文字起こしのやり方：500時間以上の音声を書き起こして分かったこと

3か月かけて、ポッドキャストの取材から法廷での証言録取まで、あらゆる音声を書き起こしました。指は痛み、耳は鳴り、初心者がしうる失敗はひととおりやりました。

ただ、ひとつ言えることがあります。文字起こしは「聞こえたとおりに打つ」作業ではありません。技能です。正しいやり方をつかんだとき、速度は倍になり、精度は98%に届きました。

この記事は、始める前に誰かに教えてほしかったことをまとめたものです。実際に効いたことだけで、水増しはありません。

文字起こしとは何か、そしてなぜ重要か

文字起こしとは、話された言葉を文字にすることです。それだけです。音声や動画を聞いて、聞こえたとおりに打つ。Wikipediaによれば、言語学における転写とは、話し言葉を書き言葉の形で体系的に表すことを指します。

簡単そうに聞こえますよね。違います。始めたころは、再生して打つだけだと思っていました。間違いでした。人は速く話し、口ごもり、互いにかぶせて話します。背景の雑音は言葉を消します。

聞いたこともない用語を医師が使う医療系の講演も書き起こしました。「えー」も間も一つ残らず意味を持つ法廷の証言録取もやりました。種類ごとに、まったく違う構えが要ります。

需要はあらゆる場所にあります。研究者は調査のためにインタビューの記録が必要です。弁護士には証言の記録が要ります。制作者にはYouTubeの字幕が要ります。記者には取材からの引用が要ります。仕事は現実に存在します。

私がこの仕事を選んだ理由

柔軟に働ける仕事が必要で、文字起こしを始めました。午前2時にパジャマのままでもできる。通勤なし、肩越しに見てくる上司もなし。

報酬の幅は極端です。音声1時間あたり15ドルのプラットフォームもあれば、専門的な仕事なら60ドル以上のところもあります。きれいな音声1時間を2〜3時間で書き起こせるようになったころ、ようやく計算が合い始めました。

お金の話を別にすると、思いがけない収穫がありました。文字起こしは聞き上手にしてくれます。多くの人が取りこぼす細部に気づき、話し方の癖が見え、正確さに執着するようになります。その癖は他の仕事にも染み出します。

実際に必要な道具

機材の話をします。私はノートパソコンの内蔵キーボードと無料ソフトで始めました。大きな失敗でした。

まともなキーボードは効きます。ノートパソコンのキーボードでは1時間で手がつりました。ストロークの深いメカニカルキーボードに替えたところ、違いはすぐ出ました。速度が上がり、長時間でも手が痛まなくなりました。

イヤホンではなくヘッドホンを。安いイヤホンを3組つぶしてから、オーバーイヤーのヘッドホンに投資しました。音の微妙な差を実際に聞き分ける必要があります。何時間も聞き続ける用途に、イヤホンは足りません。

フットペダルは世界を変えます。これが最良の投資でした。USBのフットペダルなら、キーボードから手を離さずに再生を操作できます。再生、一時停止、巻き戻しを足で。導入した瞬間、効率が30%上がりました。

ソフトウェア：ひととおり試しました。Express Scribeは無料で動きます。Dragon NaturallySpeakingは有料ですが役に立ちます。ホットキーのある文字起こし用ソフトは、素のテキストエディタより圧倒的に速いです。

そして流れを変えたのがこれです。TranscribeNextを見つけました。実際に使える自動文字起こしです。詳しくは後ほど。

*TranscribeNextのアップロード画面。すっきりしていて分かりやすい*

私の手順：段階ごとのやり方

試行錯誤の末にたどり着いた、実際の流れです。

まず、打たずに全体を通して聞きます。ただ聞く。話者の感じをつかみ、問題のある箇所を控え、音質が落ちる位置に印をつけます。この下見が後で効きます。

作業環境を整える。画面を分割し、片側に再生、もう片側に文書。疑問点や不明瞭な箇所を書くメモも開いておきます。表記ルールはすぐ見える場所に置いています。

タイムスタンプから始める。作業しながら30〜60秒ごとに時刻を挿入します。後で戻るときや、依頼主から質問が来たとき、これが命綱になります。書式は統一してください。私は`[00:01:35]`の形にしています。

同時にではなく、区切って打つ。10〜15秒再生し、止め、聞いた内容を打つ。必要なら戻す。この繰り返しです。再生しながら打とうとすると誤りが増えます。脳は処理と入力を同時に、しかも高精度ではこなせません。

ショートカットを徹底的に使う。再生はフットペダルに任せ、加えて入力補完も使います。`int`は「interviewer」に、`res`は「respondent」に展開されます。この数秒が何時間分も積み上がります。

分からない箇所はその場で印をつける。聞き取れないときは`[INAUDIBLE - 0:15:23]`と打って先へ進みます。耳を休めてから戻ると分かることが多い。1語に5分かけると勢いが死にます。

複数回に分けて仕上げる。1回目はざっと全部を落とす。2回目は明らかな誤りを直し、空白を埋める。3回目は書式を整え、表記の揺れを確認する。1回目で完璧にしようとすると、かえって遅くなります。

手作業と自動化、実際のところ

両方やったうえで、はっきりした意見があります。

手作業は制御が効きます。細かなニュアンスを拾え、文脈を理解できます。法務、診療記録、100%の正確さが要るものには手作業が勝ちます。

ただし遅い。速くなってからでも、きれいな音声1時間を完璧に仕上げるのに3〜4時間かかりました。複数話者で込み入った音声なら、音声1時間あたり6〜7時間です。

自動ツールは恐ろしく良くなりました。私は何か月も抵抗していました。「精度が足りない」と自分に言い聞かせて。そしてポッドキャストの1回分でTranscribeNextを試しました。

AIは語の95%を当てました。話者も区別しました。専門用語の扱いも予想より上でした。手作業なら3時間超だったものを、30分の手直しで済ませられました。

*TranscribeNextは文字起こしと同時に話者を自動で識別します*

いまは併用しています。込み入っていない内容なら、まずTranscribeNextに通し、その出力を編集する。これで所要時間が60〜70%減り、精度は保てます。

医療、法務、学術のような専門内容は、いまも手作業です。誤りの代償が大きすぎます。ただしコンテンツ制作、インタビュー、一般的な業務用途では、自動文字起こしが働き方を変えました。

私がやらかした失敗の全部

キーボードショートカットを早く覚えなかった。メニューをクリックして何週間も無駄にしました。使うソフトのホットキーはすぐ覚えて、体に入れてください。

音声を等倍で追いかけようとした。無理です。相手がゆっくり話していても、打って処理する時間が要ります。私は80〜90%の速度で再生しています。

下見の再生を飛ばした。いきなり始めて、10分入ってから音質が最悪だったり訛りが強かったりすると気づく。下見は面倒を減らします。

休憩を取らなかった。文字起こしは他の作業とは違う疲れ方をします。耳が疲れ、集中が落ちます。いまは1時間ごとに10分休みます。例外なしです。

書式が揃っていなかった。初期の書き起こしはひどいものでした。数字を漢数字で書いたり算用数字で書いたり、話者ラベルもばらばら。表記ルールを作り、守ってください。

スペルチェックを鵜呑みにした。スペルチェックは専門用語を知りません。音が似た別の語を提案してきます。「genetic markers」が一度「genetic markets」になりました。必ず自分で読み直してください。

入力補完を使わなかった。同じ語句を何度も打つのは時間の浪費です。自分の分野でよく出る語にはショートカットを用意してください。

静かでない場所で作業した。自宅の生活音のせいで、音声の語を取りこぼしていました。いまはノイズキャンセリングのヘッドホンを使い、静かな場所で作業しています。

書き起こしの体裁を整える

書式は思っている以上に重要です。文字の壁は役に立ちません。整った体裁が、読みやすさと信頼を作ります。

話者ラベルは省略できません。誰かが話すたびに付けてください。インタビューでは「インタビュアー：」「回答者：」を使っています（英語圏の依頼なら Interviewer / Respondent）。複数人の討論では、分かるなら実名、分からなければ「話者1」「話者2」とします。

段落を分けると読みやすくなる。1人の発言が何ページも続かないように、話題の切れ目で改行します。1段落は3〜5文までを目安にしています。

タイムスタンプは用途次第。法務の記録では頻繁に必要です。コンテンツ用なら、大きな話題の変わり目だけで足りることもあります。依頼主に確認するか、目的から判断してください。

言いよどみの扱いは判断が要る。逐語の書き起こしなら「えー」「あの」もすべて残します。整えた書き起こしなら削ります。どちらを作るのかを、始める前に決めてください。

不明瞭な音声には注記を。私は問題に応じて`[inaudible]`（聞き取り不能）、`[crosstalk]`（発言の重なり）、`[background noise]`（背景雑音）、`[unclear]`（不明瞭）を使い分けます。後で確認できるよう時刻も入れます。

話者の特定は重要。名前が分かるなら書いてください。分からないなら、文書全体でラベルを統一してください。

私の標準的な体裁はこうです。

```

インタビュアー [00:00:15]：その日に何があったか説明していただけますか。

回答者 [00:00:18]：ええ、朝6時ごろに起きました。天気は[不明瞭]でしたが、行くことにしました。

インタビュアー [00:00:25]：到着したのは何時ですか。

```

すっきりしていて、統一されていて、参照しやすい。

種類ごとに求められるものが違う

文字起こしはどれも同じではありません。種類ごとに要件があります。

逐語の書き起こしはすべてを含みます。「えー」も、間も、言いかけて止めた箇所も。法務や学術ではしばしばこれが求められます。消耗しますが、正確な言い回しが問題になる場面では必要です。

整えた書き起こしは、意味を保ったままつなぎ言葉を削り、文法を直します。業務やコンテンツの仕事はたいていここです。速く、読みやすくなります。

再構成した書き起こしはさらに踏み込みます。文法を直し、繰り返しを削り、話の筋を整理する。文字起こしであると同時に編集です。ポッドキャスターや制作者に好まれますが、時間はかかります。

三種類とも相当量こなしました。逐語は最も時間がかかる一方で判断は少なくて済みます。再構成は打つのは速いものの、うまくやるには頭を使います。

医療の文字起こしには専門知識が要ります。薬剤名、術式、解剖学の用語。ここで専門家のふりはしません。私が受けていない訓練が必要な分野です。本気で取り組むなら、Association for Healthcare Documentation Integrity（AHDI）が認定を出しています。

法務の文字起こしは完璧な正確さを要求します。法廷速記官に資格制度があるのには理由があり、National Court Reporters Association（NCRA）が業界標準を定めています。法務の仕事をするなら、その責任を理解してください。誤りが裁判の帰趨に影響しえます。

インタビューの文字起こしが私の主戦場です。ポッドキャスト、調査インタビュー、グループインタビュー。目的は、考えと発言を正確に捉えることです。逐語の正確さと読みやすさの釣り合いを取ります。

実際に使ってもらえる書き起こしにする

フォルダに眠る書き起こしは誰の役にも立ちません。良い書き起こしは使われます。役に立つ条件を挙げます。

長いファイルには目次を。10ページを超えるなら、冒頭に簡単な目次を付けてください。主な話題と時刻の範囲だけ。5分で作れて、文書の探しやすさが段違いになります。

検索しやすい体裁に。読み手は特定の情報を素早く見つけたいのです。話者ラベルの統一が効きます。段落の切れ目も効きます。内容が許すなら、説明的な見出しも効きます。

意味の通るファイル名を。ファイルを失って学びました。「日付_案件名_種別」の形にしています。例：`2024-03-15_TechPodcast_Transcript.docx`。分かりやすく、並べ替えもできます。

複数の形式で渡す。編集用に.docx、確定版に.pdf、互換性のために.txt。こちらの手間はゼロで、依頼主には喜ばれます。

重要な発言には印を。インタビューを書き起こしていて特に重要なことが出てきたら、太字にするか注記を添えます。常に適切とは限りませんが、コンテンツの仕事では価値になります。

目指すのは使いやすさです。書き起こしは、相手の時間を節約するものであって、仕事を増やすものであってはなりません。

実際どれくらい時間がかかるのか

初心者は必ずこれを聞きます。そして答えに苛立ちます。場合によります。

きれいな音声で話者1人なら、3対1で処理できます。音声1時間あたり、書き起こしと校正で3時間。何か月も練習した現在の速度です。

複数話者で発言が重なるなら5対1、あるいはそれ以上。強い訛りや専門用語があれば、音声1時間ごとにもう1時間足してください。

始めたころは、簡単なファイルでも6対1でした。何もかもに時間がかかりました。速さは練習で付きますが、思っているより長くかかります。

これは料金設定に直結します。音声時間あたりで請求するなら、自分の実作業時間を知る必要があります。案件単位なら、引き受ける前に投入時間を把握してください。

正直な内訳はこうです。

あなたの速度は違うはずです。早い段階から時間を記録し、自分の数字を知ってください。

報酬の実態

報酬の水準はばらばらです。

RevやGoTranscriptのような入門プラットフォームは、音声1分あたり0.30〜0.60ドル。音声1時間で18〜36ドルです。その1時間を3時間で仕上げられるなら、実労働1時間あたり6〜12ドル。良くはありません。

直接の取引先はもっと払います。専門的な仕事で音声1分あたり1〜2ドルを得たことがあります。音声1時間で60〜120ドル。同じ3時間なら実労働1時間あたり20〜40ドルです。ずっと良い。

専門分野が最も高い。医療や法務は、しかるべき訓練を受ければ実作業1時間あたり25〜40ドルに届きます。ただし資格と経験が要ります。

私の助言：まずプラットフォームで速さを付け、その後に直接の取引先を見つけてください。ポッドキャスターや研究者、小規模事業者に自分を売り込む。仲介を外すのです。

私はRevでわずかな額から始めました。いまは音声1時間あたり75〜100ドルを払う常連の取引先と仕事をしています。差は歴然です。

TranscribeNextを使うことで競争力も上がりました。品質を落とさずに量を受けられ、納期も短くできる。取引先はそこを評価してくれました。

誰も言わない副次的な技能

入力速度と良い耳のほかにも、文字起こしは思わぬ技能を教えてくれました。

細部への注意が自動化される。いまではどこでも誤りに気づきます。メニューの誤字、看板の間違い。煩わしくもありますが、他の仕事では役立ちます。

調べるのが速くなる。書き起こしに未知の語が出たら、素早く見つけるか、作業が止まります。効率よく検索し、複数の情報源を突き合わせ、綴りを確認する習慣が付きました。

時間管理が上達する。文字起こしは正確な見積もりを強います。外せばただ働きです。自分の能力について、すぐ現実的になりました。

ソフトへの順応力が上がる。依頼主ごとに求める形式も道具も違います。素早く適応し、新しいソフトを覚え、回避策を考えるようになりました。

伝える力が鋭くなる。音声が不明瞭なとき、依頼主に確認が必要になることがあります。専門的で具体的な質問を書くのも、ひとつの技能です。

これらは他へ持ち出せます。文字起こしの外でも価値があります。

現在の私の一日

いまの働き方をそのまま書きます。

午前：TranscribeNextへアップロード。その日の分をまとめて上げます。AIが処理している間に別の仕事をする。ソフトが動いている横で待っている理由はありません。

午前遅く：一次編集。自動生成された書き起こしを落とし、明らかな誤りをざっと直します。話者ラベル、書式、大きな間違い。

午後：音声を聞きながらの精査。音声を聞きつつ書き起こしを見直し、細かな誤りを直し、不明瞭な箇所を確認し、必要ならタイムスタンプを足します。

夕方：仕上げと納品。最終調整。書式の統一を確認し、必要な形式で書き出し、簡単な要約を添えて送ります。

この流れなら、品質を保ったまま1日4〜5時間分の音声を扱えます。TranscribeNextの前は、1日2時間分がやっとでした。

肝心なのは、AIは助けにはなるが判断は代わってくれない、と受け入れることでした。いまもすべて聞きますし、誤りも拾います。ただ、白紙から始めてはいません。

規模を広げるのに効いた道具

TranscribeNextのほかにも、実際に差が出た道具があります。

Grammarlyは見落とした誤字を拾います。文字起こしには完璧ではありません（正しい話し言葉を「直そう」としてきます）が、本当の誤りは捕まえます。

入力補完ソフト（Macでは aText を使っています）は、毎日数千打鍵を節約します。よく使う語句がショートカットになり、頻出の専門用語は自動で展開されます。

Evernoteは依頼主ごとのメモと表記ルールに。取引先ごとに好みを1件のノートにまとめ、作業前に見返します。

Googleスプレッドシートで時間と収入を管理します。ファイルごとに、音声の長さ、所要時間、単価、依頼主を記録。このデータが新しい仕事の値付けを正確にします。

集中タイマーで進行を管理します。ポモドーロ・テクニックを使い、50分作業して10分休む。疲れを押して続けると、品質は急速に落ちます。

バックアップは、一度作業を失って永久に学びました。すべて自動でクラウドに保存しています。

自動文字起こしが失敗するとき

TranscribeNextは優秀です。本当に優秀です。ただし魔法ではありません。

強い訛りはいまも問題を起こします。複数人がかぶせて話すとAIは混乱します。ニッチな分野の専門用語は誤って書き起こされることがあります。

音質が悪ければ、どんなソフトでも歯が立ちません。元の音声がひどければ、自動処理は苦戦します。

AIが失敗したとき、私は抗いません。その区間だけ手作業に切り替えます。併用が最も効きます。効くところは自動に任せ、効かないところは手でやる。

先月、こんなファイルがありました。強い訛りの教授が複雑な医学研究について話す調査インタビューです。TranscribeNextの正解はおそらく6割。修正に費やした時間は、最初から手で書き起こすより長くなりました。

学んだこと。自動か手作業かを決める前に、音質と訛りの難しさを下見してください。AIに通す価値のないファイルもあります。

正確さをめぐる倫理

これは思われている以上に重要です。

書き起こしは記録になります。引用され、参照され、法的手続きで使われ、公開されます。あなたの正確さが現実の結果に影響します。

書き起こしの誤りが意味を変える場面を見てきました。聞き違いが発言の趣旨をひっくり返し、否定の脱落が立場を逆にする。

この責任は重く感じます。納品するたびに自問します。これは信頼に足るだけ正確か、と。

私は次の原則に従っています。

文字起こしで報酬を得ることは、速さだけの問題ではありません。信頼されることです。依頼主は、頼れる相手のところへ戻ってきます。

仕事として割に合うのか

何を求めるかによります。

在宅で柔軟に稼ぎたいなら、文字起こしは応えてくれます。参入の敷居は低く、少ない投資で始められます。

大金を得たいなら、他を当たってください。速い書き手が良い取引先を持っていても、天井はあります。頭が働かなくなる前に打てる量には限りがあります。

私にとっては足がかりでした。他の収入源を育てる間の支払いを支え、規律と細部への注意を教えてくれました。その学びは残っています。

ただ、聞かれたら正直に言います。見た目より重い仕事です。手は痛み、耳は鳴り、打鍵の夢を見ます。

この仕事で成功するのは、細部に注意を払え、辛抱強く、規律のある人です。当てはまるなら、仕事はあります。

初日に戻れるなら伝えたいこと

振り返って、自分にこう言います。

機材にはすぐ投資しろ。あのキーボード、あのヘッドホン、あのフットペダル。私のように何週間も待つな。

最初から真剣にやれ。良い習慣を早く作り、一貫した流れを確立しろ。後で捨てる羽目になる悪癖を身につけるな。

専門を決めろ。もっと早く絞るべきところを、汎用の仕事で時間を浪費した。理解できて楽しめる領域を見つけ、そこで名を知られろ。

技術は使え、頼り切るな。自動ツールは大いに助けになる。ただし技能と判断の代わりにはならない。均衡を見つけろ。

すべて記録しろ。かけた時間、得た額、依頼主の好み、自分がよくやる誤り。データは直感より速く上達させる。

手と耳を大事にしろ。手はこまめに伸ばし、休憩を取り、音量は無理のない範囲に。気をつけないと反復性ストレス障害を起こしうる仕事だ。

いまの立ち位置

いまも文字起こしの仕事はしていますが、始めたころとはやり方が違います。

品質と納期の速さを評価してくれる常連が数社あり、相応の成果を出すので相応の単価をいただいています。TranscribeNextのおかげで、正確さを落とさずに量をこなせます。

身についた技能——細部への注意、時間管理、効率的な調査——は他の執筆仕事にも移りました。案件を選べるようになったので、いまは選んでいます。

これから始める人にとって、文字起こしはいまも堅実な選択肢です。仕事はあり、技能は学べます。TranscribeNextのような道具があるぶん、投入すべき時間は以前より現実的になりました。

ただし目は開けて入ってください。不労所得ではありません。集中と技能を要する、本物の労働です。労力を払う気があるなら、続く仕事を作れます。

結論

500時間以上を書き起こしたうえで、要点はこれです。

基本を外さない。良い機材、整った作業環境、効率的なソフト。贅沢ではなく前提条件です。これがないと、一週間で辞めたくなります。

速さはゆっくり付くと受け入れる。最初はひどいものです。それが普通です。速くはなりますが、数週間ではなく数か月の実践が要ります。

技術は賢く使う。TranscribeNextのような道具は働き方を変えました。ただし技術は補助であって、自分で聞いて誤りを拾う必要がなくなるわけではありません。

取引先との関係を築く。直接の取引はプラットフォームよりはるかに条件が良い。良い仕事を納め、はっきり伝えれば、また依頼が来ます。

断ることを覚える。提示された単価では割に合わないファイルがあります。手間のほうが大きい依頼主もいます。経験が付けば選べるようになります。

自分を大事にする。この仕事は思うより体に来ます。休憩は重要で、姿勢と機材の配置も重要です。どんな書き起こしより自分の健康が大事です。

文字起こしは華やかではありません。他人の話を何時間も打つことを夢見る人はいません。それでも、支払いを支え、価値ある技能——細部への注意、時間管理、調査の効率——を教えてくれる、まっとうな仕事です。

私は何も知らずに始め、失敗を全部やり、遠回りに時間と金を使いました。それでもたどり着きました。あなたにもできます。

副収入でも、本業でも、単発の案件で一度だけ書き起こしたいのでも、原則は同じです。注意深く聞く。正確に打つ。分かりやすく整える。良い道具を使う。辛抱する。

それが文字起こしのやり方です。あとは細部にすぎません。

さらに進むなら、対応している音声・動画形式に入力できるものの一覧があり、タイムスタンプ付きの文字起こしは時刻付き出力を扱い、SRTのタイムスタンプ形式は字幕のタイミングを解説しています。オフラインで作業するなら、Mac用の文字起こしアプリがあります。