい部分です。テキストをそのまま信じるのではなく、音声と照らし合わせて確認してください。
手元にファイルがある。そこに映っている誰かが、大事なことを言った――金額、日付、名前、約束事――そして、あとで指し示せるようにテキストにしたい。ファイルをテキストに変換すること自体は簡単な作業です。信頼できる結果になるかどうかを決める2つのことは、ファイルを開く前にすでに起きています。録音が許されていたかどうか、そして音声がどう記録されたかです。
まず法律面の話から。これは技術とは関係のない話で、どれだけ丁寧に文字起こしをしても、そもそも録ってはいけなかった録音を救うことはできません。
録音が合法だったかどうかが最優先
電話を録音してよいかどうかは、通話当事者がどこにいたかによって決まります。この点は地域によって異なります。一部の地域では通話に参加した全員の同意が必要です。別の地域では参加者の一人の同意だけで足り、それは録音している本人の同意でも構いません。これらはまったく異なる規則であり、どちらが自分に当てはまるかは音声を聞いてもわかりません。
これは法律の問題であり、技術の問題ではありません。この点は見た目以上に重要です。というのも、答えは録音した瞬間に確定しているからです。その後に何をしても変わりません。文字起こしをしても変わりません。ファイルの一部を削除しても変わりません。あとで相手に同意してもらっても、最初の録音の性質がさかのぼって変わるわけではありません。
通話の当事者が別々の場所にいた場合、複数の規則が同時にかかわってくる可能性があり、そういう場面こそ、読んだ記事から推測するのではなく、自分のいる場所の法律を実際に知っている人に確認する価値があります。短い会話で済むことですし、録音を土台に何かを構築する前に済ませておくべきことです。
だからといって、すでに手元にある録音を諦める必要があるわけではありません。多くの通話録音は全員の了解のもとで作られていますし、参加者一人の同意で足りる地域で録られているものもあれば、通話に参加していた本人が自分の記録用に録っているものもあります。ただ、文字起こしを共有したり、引用したり、何かに添付したりする前に、この点をはっきりさせておいてください。文字起こしは音声ファイルよりもずっと広く、そしてずっと速く出回ります。
部屋での録音より電話の音声が難しい理由
電話の通話は狭帯域です。通話を運ぶコーデックは、ファイルに書き込まれる前に音の大部分を捨ててしまいます。人がリアルタイムで会話を追える程度の情報さえ残っていれば十分だからです。人間は文脈から欠けた部分を補うのが非常に得意です。文字起こしはそれが得意ではなく、似た音を区別するために使うはずだった細かな情報こそ、捨てられた部分にあたります。
同じ話者が同じ文章を話しても、テーブルに置いたレコーダーで録った場合と電話回線を通した場合とでは、文字起こしの精度が違ってくるのはこのためです。片方のソフトが優れているというような話ではありません。単純に、その情報が通話のファイルの中に存在しないのです。ノイズ除去でも、音量の正規化でも、別のツールに二度通しても、後から復元できるものはありません。コーデックを通り抜けて残ったものだけを相手にしているのです。
そこに実際の通話にありがちな条件が重なると、さらに情報は薄くなります。片方は歩きながら話している。片方は電波が悪く、音声が一文字分ずつ途切れる。誰かが誰かの発言に被せて話す。部屋での録音でも発言の重なりは扱いにくいものですが、圧縮された通話ではしばしば復元不可能で、しかも文字起こしは「うまく処理できなかった」と伝えてくれるのではなく、黙って片方の声を選び、もう片方を落としてしまいます。
スピーカーホンにして別の端末で録音する場合
通話をスピーカーにして、別の電話やハンディレコーダーで録音するのは、一見うまい対処法に思えます。実際には元の録音より状態が悪くなります。相手側の音声はすでに狭帯域まで圧縮されており、それを小さなスピーカーで再生し、壁に反射させ、部屋のエコーやその他の雑音とともに録り直すことになります。コーデックが生んだ損失をすべて引き継ぎ、その上に新たな損失を積み重ねる形になります。
端末やサービス側で通話を直接録音できるなら、それを使ってください。スピーカーホン経由の録音は最後の手段であり、それを何か正確さが求められる用途に使う前に、あくまで最後の手段だと知っておく価値があります。
チャンネルが1つか2つかで話者の区別が決まる
多くの通話録音は、両者の声を1つのチャンネルにまとめてしまいます。すべてが1つの音声の流れに収まり、2人を区別するための最も分かりやすい手がかり――どちら側の回線から来た音声か――が失われます。残っているのは声そのものの特徴、つまり音の高さ、話す速さ、音色です。これは似ていない2つの声には有効ですが、似た声同士だとうまくいきません。しかも狭帯域の音声ではさらに機能しにくくなります。2人を区別するはずだった声の特徴こそ、コーデックが真っ先に捨てる種類の情報だからです。
両者の音声が別々のチャンネルとして保存されている場合、話者の判定ははるかに信頼できるものになります。1つのチャンネルが1人に対応し、推測が入る余地がありません。使っている録音ツールに選択肢があるなら、この設定こそ見つける価値があります。しかも、それは通話の後ではなく前に見つけておくべきものです。
1つにまとめられた録音を扱う場合は、話者ラベルを正式な記録ではなく、有用な推測として読んでください。長く途切れない発言のあいだはだいたい合っていますが、話者が切り替わる瞬間、特に2人が発言を被せてくる瞬間は間違いやすくなります。文字起こしの目的が「誰が何に同意したか」であるなら、切り替わりの瞬間こそ正確さが必要な部分なので、そこは音声で確認してください。
ファイルからテキストを取り出す
通話の録音がいったん書き出されれば、それはもう「通話」ではなく、ただの音声ファイルになり、他の音声と同じように文字起こしできます。書き出しの手順は録音アプリ、電話システム、通信事業者ごとに異なり、たいていはその録音自体の共有ボタンや「…」のメニューの下にあります。まずファイルを取り出し、それから「電話の通話」としてではなく「音声」として考えるようにしてください。
そこから先は、テキストにしたい音声ファイル全般と同じ手順になります。SozAIはiOS、Android、macOSで動作し、99以上の言語に対応した話者ラベル、要約、翻訳付きで録音を文字起こしできます。アプリはこちらから入手できます。同じ方法はボイスメールの文字起こしにも使えます。ボイスメールも同じ理由で狭帯域であり、同じような振る舞いをします。これはいくつかある選択肢の1つにすぎず、どれを選ぶかより、入力する音声ファイルの品質のほうが重要です。
1件の通話ではなく、何か月分も溜まったフォルダ全体が対象なら、話は変わってきます。1つの文章を見つけるためにすべてを文字起こしするのは、たいてい筋違いな発想です。むしろ目指すべきは溜まった通話録音を検索できるようにすることであり、それをすべて読むことではありません。
証拠になる可能性がある録音の場合
「自分が何を話したか思い出すための録音」と「証拠として使う録音」とでは、求められる基準が異なります。個人的な記録用であれば、多少粗さのある文字起こしでも問題ありません。何が起きたかは自分がわかっていて、テキストは記憶の補助にすぎないからです。何か正式な用途であれば、元のファイルは編集せずに保存しておく必要があるのが普通です。
つまり、端末から出てきたままの状態でファイルを保存しておくということです。冒頭の無音部分を切らない。関係のない中盤を削らない。ファイルを小さくするために別の形式で書き出し直さない。音量を正規化して新しいファイルを作るツールにも通さない。どれをやっても派生物ができるだけで、重みを持つのは元のファイルです。作業はコピーで行い、原本には触れないでください。
その場合の文字起こしは、録音を置き換えるものではなく、録音に添える作業用の文書として位置づけられます。関係する30秒を見つける手助けにはなりますが、その30秒に実際に何が話されているかを示すのは録音そのものです。そもそも録音が証拠として採用されるかどうかは別の問題で、それは録音の合法性を尋ねた相手と同じ人に確認すべき事柄です。
手作業で直す必要が残る部分
通話のあとで人が最も必要とする部分は、数字、表記、住所です。参照番号、金額、姓のスペル、通りの名前などです。これらはまた、狭帯域の音声が最もダメージを受けやすい部分でもあります。文脈による補いがきかないからです。文章全体であれば前後の言葉から再構築できます。7桁の数字はそうはいきません。1桁でも間違っていれば、周囲の音声には何のサインもなく、文字起こしは他の部分と同じように、平然と自信ありげにその誤りを提示してきます。
そのため、通話の文字起こしに出てくる数字、名前、住所はすべて、そのまま使えるものではなく確認すべきものとして扱ってください。テキストの中でそれを見つけ、音声のその瞬間に飛んで、実際に聞いてみる。1項目あたり1分ほどの手間ですが、それが「使える文字起こし」と「一見それらしいだけの文字起こし」の差になります。間違っていたら困る度合いが大きいかどうか、それが確認すべきかどうかの判断基準です。
それ以外の部分については、期待値をそれに合わせて調整してください。電話の文字起こしは、内容の大筋――会話の流れ、何が提案され、何が受け入れられ、意見の対立がどんな雰囲気だったか――については、おおむね良い記録になります。一方で、細かな部分の正確さについては弱く、2人が同時に話していたり、接続が途切れたりした箇所ではさらに弱くなります。どこを信じてよいかを見極める力こそが、この作業の大部分を占めるスキルです。文字起こしは会話の速く検索できる版を与えてくれて、必要な瞬間の音声にすぐ戻れる道しるべにもなります。ただ、音声そのものの代わりにはなりませんし、狭帯域のファイルではそもそも最初から代わりになれるものではないのです。
