長時間の録音を文字起こしする方法：分割後も話者と時刻を保つ
長いインタビューを分割すると、次のファイルで話者1が話者2に変わり、境界の同じ文が二回現れ、各区間の時刻もゼロに戻ります。文字が読めても、統合した記録の信頼性は下がります。
音声認識と文字起こしの統合を分ける
原録音、ツール設定、未修正出力、分割一覧、校正稿を保管します。ツールが全体を安定して処理できるなら、不要な分割で境界や話者の問題を増やさないようにします。
分割前に元ファイルの開始位置を記録する
選んだ道具や処理が重なり付きの区間を必要とする、架空の録音例です。
| 区間 | 元ファイル範囲、秒 | 区間内時刻の起点 | 確認点 |
|---|---|---|---|
| A | 0–600 | 区間0＝元0 | 最初の話者参照 |
| B | 590–1190 | 区間0＝元590 | Aと10秒重複 |
| C | 1180–1500 | 区間0＝元1180 | Bと10秒重複 |
長さは説明用であり、モデル上限や万能の設定ではありません。可能なら無音近くで切ります。重なりは境界確認を助けても、単語や話者の安定認識を保証しません。
処理系が対応するなら整数ミリ秒で保存します。Bの区間内12–15秒は元ファイル602–605秒です。これは起点の加算であり、新しい発音時刻の推定ではありません。
根拠を付けて話者ラベルを対応させる
speaker_0がすべてG1とは考えません。区間ごとに独立した番号の可能性があります。| 観察 | 判定 | 保存する根拠 |
|---|---|---|
| A:speaker_0が司会の導入を話し、音声で本人を確認 | G1へ対応 | 元位置と確認記録 |
| B:speaker_1がG1の確認済み重複発言に対応 | 回聴後G1へ対応 | 重複範囲と声の確認 |
| C:speaker_0に有効な重複がなく候補が複数 | 未対応のまま | 必要な参照音声を列挙 |
unresolved_C_speaker_0を保ち、名前を補いません。二人が同時に話す区間を一人に押し込めず、不確かな区間と認識ツールの元の分割を確認します。
本当に繰り返した発言を消さずに統合する
重複音声が異なる文字として認識される場合は、元ファイル上の区間を比べて回聴し、一つの採用稿を決めます。二つの元記録は監査用に保管します。
別時刻の同じ文は実際の繰り返しかもしれません。文字の類似だけで消さず、同じ音声範囲を指す根拠も必要です。
統合記録の参考形式です。
次の架空の記録で統合結果を確かめます。単位は秒、A・B・Cの元音声内の開始位置は0・590・1180です。B:speaker_1をG1とする根拠は594–598秒の重複区間の聞き比べであり、後のB-04ではありません。
| 元の記録 | 区間内時刻 | 元音声の全体時刻 | 話者と発言 |
|---|---|---|---|
| A-19 | 594–598 | 594–598 | A:speaker_0 → G1。「取り込む前に日付欄を確認します」 |
| B-02 | 4–8 | 594–598 | B:speaker_1 → G1。同じ発言、同じ音声区間 |
| B-04 | 12–15 | 602–605 | B:speaker_1 → G1。後で同じ文をもう一度発言 |
| C-03 | 6–9 | 1186–1189 | C:speaker_0。「この版は誰が承認しますか」。人物は未確認 |
unresolved_C_speaker_0で残します。結果は二つではなく三つの元音声区間です。同じ発言を二重に表す一件だけを除きます。{
"segment_id": "B-04",
"source_start_ms": 602000,
"source_end_ms": 605000,
"raw_speaker": "B:speaker_1",
"global_speaker": "G1",
"speaker_basis": "reviewed overlap reference A-19",
"text": "Check the date field before importing.",
"review_status": "accepted"
}speaker_basisは確認記録へ結び、確認前に採用済み状態をコピーしません。AIに統合案と境界の確認点を出させる
長時間音声の文字起こし記録を整理してください。
区間一覧で局所時刻を元ファイルの全体時刻へ変換します。
提供された承認済み話者対応だけを使い、実名は推測しません。
区間ラベル、元ID、原文、全体話者を別々に保ちます。
同じ元区間を覆う場合、両IDと理由を付けて重複候補を提案します。
異なる時刻の似た発言は削除しません。
不確かな話者や同時発話は未解決とします。
統合案、話者の質問、重複の矛盾、回聴する区間を返します。
聞いていない語や時刻を作らないでください。
入力：区間一覧、認識記録、承認済み対応、参照資料。この文字整理にはEvoLinkモデルページのAgent/API手順を使えます。大きな案件では隣接区間と固定の話者対応を送り、すべての境界を確認します。全体の要約だけでは文字起こしの代わりになりません。
抜けと重複を確認して引き渡す
元ファイルの範囲一覧と納品区間を比較します。無音の隙間は正常でも、既知の発言が欠ける区間は回聴が必要です。各区間の始終、話者交代、同時発話、数字、曖昧な名前を調べます。
| 不具合 | 次の作業 |
|---|---|
| 分割後に全体話者が変わる | 区間→全体の対応を録音で確認 |
| 同じ元位置に同じ文が二つ | 重複候補を調べ一つを採用 |
| 別位置の繰り返しが消えた | 本当の重複の証拠がなければ復元 |
| Bの時刻が統合後もゼロ開始 | 記録済み区間起点を足す |
| 名前は自然だが未確認 | 匿名IDと未解決項目を維持 |
よくある質問
話者分離で名前も分かりますか？
発話の交代やラベルを分ける機能です。実名には別の確認根拠が必要です。
長い録音は必ず分割しますか？
道具の上限と実際の品質で決めます。不要な分割は統合作業を増やします。
各区間の同じ番号を全体で使えますか？
対応確認後だけです。初期状態では区間内ラベルとして扱います。
同じ文章は自動で削除できますか？
元音声範囲も確認します。人は別時刻に同じ言葉を繰り返すことがあります。
同時発話が不明瞭なら？
未解決区間として残し、回聴します。一人の話者に決め付けません。
統合稿に何を残しますか？
元ファイル、ID、全体時刻、元ラベル、採用した話者対応、本文、未解決事項です。
参考資料
- Amazon Transcribe話者分離：上流の音声処理。
- EvoLink Gemini 4：文字整理の経路。2026年10月16日確認。
