私にとって最悪のインタビュー文字起こしの惨事は2012年に起きました。
ドキュメンタリー映画の監督のために、極めて重要な投資家へのピッチインタビューを文字起こししていました。2時間まるごとが宝の山です。その投資家は、初期のFacebookについて誰も語ったことのない話、詳細な資本政策表、内幕のドラマを語ってくれました。監督は大喜びでした。
そして録音を聴きました。投資家は襟にマイクを着けていました。彼が首を動かすたびに、生地がこすれる音が入ります。一言残らず、SHHHHH-SHHHHH-SHHHHHの下に埋もれていました。
結果：
教訓は？ 完璧な文字起こしとは、速くタイプすることでも、優れたソフトを持つことでもありません。録音ボタンを押す前に何をすべきかを知っていることです。
20年間で1万件を超えるインタビュー（報道、法廷での証言録取、学術研究、ポッドキャスト、ドキュメンタリー）を文字起こししてきて学んだのは、アマチュアとプロの文字起こしを分けるのは才能ではないということです。仕組みです。
初日に誰かが教えてくれていたらよかったと思うことを、すべてここに書きます。
1. 15分の準備で5時間が浮く。 機材をテストし、場所を下見し、氏名と用語の準備シートを作る。
2. 3パス方式を使う。 AIの下書き → 重要箇所の修正（氏名、数字、引用） → 仕上げと整形。
3. 必ずバックアップを取る。 収録中はスマートフォンで、収録後はクラウドへ。ストレージは安く、後悔は高くつく。
この記事の内容
各セクションへジャンプ：
パート1：収録前（5時間を節約する15分）
文字起こしの惨事のほとんどは、録音ボタンを押す前に起きています。プロがやっていて、アマチュアが飛ばしていることはこれです。
15分の事前チェックリスト
1. 機材テスト（3分）
レコーダーの電源が入るかを確かめるだけでは足りません。実際に一式をテストしてください。
アマチュアのやり方：
プロのやり方：
- 背景雑音（空調、交通、うなり）
- 反響やリバーブ
- マイクのこすれ音
- 音量レベル（小さすぎ／大きすぎ）
回避できた実際の惨事：
一度、機材テストを一通りやったところ、ワイヤレスマイクのバッテリーが10%だと判明しました。2時間のインタビューの20分目で切れていたはずです。テストが救いました。
2. 場所の下見（5分）
インタビュー場所を歩き回ってください。
プロのコツ： 別々の場所で10秒ずつ録音し、再生して、いちばん静かな場所を選びます。
実例：
一度、インタビューの場所を窓から5メートル離しました。騒音レベルは使い物にならない状態から完璧になりました。その5メートルが、2時間の文字起こしと12時間の格闘との差です。
3. マイクの位置決め（2分）
黄金律： 口から15〜30センチ、破裂音（P、T、Kの音）を避けるためにわずかに軸をずらす。
テスト方法：
私が見てきた位置決めの失敗：
対処法： ブームマイクを上方やや前方に置くか、ラベリアマイクを胸骨の位置に（襟ではなく）留めます。
4. バックアップ収録の体制（2分）
必ず。バックアップを。録る。
私はこれらを経験しました。
私の体制：
バックアップの費用： 0ドル（すでに持っているスマートフォンを使う）
バックアップしない場合の費用： インタビュー全損
5. インタビュー準備シート（3分）
次を書いた1枚の資料を作ります。
対象者の情報：
専門用語：
なぜこれが重要か：
文字起こし中、「Kubernetes」に出くわすたびに、「Communities」だったか「Coober-netes」だったかを思い出そうとして30秒を溶かします。事前に書いておけば何時間も浮きます。
テンプレート：
Interview Prep Sheet
Date: January 15, 2025
Subject: Dr. Sarah Krishnamurthy (krish-nah-MUR-thee)
Title: Chief Medical Officer, BioGenTech
Duration: 60 minutes estimated
Expected Terms:
- Immunotherapy (im-yoo-no-THER-a-pee)
- PD-1 inhibitors
- BioGenTech (their company)
- Phase II trials
- FDA approval process
Technical Setup:
- Zoom H5 recorder (Primary)
- iPhone backup
- Lavalier mic on sternum
- Quiet conference room, door closed
パート2：インタビュー中（プロがしている違い）
リアルタイムの品質監視
アマチュアのやり方： 録音を開始し、そのまま忘れ、インタビューし、録音を止める。
プロのやり方： 通しで能動的に監視する。
監視すべきもの：
1. 目視チェック（5分ごと）：
2. 音声チェック（ヘッドフォン監視）：
片耳だけイヤホンを着けてリアルタイムに監視するプロもいます。インタビューでは気が散るので私は勧めませんが、マルチカメラの撮影では必須です。
3. レベルチェック：
音量メーターに目をやります。目安はこうです。
これで防げる惨事：
かつて、静かに話し始めた人が、途中で興奮して叫び出したことがありました。最初はレベルが適正でしたが、その後ひどくクリップしました。監視していたおかげで8分目で気づき、ゲインを調整できました。残りのインタビューは救われました。
難しい場面への対処
1. 発話の重なり
問題： 2人が同時に話す＝文字起こしの悪夢。
アマチュアのやり方： そのままにして、あとで苦しむ。
プロのやり方： 穏やかに介入する。
言い方：
遮ってはいけない場面：
折衷案： タイムスタンプを控えておき、文字起こしのときに重点的に見る印を付けます。
2. 背景雑音
私が対処してきたインタビュー中の騒音の惨事：
プロの技法： 中断してやり直す
大きな音が出たら、こうします。
1. 文の途中で止める
2. 音が終わるのを待つ（かぶせて話さない）
3. 「では、ここからもう一度」と言って、その文を最初から言い直してもらう
なぜか。ゴミ収集車がバックしている音の下から音声を救い出すより、10秒の無音を削除するほうがはるかに簡単だからです。
3. 専門用語
その瞬間： 対象者が聞いたことのない用語を使う。
アマチュアのやり方： 聞き流し、あとで苦しむ。
プロのやり方： その場でつづりを確認する。
言い方：
実例：
開発者へのインタビューにて。
対象者：「バックエンドにはPostgreSQLを使っています」
私：「P-O-S-T-G-R-E-S-Q-L で合っていますか」
対象者：「はい、その通りです」
この5秒のやり取りが、文字起こし中の5分の検索を省いてくれました。
話者の自己紹介という技法
問題： 20分も経つと、誰が何を言ったか思い出せなくなる。
解決策： 冒頭で各自に自己紹介してもらう。
言い方：
「記録のために、お一人ずつ氏名と肩書をお願いできますか」
なぜ効くのか：
1. 声と名前を一緒に聞ける
2. それが録音に残る（照合の基準点になる）
3. プロらしい調子を作れる
4. 読み方の確認にもなる
上級技法： 複数人にインタビューする場合、それぞれが最初の主要な発言をする前に名乗ってもらいます。
「ありがとうございます。[名前]さんから伺います。……についてのお考えを聞かせていただけますか」
こうすると、通しで自然な話者の目印ができます。
パート3：プロの3パス文字起こしワークフロー
数千件のインタビューを文字起こしするなかで作り上げた仕組みです。一度で完璧を狙うより3倍速く終わります。
パス1：速記ドラフト（全体の25%の時間）
目標： とにかく文字にする。完璧さは気にしない。
手順：
1. AI文字起こしにアップロードする（AIと人手の精度を比較）
- 費用：60分で9〜15ドル
- 時間：処理に8〜10分
2. ざっと目を通す（5分）
- おおむね正確か
- 話者の取り違えが大きく起きていないか
- 手を入れる必要が大きい箇所はどこか
まだ何も直さないこと。 問題箇所を特定するだけです。
問題箇所にはタグを付けます：
パス2：重要箇所の修正（全体の50%の時間）
目標： 意味を変えてしまうもの、専門性を欠いて見えるものを直す。
優先順位：
1. 氏名（最優先 — 10分）
なぜ最初か。 人の名前を間違えることが、最も気まずい誤りだからです。
2. 数字と事実（10分）
実際の惨事：
AIが「We raised $4 million」（400万ドル調達した）を「We raised four billion」（40億調達した）と書き起こしました。文字起こしを読んだ投資家たちは大いに混乱しました。数字は必ず検証してください。
3. 専門用語（15分）
技法： 準備シートを使い、専門用語をすべて突き合わせます。
4. 話者の割り当て（10分）
確認方法：
5. 重要な引用（15分）
「重要」に当たるもの：
パス3：仕上げと整形（全体の25%の時間）
目標： 読みやすく、専門的な体裁にする。
1. フィラーを削る（10分）
判断： 逐語か、整えた読み物か。
逐語（すべて残す）：
整えた読み物（フィラーを削る）：
削るもの：
残すもの：
2. 句読点を入れる（8分）
AIの文字起こしは句読点がひどいことがよくあります。
直すもの：
3. タイムスタンプを入れる（5分）
入れる場所：
書式： [00:23:47] または (23:47)
タイムスタンプが重要な理由：
4. 読みやすく整形する（7分）
話者ラベル：
悪い例:
話者1 えーと まず一番のポイントは...
良い例:
チェン・サラ博士: 一番のポイントは...
段落の区切り：
3〜4文ごと、または話題が変わるところで。
見出し（任意だが有用）：
[導入 - 00:00]
[キャリア初期 - 05:32]
[大きな転機 - 18:45]
[今後の計画 - 42:10]
パート4：難しい場面への対処
強い訛り
現実： AIは苦戦します。あなたも苦戦します。それを扱える範囲に収める方法を示します。
技法1：文脈の手がかり
語が聞き取れないときは、こうします。
1. 文全体を聴く
2. 文脈上、何なら意味が通るか考える
3. その仮説を持って聴き直す
4. 他の箇所での言及と突き合わせる
例：
聞こえたもの：「The profjy lactic antibiotic regimen...」
文脈：医学系のカンファレンス
仮説：「Prophylactic」（予防的な）
検証：それなら意味が通る
結果：正解
技法2：低速再生
たいていの文字起こしソフトは、音声を0.75倍や0.5倍に落とせます。
使いどころ：
コツ： 速度を落とすだけにしないこと。あわせて音量を上げ、良いヘッドフォンを使ってください。
技法3：反復再生
5〜10回聴かないとわからないこともあります。
手順：
1. 通常速度で聴く（大意をつかむ）
2. 0.75倍に落とす（細部を聴く）
3. 問題の語を切り出す（その2秒だけをループ再生）
4. 5〜10回再生する
5. たいてい6〜7回目でわかる
諦めどき： 10回試してもわからなければ、[UNCLEAR]と記して先へ進みます。1語に5分を溶かさないでください。
背景雑音
状況： 交通、工事、カフェの喧噪、空調。
雑音の種類別の対処：
1. 定常的な雑音（空調、交通）：
2. 断続的な雑音（ドア、電話）：
3. リバーブ・反響：
予防： だからこそ、事前の場所の下見が効いてくるのです。
発話の重なり／クロストーク
悪夢の状況： 2人が同時に話す。
対処法：
1. タイムスタンプで分ける：
[23:45 - OVERLAPPING]
チェン博士: 検討すべきだと思うのは——
ウィルソン博士: データが明確に示しているのは——
[両者が同時に発話]
2. 両方を書き起こす：
[CROSSTALK]
話者1: 「...さらなる研究が必要です...」
話者2: 「...結果は決定的です...」
3. より明瞭なほうを選ぶ：
一方の声が支配的なら、そちらを書き起こし、もう一方については注記します。
4. 印を付けて先へ進む：
[CROSSTALK - 明確に分離できず]
プロのコツ： 本当に重要な重なりについては、後日のメールで対象者に確認します。「インタビューの24分あたりで、ウィルソン博士と同時にお話しされていましたが、……についてのご指摘を改めて伺えますか」
パート5：プロの道具箱
20年を経て、実際に機能しているものはこれです。
収録機材
予算：0〜50ドル
予算：50〜150ドル
予算：150〜300ドル
予算：300ドル以上
私のおすすめ： Zoom H1nから始めてください。仕事として本格的にやるようになったらH5へ。
マイク
着席してのインタビュー向け：
ラベリア（クリップ式）向け：
複数人向け：
文字起こしソフト
AI文字起こしサービス：
| サービス | 費用 | 速度 | 精度 | 向いている用途 |
|---|---|---|---|---|
| TranscribeNext | 0.15ドル/分 | 8分（60分の音声） | 91% | 汎用、50以上の言語 |
| Otter.ai | 10ドル/月 | リアルタイム | 87% | ライブ会議、共同作業 |
| Rev AI | 0.25ドル/分 | 12分 | 89% | 高い精度が必要な場合 |
編集ソフト：
Express Scribe（無料）
Descript（12ドル/月）
文字起こし専用の入力機器：
Infinity USB-2 フットペダル（80ドル）
私の構成（ちょうどいいところ）
収録：
文字起こし：
速度：
比較のために：
パート6：自分のスタイルガイドを作る
一貫性が、アマチュアの文字起こしとプロのそれを分けます。テンプレートはこちらです。
話者の表記
いずれか1つを選びます。
選択肢1：氏名
チェン・サラ: 主な発見は...
ウィルソン・ジェームズ: 私が反対する理由は...
選択肢2：役割・肩書
インタビュアー: その決断に至った理由は何ですか?
CEO: 好機を見出したのです...
選択肢3：イニシャル（承認された場合のみ）
SC: 主な発見は...
JW: 私が反対する理由は...
通しで一貫させてください。
タイムスタンプの書式
いずれか1つを選びます。
配置：
逐語 vs 整えた読み物
逐語（一言一句）：
インタビュアー: えーと、その、なんというか、その、プロセスについて、こう、教えていただけますか?
対象者: はい、えー、まあ、一番のポイントは、その、まず調べるところから始めて、なんというか...
整えた読み物（明瞭さのために編集）：
インタビュアー: プロセスについて教えていただけますか?
対象者: 一番のポイントは、まず調べるところから始めたことです...
逐語を使う場面：
整えた読み物を使う場面：
不明瞭な音声
標準的な記号：
例：
対象者: その会社は[unclear]年に、[inaudible]出身の3人のエンジニアによって設立されました。
非言語の要素
関係があるときは入れます。
やりすぎないこと。 意味や文脈を加えるときだけ入れてください。
パート7：よくある惨事（と、私がそれを避けるようになるまで）
惨事1：元の音声をバックアップしなかった
何が起きたか：
教訓： 元の音声は最低90日は保管すること。ストレージは安く、後悔は高くつきます。
体制：
惨事2：AIの文字起こしを確認せずに信用した
何が起きたか：
AIが「We need to hire 50 people」（50人を採用する必要がある）を「We need to fire 50 people」（50人を解雇する必要がある）と書き起こしました。
依頼主はそれを社内報に掲載しました。
人事上の危機が発生しました。
教訓： AIの文字起こしは必ず確認すること。とりわけ数字と重大な発言は。
5分の安全確認：
惨事3：話者ラベルが一貫していなかった
何が起きたか：
3人が参加する長いインタビューでした。最初はこう書いていました。
途中からこう切り替えました。
依頼主が文字起こしを受け取りました。話者1が誰なのか、まったくわかりませんでした。
教訓： 冒頭で書式を決め、それを貫くこと。途中で変えてはいけません。
私の方式： 通しで氏名。最初の発話で対応を確立します。
惨事4：耳慣れない用語を確認しなかった
何が起きたか：
対象者が「Kubernetes」を47回口にしました。
AIはこう書き起こしました。
修正に2時間かかりました。
教訓： インタビュー中につづりを尋ねること。あとで何時間も浮きます。
惨事5：ファイル名の付け方がまずかった
何が起きたか：
2か月で50件のインタビューを文字起こししました。
名前はこうでした。
依頼主から「12月初旬のジョンソンさんのインタビュー」を求められました。
見つけるためにファイルを開き続けて45分を費やしました。
教訓： 初日から体系的な命名を。
テンプレート：
YYYYMMDD_LastName_FirstName_Topic_Version.docx
例：
20250115_Chen_Sarah_Biotech_V1.docx
パート8：上級の高速化技法（3倍速く）
キーボードショートカットの体系
文字起こしソフトでこれらのショートカットを設定します。
再生の制御：
挿入のショートカット：
話者のショートカット（テキスト展開ツール）：
削減できる時間： 編集時間が30%短縮。
デュアルモニター構成
左のモニター： 文字起こしソフト／音声プレーヤー
右のモニター： Google ドキュメント／編集
なぜ効くのか：
低予算での代替： iPadを2枚目の画面として使う（MacならSidecar、PCならDuet Display）。
再生速度を段階的に上げる技法
考え方： 速く聴き、速く打ち、速く終える。
訓練の仕方：
1週目： 1.0倍速（通常）で文字起こし
2週目： 1.1倍速で文字起こし
3週目： 1.25倍速で文字起こし
4週目： 1.5倍速で文字起こし
ちょうどいいところ： 1.25〜1.5倍
1.5倍なら、こうなります。
制約： 強い訛り、専門性の高い内容、音質の悪い音声では、通常速度が必要になることがあります。
まとめて処理する方法
こうする代わりに：
1件のインタビューを最初から最後まで文字起こしする。それを繰り返す。
こうします：
1. 5件のインタビューをAI文字起こしにアップロード（10分）
2. 処理を待つ間にファイルを整理（10分）
3. 5件の文字起こしをすべてダウンロード（5分）
4. 5件すべてにパス1を実施（ざっと確認）（25分）
5. 5件すべてにパス2を実施（修正）（2.5時間）
6. 5件すべてにパス3を実施（仕上げ）（1.5時間）
なぜ効くのか：
インタビュー文字起こしの決定版チェックリスト
これを印刷して、毎回使ってください。
インタビュー前（15分）
インタビュー中
インタビュー後（5分）
文字起こしの工程
- 氏名を検証
- 数字を確認
- 専門用語を修正
- 話者の割り当てを訂正
- 重要な引用を検証
- フィラーを削除
- 句読点を追加
- タイムスタンプを挿入
- 書式を適用
最終納品
結論：プロの心構え
20年、1万件を超えるインタビューを経て学んだことはこうです。
完璧な文字起こしに関係ないもの：
完璧な文字起こしに関係あるもの：
80対20の法則：
ここから始めてください：
1. 今日： インタビュー前チェックリストを導入する
2. 今週： AI文字起こしを用意する（TranscribeNextの無料枠）
3. 今月： 3パスのワークフローを組み立てる
4. 今四半期： 高速化の技法を身につける
目指すのは完璧さではありません。 プロ品質の文字起こしを効率よく届けることです。
そのための具体的な仕組みは、もう手元にあります。
よくある質問
1時間のインタビューの文字起こしにはどれくらいかかりますか？
AI文字起こしと3パスの確認方式を使えば、1時間のインタビューで合計約53分です。AIの処理に8分、編集に45分。AIなしの手作業なら、同じ内容に4〜6時間かかります。
プロとしてインタビューを文字起こしするには、どんな機材が必要ですか？
静かな場所での収録なら、まずはスマートフォンで十分です。仕事として取り組むなら、Zoom H1nレコーダー（120ドル）でたいていの状況に対応できます。騒がしい環境ではラベリアマイク（80〜100ドル）を足してください。
逐語と整えた読み物、どちらを使うべきですか？
法廷での証言録取と学術研究には逐語を。報道、ブログ記事、ポッドキャスト、マーケティングには整えた読み物（フィラーを削除）を使ってください。インタビューの文字起こしの大半は後者です。
強い訛りや複数の話者にはどう対処しますか？
訛りには、再生速度を0.75倍に落とし、難しい箇所を5〜10回ループさせます。複数の話者には、冒頭で各自に自己紹介してもらい、可能なら個別のマイクを使ってください。
関連ガイド
*プロのように文字起こしを始めませんか。TranscribeNextを無料（30分）でお試しいただき、準備とAIとワークフローがもたらす違いをご確認ください。*