情報確認日：2026年10月15日
AI文字起こしの「話者A」「話者B」は、発言区間を話者ごとにまとめたラベルで、実名を確認した結果とは別です。名前を付けるときは、元音声の時刻、参加者情報、本人確認できる発言を照合します。誰か分からない区間や声が重なる箇所は、実名へ無理に置き換えず「話者未確認」と残してください。
話者分離は、発言区間にラベルを付ける処理
OpenAIの文字起こしAPIでは、話者分離用のモデルgpt-4o-transcribe-diarizeで、区間ごとの話者、開始・終了時刻などを得られます。参照話者を与えない場合、話者はA、Bなどの大文字で順にラベル付けされます。文字起こしAPIの公式参照
Aが議長、Bが最初に名乗った人、という役職上の意味が決まっているわけではありません。参加者名簿の順番だけで、Aから順に実名を割り当てないようにします。
また、文章が自然に読めることと、話者の対応が合っていることは別です。発言内容の校正に加え、誰の発言かも元音声へ戻って確認します。
実名の対応表は、確認根拠を付けて作る
原音声とAI出力を残し、公開用の原稿は別に作ります。確認用の表には、ラベル、実名または役割、根拠の時刻、確認した人、未確認箇所を入れます。
| 記録する項目 | 内容 |
|---|---|
| AIのラベル | A、Bなど出力のまま |
| 対応する人 | 確認できた名前・役割のみ |
| 根拠 | 名乗りや映像、確認できる時刻 |
| 保留 | 混声・聞き取り不能・対応未確認 |
たとえば冒頭の自己紹介が聞き取れても、離れたマイクへ移動した後の声が同じラベルになっているかは、後半の区間も確かめます。途中でラベルを見直した場合は、原音声の区間と対応を残します。
会議参加者へ確認を頼むときも、名簿全体を広く配るのではなく、必要な区間と確認事項に絞ります。音声を処理・共有してよい範囲は、録音時の説明や組織の規則に合わせて確認します。
参照音声を使うなら、本人と用途を確認する
現行ガイドには、既知話者の短い参照音声と名前を渡し、区間を既知の話者へ対応させる方法があります。参照音声は最大4人分、各2〜10秒です。話者分離の公式ガイド
known_speaker_namesとknown_speaker_referencesを対応させます。公式参照は、名前の欄をcustomerやagentのような短い識別子として説明しています。戸籍上の実名を必ず送らなければ動かない設定ではありません。
参照音声は、誰の声か分かり、ほかの人の声が重ならない区間を選びます。音声の本人へ、どのサービスで何のために使うかを説明し、利用・送信について必要な了承を確認してください。公開されている声を見つけたことだけで、今回の用途への利用条件を確認済みとは扱いません。
参照を与えたことも、全区間の正しい対応を保証するものではありません。出力されたラベルと元音声の照合は残ります。
APIで使う場合は、モデルと出力形式を合わせる
OpenAIの録音ファイル向け案内では、通常の文字起こしにはgpt-transcribeを出発点とし、話者ラベルが必要な場合に専用モデルを選ぶ構成です。音声を文字にできるモデルすべてに、同じ話者分離が付くわけではありません。
話者の注釈を受け取るには、diarized_json形式を使います。30秒を超える音声には、chunking_strategyの指定が必要で、autoまたは対応する音声検出の設定を使います。
この専用モデルでは、通常のpromptや単語ごとの時刻指定など、対応しない項目もあります。使うアプリがどのモデルと形式を選べるかを開発担当へ確認します。APIの話者分離と、Realtimeの文字起こしを同じ対応機能として説明しないようにします。
混声は、無理に一人の発言へまとめない
複数人が同時に話した区間、短い相づち、遠くの声、笑いの中の発言では、話者や文字が判断しにくい場合があります。音声を聞き、分からない部分は「話者未確認」「聞き取り不能」などの表記を使います。
声の印象だけで特定の人へ割り当てたり、文脈に合う言葉を足したりしません。公表する発言録では特に、誤った実名が付くと、本人がしていない発言として伝わるおそれがあります。
文章を読みやすく整える場合も、誰の発言かを確認する工程とは分けます。要約した文を、かぎ括弧で本人の逐語発言のように見せないようにしてください。
最後は、時刻付きの原音声へ戻る
公開や業務利用の前に、発言者名、数字・固有名詞、発言の前後を照合します。重要な区間は、担当者や参加者が確認した範囲を記録すると、後日の訂正も進めやすくなります。
ストリーミングの場合、公式ガイドは、話者の割当てが区間確定時に行われ、途中の文字差分には部分的な話者割当てがないと説明しています。流れてきた文字だけを見て、話者名まで確定させないようにします。
対応が安定しない場合は、音声の時刻、AIのラベル、期待する対応とその根拠、参照音声の設定を担当者へ示します。実名を推測で埋めるより、未確認のまま残して確認することが、使える発言録を作るための手順です。
参照資料
あわせて読みたい記事
執筆・検証：カネさん（政経プラスチャンネル運営）＋ ChatGPT
