ブログ
ポッドキャストを文字起こしする方法|無料プレビューあり
著者: Hushscript 公開日: 最終確認日:
ポッドキャストを文字起こしするには、エピソードの音声ファイルをアップロードし、無料の5分プレビューを確認してから、サインインして全体の文字起こしを実行します。Hushscriptがホストとゲストにラベルを付けるので、ラベルの名前を一度付け直し、テキストをTXT、DOCX、SRTでエクスポートします。エピソード全体の文字起こしには、アカウントと十分な利用可能分数が必要で、アカウントの作成にカードは不要です。
ポッドキャストの文字起こしには、2つの役割があります。聴くのではなく読むリスナーにも、エピソードを検索できて利用しやすいものにできます。また、録音を聴き直さなくても、引用、チャプター、字幕の素材になります。プラットフォーム側の対応も具体的です。Apple Podcastsは、クリエイター向けに文字起こしとチャプターナビゲーションを案内しています。このガイドでは、ポッドキャストの文字起こしの手順、声へのラベル付け、よくある問題の直し方、結果の使い方を説明します。サービスのページはラジオ・ポッドキャストの文字起こしをご覧ください。
いちばん時間を節約できるのが話者分離です。ひと続きのテキストの塊になった文字起こしは、音声そのものとほとんど変わらない手間がかかります。Hushscriptは声ごとに自動でラベルを付け、すべての文字起こし結果で無料のため、会話は会話のまま返ってきます。
始める前に必要なもの
一般的な音声または動画形式のエピソードの録音、または音声ファイルへの直接リンクです。編集ソフトから書き出した音声ファイル(MP3、WAV、M4A)は、そのまま使えます。手元にZoom、Riverside、Ecammの動画録画しかない場合も使え、音声はブラウザ内で取り出されるため、動画がアップロードされることはありません。
何より効果があるのは、クリーンな元の音声です。話者ラベルは、声がはっきり区別でき、人が絶えず重なって話していないときに最もよく働きます。参加者ごとに別のトラックで録音していれば、最もクリーンな入力がすでに揃っています。1本にミックスしたトラックでも使えますが、声の区別を話者分離により強く頼ることになります。可能なら声はドライで録音し、BGMはあとから編集ソフトで足してください。連続した会話の下で流れるジングルは、精度を確実に下げる数少ない要因だからです。
エピソード全体を文字起こしするには、アカウントが必要です。5分のプレビューはアカウント不要のステップなので、何かに登録する前に、実際のファイルで話者ラベルとテキストの品質を確認できます。
ポッドキャストをテキストに文字起こしする手順
流れは、まずプレビュー、次にサインアップ、最後に残りの文字起こしです。ポッドキャストの音声をテキストにする手順は次のとおりです。
- ポッドキャストの文字起こしページにファイルをドロップします。 Hushscriptはブラウザ内で最初の5分を切り出し、話者ラベル付きのプレビューを返します。このステップにアカウントは不要です。ご自分の音声で、ホストとゲストがどう分けられ、テキストがどのくらいきれいに読めるかを確認できます。
- サインアップして、残りを文字起こしします。 メールアドレスを入力してサインインしたら、エピソード全体をアップロードします。対象の個人アカウントは、カード確認後または初回購入時に、お試し用の30分の無料分を1回限り受け取れます。条件は料金ページをご覧ください。全体の文字起こしには、アカウントと十分な利用可能分数が必要です。
- 文字起こしを実行してから、エクスポートします。 文字起こし結果は、すべての発話にラベルとタイムスタンプが付いて返ってきます。ショーノートに編集する文書にはDOCX、CMSに貼り付けるきれいなテキストにはTXT、動画版の字幕にはSRT、ポッドキャストホストが発話単位の文字起こしのアップロードに対応しているならJSONをエクスポートします。
30分の無料分は、短いエピソードか、長いエピソードの一部をカバーできます。60分のエピソードは残高から60分を使うため、お試し分を使い切ったあとは、追加の購入が必要です。
お試し分を超えたら、従量課金の文字起こしでは、サブスクなしのプリペイド分数パックを使うので、エピソードの間が空いた月は費用がかかりません。
すべてのホストとゲストにラベルを付ける
話者分離は自動で実行されるため、何かをオンにする必要はありません。2人のエピソード(ホスト1人、ゲスト1人)なら、文字起こし結果はきれいに分かれて返り、すべての行が2つのラベルのどちらかに振り分けられます。パネルでは、Hushscriptは聞き取れる限りの声を分け、話者数の上限はありません。
汎用のラベルを実際の名前に置き換える手順は次のとおりです。
- エディターで、
話者 Aのどれか1か所をクリックします。 - 「Alex」や「ホスト」などの名前を入力します。
- そのラベルのすべての箇所が、文字起こし全体で一度に更新されます。
ラベルの付け直しは、行ごとではなく声ごとに1回です。2人のエピソードなら1分ほど、4人のパネルなら数分です。名前を付け直すと、文字起こしの一部は次のように読めます。
Alex [00:03:12]: その時点では、会社を経営していたんですよね。最初の兆候は何でしたか?
Jamie [00:03:19]: 正直に言うと、数字でした。1四半期で40%も落ち込んだんです。
Alex [00:03:27]: そのときは、理由が説明できなかったのですか?
Jamie [00:03:35]: 何週間もわかりませんでした。それが眠れなかった原因です。
引用を抜き出したり、タイムスタンプ付きのチャプターを書いたりするのに必要なのが、この構造です。ラベルはファイル全体に引き継がれるため、長いエピソードでも付け直しは1回で済みます。声を分ける仕組みについては、話者分離のしくみをご覧ください。
ラベルの修正が必要なとき
話者分離は、クリーンな録音なら正確ですが、完璧ではありません。すばやく直せるように、いくつかのパターンを知っておくと役立ちます。
2人のゲストの声がよく似ていると、まれに別の話者に振り分けられる行があります。音声を開いたまま文字起こしを見て、誤って振り分けられた数行を手作業で付け直してください。直すのは例外だけなので、話者名を一から入力するよりずっと速く済みます。
ほとんど話さない控えめな共同ホストが、別のラベルに統合されてしまった場合は、まず主な話者に実際の名前を付け、そのあとで控えめな声のものになる数行を探します。しっかり分離された録音では、どちらのケースにもめったに当たりません。録音時に、少し手間をかけて1人ずつ別のトラックにする価値があるのは、このためです。
よくある問題と、本当の原因
文字起こしの問題の多くは、ツールではなく録音に原因があります。番組を公開する前に、いくつか備えておくとよい点があります。
クロストーク(人同士が重なって話すこと)。 同じ瞬間の2つの声をきれいに分けることはできないため、これはどんな話者分離のシステムにとっても最も難しい点です。テキストは通常読める状態を保ちますが、重なりが大きい箇所は、片方の話者にまとめられたり、境目がぼやけたりします。ホストがゲストの話を最後まで聞くという基本的な心がけが、ここでも効いて、副次的により読みやすい文字起こしになります。それでも起きたときは、その数行を音声と照らして手作業で直します。
リモートゲストを1つのトラックで録音した場合。 通話を1本のミックスしたファイルで録音すると、参加者ごとのトラックで録音した同じ通話より、声を分けるのが難しくなります。ツールが参加者ごとのローカル録音に対応しているなら使ってください。ミックスしたファイルしかなくても文字起こしはできますが、話者分離により強く頼ることになります。どちらの場合も、アップロードするのは同じ音声なので、文字起こしの際に変えることはありません。ゲストごとの別トラックを録音していて、アップロード前に1つのファイルにまとめたい場合は、無料の音声結合ツールがブラウザ内で処理し、何もアップロードしません。Chromeのタブから参加したゲストは、無料のHushscript Chrome拡張機能で録音できます。タブとマイクの音声が1つの録音にまとめられます。開始する前にゲストに伝えてください。
強いアクセントと言語の切り替え。 Hushscriptは言語を自動で検出し、約99言語を文字起こしでき、そのうち18言語では最高水準の精度です。対応言語なら、アクセントが強いゲストでもうまく処理できます。文の途中で2つの言語を切り替えるゲストは、本当に難しいケースで、切り替わった部分は手作業で直す前提にしてください。対応言語の一覧は、言語のページをご覧ください。
イントロの音楽やジングル。 コーナーの間のBGMは、意味のない文字として起こされるのではなく、たいてい読み飛ばされます。問題になるのは、連続した会話の下で長い間音楽が流れる場合だけです。確実な対策は編集側にあります。声はドライで録音し、音楽はあとから重ねれば、文字起こしが扱うのは会話だけになります。
名前、専門用語、ブランドの表記。 専門家のゲストは、モデルが音の響きのままに書いてしまう用語や製品名を使います。繰り返し出てくるので、直すのは簡単です。エクスポートした文書で検索と置換を行えば、繰り返し出る誤記を一度で直せます。
精度を上げるコツ
最大の要因は録音の品質なので、マイクと静かな部屋に手間をかけると、文字起こしのときに報われます。さらに、話者ごとに1トラックにすると、最もきれいなテキストと最もきれいな話者ラベルの両方が得られます。1本の波形から2つの声を切り分ける必要がなくなるためです。ゲストのマイクは、離れたりせず、近くで一定に保ってください。そうすれば、編集の時間を修復ではなく中身に使えます。
校正するときは、音声を開いたまま読み、順番に直していきます。まず話者ラベル、次に聞き間違えた名前や専門用語、最後にときどきある重なりです。上から順に読むより、種類ごとに作業するほうが速く、公開できるほどきれいな文書に仕上がります。
文字起こしを活用する
テキストが整ったら、引用、チャプター、字幕の土台として使えます。タイムスタンプはすべての発話に付いているため、エピソードを聴き直さなくても、話題が変わる箇所を見つけられます。話の中に出てきたURLを探すには、「ドットコム」や「スラッシュ」のような言葉でテキストを検索します。引用を抜き出すときは、フィラー(言いよどみ)を残すかどうかを意図して決めてください。両方の違いは、ケバ取りと逐語起こしの違いで説明しています。
ショーノート、チャプター、そのほかの公開までの流れは、ポッドキャスト文字起こしのワークフローにまとめています。
Spotifyポッドキャストの文字起こし
Spotifyでは、エピソードの横に文字起こしを表示できます。クリエイター向けヘルプによると、一部の番組には自動生成の文字起こしが付き、リスナーはSpotifyモバイルアプリの再生中画面とエピソードページでそれを見られます。代わりに自分で確認したテキストを掲載するには、5 MBまでのVTTまたはSRTファイルをアップロードします。タイムスタンプを含めないと、再生中にテキストが同期されません。
そのファイルを作るには、Spotifyから取り出したコピーではなく、元のエピソード音声を文字起こしします。HushscriptはSpotifyのページからエピソードを取り込めませんし、そもそも編集ソフトからのエクスポートがいちばんきれいなソースです。エディターで名前と話者ラベルを直し、SRTまたはVTTをエクスポートします。どちらの形式にも、Spotifyが求めるタイムスタンプが含まれます。
先に確認しておきたい点が二つあります。Spotifyによると、自動生成の文字起こしを有効にすると、アップロードした文字起こしは置き換えられるので、どちらにするか決めておいてください。また、Spotify for Creators内では文字起こしを編集できません。ファイルをオフラインで修正して、もう一度アップロードします。修正後はそのたびに再エクスポートできるよう、直したSRTをマスターとして保管してください。さらにSpotifyは、ポッドキャストのホスティング先によっては文字起こしを同期できない場合があること、文字起こしはすべてのクリエイターやSpotify for Creatorsのモバイルアプリでは利用できないことも説明しています。ヘルプでは、操作はWeb版のSpotify for Creatorsにあり、番組全体なら「Settings」の「Transcripts」、1つのエピソードならそのエピソードの「Details」だと案内されています(画面の表示名は言語設定によって異なる場合があります)。
字幕を追加する
エピソードの動画版を、動画ホスティング、Spotifyのビデオ、LinkedInなどのプラットフォームに公開するなら、SRTエクスポートがそのままアップロードできる時間指定の字幕ファイルになります。すでに作成した文字起こし結果にタイミングのデータが含まれているので、追加の手順はありません。音声しかなく、プラットフォームが動画ファイルを求める場合は、無料のMP3をMP4に変換ツールで、エピソードを静止画または単色のMP4にできます。処理はブラウザ内で行われ、何もアップロードされません。対応は200 MB、約3時間までです。クリップに字幕を載せる流れ全般(焼き込みか別ファイルか)については、動画に字幕を追加する方法をご覧ください。
出発点が音声のエクスポートではなく動画の録画でも、手順は同じです。音声は、まずブラウザ内で抽出されます。この流れの詳細は、動画の文字起こしのページで説明しています。
長いエピソードと複数パートのエピソード
長編のエピソードやライブ録音でも、Hushscriptは最大10時間のアップロードに対応し、ファイルサイズの制限はありません。4時間のパネルやドキュメンタリー形式のエピソードも、チャンクに分けずに1つのファイルとして処理されます。これには2つの利点があります。話者ラベルがファイル全体で一貫するため、付け直しは1回で済みます。タイムスタンプも途切れないため、3時間の時点のチャプターは、パート2でゼロから数え直されることなく、[03:12:40]と表示されます。
複数パートのシリーズを1回の収録で録音した場合は、収録全体を1つのファイルとして文字起こしし、ショーノートはあとからパートごとに分けてください。先に音声を切り分けても、ラベルの付け直しの手間が増えるだけです。
独立した情報源と規格
Hushscript は、競合関係にない独立した情報源を参照しています。これらは研究、規格、プラットフォームの仕組みを説明するもので、Hushscript を推奨するものではありません。
情報源の確認日: