インタビュー文字起こしとは、口頭で行われたインタビューを、すべての発話に話者名を付けて記録した文書です。 日付と参加者を示すヘッダー、話者ラベルとタイムスタンプのある本文、発話以外を示す角括弧の注記が基本になります。
定義は簡単ですが、実際の録音から生まれる細かな乱れまで見せる解説は多くありません。オンラインの見本は規則を説明するために作られた架空の文章が多く、不自然なほど整っています。
そこで本記事では実際の音源を使います。1985年1月5日、当時80歳を迎える年だったSally Stapp氏にSausalito Historical Societyが行ったオーラルヒストリーです。利用制限のないパブリックドメイン音源のため、実例として紹介できます。冒頭5分を話者分離ありで処理し、出力をそのまま掲載しました。
実際のインタビュー文字起こし例
まず音声を再生してみてください。36秒の音声に対し、その下の文字起こしは同じファイルから実際に生成されたものです。
以下が未修正の生データです。
```
[00:02] SPEAKER_01: Now it's working.
[00:04] SPEAKER_01: Now it's working.
[00:05] SPEAKER_01: This is Sally Stapp and it is January 5th, 1985.
[00:10] SPEAKER_00: I don't know how to run this any better than I know.
[00:12] SPEAKER_01: Okay.
[00:13] SPEAKER_01: Sally, first thing I want to ask is when you when you came to Sausalito?
[00:18] SPEAKER_00: Right after World War II.
[00:20] SPEAKER_01: Where had you been before?
[00:23] SPEAKER_00: Naval Air Station, San Diego, for the duration.
[00:29] SPEAKER_01: Where are you from?
[00:31] SPEAKER_00: I was born in Cleveland, Ohio.
[00:32] SPEAKER_01: Cleveland, Ohio.
[00:33] SPEAKER_00: April 30th, 1905.
```
この13行から、実務に役立つ4つのことが分かります。
「Now it's working」が2回出るのは文字起こしの不具合ではありません。 録音機を調整していた人物が、実際に2回発言しています。本物のインタビューは最初の質問ではなく、機材の確認から始まることがあります。
自動処理で得られるのは名前ではなく番号です。 話者分離は`SPEAKER_00`と`SPEAKER_01`という二つの声を区別し続けられますが、どちらがSally氏かは音声だけでは分かりません。自己紹介のある最初の行を見つけ、全体の話者名を一括変更するのは人の作業です。
「when you when you」は誤認識ではありません。 聞き手が質問を言い直しており、逐語録では両方を残します。00:13を聞けば確認できます。逐語録なら残し、整文なら片方を削ります。逐語と称しながら黙って削れば、録音内容を正確に表したことにはなりません。
00:10の話者は要確認です。 *「I don't know how to run this any better than I know」*は参加者に割り当てられていますが、録音機に手間取る聞き手の発言にも読めます。引用前に音声で確かめるべき行です。話者判定の誤りは、声のサンプルがまだ少ない録音冒頭や割り込み付近で起こりやすくなります。
人が確認した後は次のようになります。話者名を付け、重複は削除せず注記し、不確かな割り当てを明示し、ヘッダーを加えています。
```
INTERVIEW TRANSCRIPT
Project: Sausalito Historical Society oral history programme
Date: 5 January 1985
Location: Sausalito, California
Participant: Sally Stapp (b. 30 April 1905)
Interviewer: Sausalito Historical Society
Recording: Side A, 31 min 36 s (excerpt: 00:00–00:35)
Style: Verbatim
Source: California Revealed / Internet Archive, public domain
[00:02] INTERVIEWER: Now it's working. [repeated on tape] This is Sally
Stapp and it is January 5th, 1985.
[00:10] UNCLEAR: I don't know how to run this any better than I know.
[attribution uncertain — check audio]
[00:13] INTERVIEWER: Sally, first thing I want to ask is when you when
you came to Sausalito?
[00:18] STAPP: Right after World War II.
[00:20] INTERVIEWER: Where had you been before?
[00:23] STAPP: Naval Air Station, San Diego, for the duration.
[00:29] INTERVIEWER: Where are you from?
[00:31] STAPP: I was born in Cleveland, Ohio. April 30th, 1905.
```
単語そのものは変えていません。逐語録なので重複は削除せず注記しました。機械が間で分割したSally氏の連続発話は、一つのまとまりへ戻しています。不確かな行は推測で確定せず、その旨を示しました。
この確認と整形こそが、インタビュー文字起こしを単なる自動出力と分ける作業です。
文字起こしと、メモ・要約の違い
文字起こしは、話された内容を、話された順に記録します。メモや要約、議事録とは異なります。
研究、報道、法務、人事では、この違いが特に重要です。文字起こしが録音と食い違えば、そこから作った成果物の信頼性も損なわれます。最初から「読みやすく整える」のではなく、まず忠実な記録を作り、そのコピーから必要な形式を作成してください。
3つの文字起こし形式
| 形式 | 残す内容 | 主な用途 | 注意点 |
|---|---|---|---|
| 逐語録 | すべての語、フィラー、言い直し、繰り返し、間。[笑い]、[ため息]、[間]も記載 | 会話分析、談話分析、法務など、発言の仕方も重要な場面 | 作成が最も遅く、読みにくい |
| 整文／インテリジェント・バーベイタム | 意味のある語はすべて残し、フィラーや言い直しを除き、軽い文法修正を加える | テーマ分析、多くの質的調査、報道、ポッドキャスト | 何を削るかの判断が必要 |
| 編集版 | 中心となる内容。雑談や本題から外れた部分は省く | 公開記事、社内報告、導入事例 | 完全な記録ではないため、原本を別に残す |
実務上の原則は、作業前に形式を選び、ヘッダーへ明記することです。形式が分からなければ、流暢な話者だったのか、文字起こし担当者が整えたのかを読者は判断できません。
フィラーは実際どのくらいある？
英語の2話者録音934件で、フィラーの頻度を測定しました。
| 語 | 1,000語あたりの平均 | 中央値4,620語のインタビュー |
|---|---|---|
| um | 2.16 | 約10回 |
| uh | 0.92 | 約4回 |
| you know | 5.20 | 約24回 |
| like | 17.40 | 約80回 |
注意点が二つあります。「like」はフィラーだけの数ではなく、通常の意味で使われたものも含みます。また、値は録音全体の平均であり、話者ごとの差は非常に大きくなります。
典型的なインタビューでフィラーを除いても、4,500語あまりから減るのは約40語です。読みやすくはなりますが、大幅に短くなるわけではありません。省スペースではなく、ためらいを分析対象にするかどうかで形式を選びましょう。
インタビュー文字起こしを構成する3つの要素
1. ヘッダー
将来の読者が本文を正しく解釈するための情報を、冒頭にまとめます。
```
プロジェクト： [研究・事業名]
実施日： [インタビュー日]
場所： [場所、または「オンライン — Zoom」]
参加者： [氏名または仮名、必要な属性]
聞き手： [氏名またはイニシャル]
録音： [ファイル名、総再生時間]
形式： [逐語／整文／編集版]
匿名化： [済／未]
同意： [署名済み同意書の参照先]
```
特に抜けやすいのが形式と匿名化です。形式がなければ、発話が流暢だったのか編集されたのか判断できません。匿名化の記載がなければ、半年後の読者は「Maria」が実名か仮名か分かりません。
2. 本文
破られやすい順に、重要な規則を挙げます。
1. 1段落につき1話者を徹底します。 一語だけの応答でも別段落にします。複数の声をまとめると引用できず、分析ソフトも正しく扱えません。
2. 話者ラベルとコロンを統一します。 `INTERVIEWER:`と`STAPP:`、または`I:`と`P1:`など、方式を一つに決めます。
3. 役に立つ間隔でタイムスタンプを付けます。 短ければ話者交代ごと、長ければ30〜60秒ごとで十分です。
4. 発話以外は角括弧で示します。 `[笑い]`、`[間]`、`[電話の着信音]`、`[発話重複]`、`[聞き取れず 00:14:22]`。聞き取れない箇所には時刻も入れます。
5. 推測せず不確かさを示します。 `[不明：Kessler？]`は正直で役立ちます。自信ありげな誤記はそのどちらでもありません。
3. 研究用途の行番号
引用する予定があるなら行番号を付けます。「P4、212〜218行」という参照は番号が固定されて初めて意味を持ちます。修正のたびに番号と引用がずれないよう、文字起こしが確定してから追加してください。
実データから考えるレイアウト
本番データに含まれる5分以上の2話者録音1,248件では、インタビュー時間の中央値は29.9分でした。話者ごとの発話時間を測れた1,030件では、発話量の多い側が占める割合の中央値は72.4%、90パーセンタイルでは88.7%でした。
この数字はレイアウトに二つの示唆を与えます。
参加者側の文章が多くなるのは正常です。 良いインタビューでは参加者が聞き手の約3倍話します。50対50に近いなら、文字起こしよりインタビューの進め方を振り返る材料になります。上の実例では5分間のうち参加者85.8%、聞き手14.2%で、聞き手が前に出ないオーラルヒストリーとして妥当な範囲です。
発話単位は短く、数が多くなります。 データ上の中央値は391セグメントです。長い一続きの段落は話し方ではなく、整形上の問題であることが多く、分析の妨げになります。自然な間で区切り、一つの回答を1ページ続けないようにします。
手作業で文字起こしする方法
1. キーボード操作できるプレーヤーで再生速度を75%前後にします。頻繁な巻き戻しより、少し遅い再生の方が効率的です。
2. ペダルまたはショートカットへ5秒巻き戻しを割り当てます。マウスで毎回シークするのは大きな時間損失です。
3. 1回目は語を入力することだけに集中します。 整形や名前の確認はせず、不明箇所を`[?]`として先へ進みます。
4. 2回目に`[?]`、固有名詞、数字、専門用語を音声と照合します。
5. 3回目に整形します。 ヘッダー、ラベル、タイムスタンプ、行番号を付けます。
丁寧な逐語録なら、音声1時間あたり4〜6時間を見込んでください。中央値29.9分のインタビューでも2〜3時間です。
自動文字起こしで時間の使い方を変える
自動文字起こしは確認作業をなくすのではなく、作業の順序を逆転させます。機械が全文を短時間で作り、人は価値の高い確認へ集中します。
完了した2話者録音962件では、アップロードから完成までの中央値は5.5分、実時間の約6.5倍速でした。90%は45.5分以内に完了しています。遅い側の多くは、大容量動画のアップロード時間です。
典型的な30分の研究インタビューなら、話者ラベルとタイムスタンプ付きの原稿が数分ででき、その後に確認します。正確さを生む工程なので、確認時間まで無理に短くする必要はありません。
実用的な手順は次の通りです。
1. 話者分離を有効にして録音をアップロードする。
2. `話者1`と`話者2`を聞き手と参加者の名前へ一括変更する。
3. 音声と照合し、名前、数字、専門用語、発話の重なりを修正する。
4. 逐語のまま残すか、フィラーを除いて整文する。
5. 編集ならDOCX、分析ソフトならTXTまたはJSON、共有ならMarkdownなど、用途に合う形式で書き出す。日本語などのCJK文字を含む文字起こしはPDF書き出しに対応していない。
質的調査での注意点
匿名化は一貫して行います。 参加者名だけでなく、勤務先、同僚、機関名、特定につながる小さな地名も置き換えます。仮名またはコードを全体で統一し、実名との対応表はアクセス制限した別ファイルへ保存します。冒頭だけ仮名で、本文に実際の勤務先が残る「半匿名化」はよくある失敗です。
聞き手の質問は全文を残します。 誘導質問は正確な言い回しがなければ分からず、回答も質問なしでは意味を失うことがあります。聞き手の発話は約28%なので、残す負担は小さく、削除による情報損失は大きくなります。
フィラーを残すかはコーディング前に決めます。 コーパスの途中で逐語から整文へ切り替えると比較できなくなり、ためらいに関する観察が編集方針の違いに左右されます。
分析ソフトの対応形式を確認します。 ATLAS.ti、NVivo、MAXQDAはいずれもDOCXとTXTを読み込めます。書式の問題を避け、長期保存しやすくするため、TXTの原本も残してください。
よくある失敗
手元のインタビューで試す
ページ冒頭の5分間は、話者分離を有効にして約80秒で処理されました。各ファイルの冒頭5分は登録なしで無料のため、用意されたデモではなく手元の録音で品質を判断できます。
音声または動画をアップロードし、言語を確認して話者名を変更したら、TXT、Markdown、DOCX、PDF、SRT、VTT、JSONで書き出せます。日本語などのCJK文字を含む文字起こしではPDFを選べないため、DOCXなどをご利用ください。
形式を決める前に音声付きの例を聞きたい場合は、再生できる3つの文字起こし例で会議、インタビュー、留守番電話を比較できます。動画で収録した場合はMP4の文字起こし、録音方法を改善したい場合は10,000件以上のインタビューから分かった10のコツも参考にしてください。
---
*インタビュー音源：Sausalito Historical Society「Oral Interview w. Sally Stapp」（1985年1月5日）。California RevealedおよびInternet Archive（casauhs_000095）、Public Domain Mark 1.0（パブリックドメイン、利用制限なし）。2026年8月2日、Side Aの冒頭5分を話者分離ありで処理。掲載した生データは未編集です。集計値は2025年10月9日〜2026年7月31日のTranscribeNext本番データです。*