文字起こしの精度を実際に左右するもの(ヒント:大部分は録音で決まる)

上限を決めるのは録音、モデルはそこに近づくだけ

現代の音声認識は、膨大で多様な音声データで学習されています。Whisperの論文Robust Speech Recognition via Large-Scale Weak Supervisionでは、現実の録音に対応できるよう、数十万時間分の音声で学習したモデルが説明されています。とはいえ、その頑健さにも限界があります。モデルが文字起こしできるのは、マイクに届いた音だけです。ノイズにかき消された言葉、コーデックで削られた言葉、他の人の声に重なった言葉はファイルに存在せず、どんな処理でも取り戻せません。だからこそ、精度を最も大きく向上させるのはほぼ常に録音であり、文字起こしの設定ではないのです。

文字起こしの仕上がりを決める5つの要素

• マイクとの距離 — マイクの近くの声は部屋の音を圧倒しますが、テーブルの向こう側から話す同じ声は、反響や背景音と競合します。
• 背景ノイズと音楽 — 一定のハム音は、別の会話や食器の音、歌詞のある音楽よりも無視しやすいものです。
• 発話の重なり — 2人が同時に話すと、どちらの文も品質が落ち、話者ラベルの割り当ても難しくなります。
• 音声の帯域幅 — 狭帯域の電話音声はスタジオ録音よりも声の情報が少なく、特に似た響きの子音で影響が大きくなります。
• 言語・アクセント・語彙 — 珍しい名前、製品用語、頻繁な言語の切り替えは、単一言語の日常会話よりも難しくなります。

電話の通話がポッドキャストより難しい理由

従来の電話は、音声を完全に保存するためではなく、聞き手に内容が伝わるように設計されています。ITU-TのG.711などのコーデックは声を狭帯域音声として伝送し、通話録音ではさらに独自の圧縮が加わることが多く、別々の回線にいる2人が互いに話をかぶせることもあります。話者ごとに専用マイクを用意して録音したポッドキャストなら、モデルが扱える情報ははるかに多くなります。どちらのファイルにも問題があるわけではなく、出発点となる情報量が大きく異なるだけです。

ファイルを変換しても情報は戻らない

文字起こしの前に、小さなMP3や通話録音をWAVに変換したくなることがよくあります。ファイルは大きくなりますが、良くはなりません。非可逆コーデックや狭帯域の回線で失われた細部はもう存在せず、変換は残った音声をよりかさばる形で保存するだけです。録音したままの元のファイルをアップロードしてください。録音を自分で管理できる場合は、最初から可逆形式または高ビットレートで録音しましょう。結果を実際に変えるのはこのステップです。

話者ラベルも同じ要素に左右される

話者分離(各発言を誰が話したかを判断する処理)は声どうしの違いをもとに動作するため、言葉そのものと同じ要素の影響を受けます。マイクやチャンネルが分かれていれば話者を区別しやすく、騒がしい部屋の中央にマイクが1本だけで、人々が互いに割り込むような状況では難しくなります。最も難しいのは短いやり取りの応酬です。1回の発言ごとに声を識別するための音声がわずかしかないからです。

アップロード前にできること

1. 各話者の近くで録音する。理想は1人につき1本のマイク。
2. 静かな部屋を選び、録音中は音楽や通知を止める。
3. 元のファイルを保管し、アップロード前に変換や再圧縮をしない。
4. 話されている言語がわかっている場合は、自動検出に頼らず言語を選択する。
5. 文字起こしをすばやく校正できるよう、名前や製品用語の短いリストを用意しておく。