取材の後に待っている文字起こし作業がしんどい、という悩みはライターや編集者、広報担当の人なら一度は感じたことがあるはずです。1時間のインタビュー音声を手作業で起こすと、単純計算でも3〜4時間はかかります。今回はその負担を減らせるかどうか、AI文字起こしツール「Notta」を実際のインタビュー音声で試してみました。
Nottaとはどんなツールか
Nottaは音声・動画をテキスト化するAI文字起こしサービスです。ブラウザやスマホアプリから使え、録音した音声ファイルをアップロードする方法のほか、Zoomなどのオンライン会議をリアルタイムで文字起こしする機能も備えています。日本語を含む多言語に対応しており、話者ごとに発言を分けて表示してくれる話者分離機能も搭載されています。
インタビュー取材のように「複数人が入れ替わりで話す」「専門用語や固有名詞が出てくる」といった音声は、文字起こしツールにとって難易度が高い部類に入ります。その点でNottaがどこまで実用に耐えるか、というのが今回の検証ポイントです。
実際にインタビュー音声を文字起こしした感想
今回試したのは、1対1の対談形式のインタビュー音声（約40分）です。静かな室内で録音したもので、マイクとの距離もそれほど遠くない環境でした。
まず感じたのは、変換のスピードが思っていたより速いことです。アップロードしてから数分程度で全文のテキストが生成され、待ち時間のストレスはほとんどありませんでした。
精度については、基本的な会話文はかなり自然に変換されていました。「えーと」「あの」といったフィラーもそのまま拾われるため、後から読みやすく整えるには多少の編集が必要です。一方で、業界特有の専門用語や人名・社名などの固有名詞は、文脈から推測して別の単語に変換されてしまう場面がありました。これはNottaに限らず、AI文字起こし全般に共通する弱点と言えます。
話者分離については、声質がはっきり違う2人であれば比較的きれいに分かれていました。ただし、相槌が重なるタイミングや、片方が小声で割り込むような場面では、発言者の判定がずれることもありました。長時間のグループインタビューなど、話者が3人以上になるとこの精度はさらに下がる印象です。
文字起こし後の編集のしやすさ
Nottaの画面では、音声を再生しながらテキストをその場で修正できるようになっています。誤変換された箇所をクリックしてすぐに直せるため、紙に印刷して赤ペンで修正するような従来のやり方に比べると効率は良いです。
また、テキストを検索して該当箇所の音声にジャンプできる機能もあり、「あの発言、どこで言っていたっけ」と音声を最初から聞き直す手間が省けます。インタビュー記事を書く際に、発言の前後関係を確認したいときに地味に助かるポイントでした。
文字起こしツールを探している場合は、まず議事録作成の手間を大幅に軽減【Notta】
から実際の画面や対応環境を確認してみるとイメージが掴みやすいと思います。
こんな人に向いている・向いていない
Nottaが向いていると感じたのは、次のようなケースです。
- 1対1や少人数のインタビューを定期的に文字起こしする機会がある人
- 誤変換を自分で修正する前提で、ゼロから起こすより時短したい人
- Zoomなどのオンライン取材が多く、リアルタイム文字起こしを活用したい人
逆に、専門性の高い座談会や、話者が多く声が重なりやすい収録が中心の場合は、精度面での修正作業がそれなりに発生する可能性があります。完璧な自動化を期待するというより、「下書きを作ってくれるアシスタント」くらいの距離感で使うのが現実的だと感じました。
料金プランについて
Nottaには無料プランと有料プランが用意されており、文字起こしできる時間数や機能の範囲が異なります。料金や無料プランの制限は変更される可能性があるため、契約前に公式サイトで最新情報を確認することをおすすめします。執筆時点の情報であり、実際の利用前には必ず公式サイトでの確認をお願いします。
まとめ
インタビュー音声の文字起こしにNottaを使ってみた結果、静かな環境での1対1の会話であれば実用に足る精度が出ることが確認できました。専門用語や多人数の会話では手直しが前提にはなるものの、ゼロから手作業で起こすのに比べれば作業時間はかなり圧縮できます。取材業務の負担を少しでも減らしたい人は、一度試してみる価値があるツールだと思います。
本記事はアフィリエイト広告を含みます
コメント