情報確認日：2026年10月15日
文字起こしに、無音の区間や実際に聞こえない文章が入っていたら、その文を発言として採用せず、元音声の該当箇所を確認します。文字起こしAIは、音声にない文を出すことがあります。用語のヒントを足す場合も、期待する文章を無理に言わせず、原音声と比べて改善したかを確かめてください。
自然な日本語でも、発言があった証拠ではない
OpenAIのWhisperモデルカードは、予測に音声で話されていないテキストが含まれる場合や、文章を繰り返す傾向を説明しています。Whisper：Performance and Limitations
これはWhisperについての開発元の説明です。すべての音声認識モデルに同じ頻度・原因で起きると一般化する数字ではありません。ただし、文字起こしを発言録として使うときは、読みやすい文になったことだけを採用理由にできないと分かります。
音声が小さい、録音の開始・終了に無音がある、BGMと声が重なるなどの場合は、まず実際に何が収録されているかを聞きます。「ご視聴ありがとうございました」のような定型文が出ても、話者がそう発言したかは音声で判断します。
最初に、原本とAI出力を分けて保存する
修正前の音声、AIが出したままの文字、確認後の原稿を分けます。原本を上書きしてしまうと、後から誤認識の範囲を確かめにくくなります。
疑わしい文には、開始・終了の時刻と確認結果を付けます。時刻が出ない製品では、前後の聞き取れる語を手掛かりに、再生位置を探します。音声がないことを確認した区間と、音はあるが聞き取れない区間も分けてください。
| 元音声の状態 | 原稿での扱い |
|---|---|
| 発言が明瞭に聞こえる | 語句と時刻を照合して採用 |
| 発言はあるが判別できない | 聞き取り不能などと残す |
| 発言がなくAIだけ文章を出した | 発言として採用しない |
| 録音自体が欠けている | 未収録とし、参加者等へ確認 |
聞き取れない箇所を削る場合も、削除した範囲を確認用の記録へ残します。空白を文脈で埋めた文章は、逐語の発言録と区別します。
用語ヒントは、関係する語だけにする
現行のOpenAI文字起こしガイドは、gpt-transcribeに対し、promptで録音の文脈、keywordsで聞こえると予想する用語、languagesで入力言語を指定する方法を案内しています。音声文字起こしの文脈指定
同ガイドは、キーワードはヒントであり、必ず出力する語ではないと説明しています。関連する用語だけを入れ、話されていない用語まで現れていないかを評価する必要があります。
例えば会議で扱う製品名の綴りを補う場合は、その語だけを示します。「この会議は必ず事業継続を決めている」といった期待する結論を、文字起こし用のヒントへ混ぜません。これは依頼を整理する方法で、誤認識を完全になくす設定ではありません。
長い録音は、発言の途中で切らない
OpenAIの同ガイドでは、音声ファイルの上限は25MBで、大きい場合は圧縮や分割を行う方法を示しています。その際は、文章の途中で分割すると文脈を失い、精度を下げるおそれがあると注意しています。
ファイルを分ける場合は、元録音の開始時刻との対応を残します。分割後の0分10秒が、会議全体の何時点なのか分からなくならないようにします。境目の前後を再生し、一語の欠落や同じ文章の二重掲載も確認してください。
無音を除く処理を使う場合も、短い相づちや小さい声まで切られていないかを確かめます。無音判定の設定と、話者が本当に何も言っていないという確認は同じではありません。
別モデルで同じ文が出ても、原音声を優先する
二つのAIが一致したことは、照合の補助にはなります。しかし、同じ録音条件やヒントに引きずられた誤りが残る可能性を考えます。多数決で発言を作るのではなく、聞き取れる根拠へ戻ります。
金額、日付、人名、否定の「ない」などは、短い誤りで意味が変わります。字幕や公開議事録に使う箇所は、前後の文脈を含めて再生し、実際の言葉と一致するかを確認します。
話者が分からない場合は、その問題も別に残します。文章が聞き取れたからといって、誰の声かまで確認したことにはなりません。
不具合を相談するときは、短い該当区間を用意する
担当者へは、使ったサービス・モデル、音声の形式と長さ、問題の時刻、AI出力、指定したヒントを伝えます。再現用の音声を渡す場合は、送信してよい範囲を確認し、必要な区間へ絞ります。
自分の確認で発言のない区間だったなら、修正文をAIへ考えさせる必要はありません。出力から取り除き、元音声との対応を保ったまま、実際に話された区間の確認を進めます。
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
