チャットボットが得意なこと

AIチャットアシスタントの中には、音声ファイルを受け付けるものがあります。声が1人だけではっきりした2分ほどのボイスメッセージなら、使えるテキストが返ってくることもあります。また、チャットボットは文字起こしの後の作業も得意です。テキストさえあれば、要約したり、やるべきことを抜き出したり、メールの文面にまとめたりできます。録音が短く、要点だけ分かれば十分という場合は、それで足りるかもしれません。

うまくいかない点

  • アップロード制限。 音声を受け付けるアシスタントでも、ファイルのサイズや長さに上限があり、そもそも音声に対応していないものもあります。長い録音は、何個かに分割して1つずつ読み込ませる必要があることが多くなります。
  • 短縮されるテキスト。 チャット画面は、40ページ分の文章を返すためではなく、答えを返すために作られています。長い録音では、要約したり、一部を飛ばしたり、途中で止まったりしがちです。
  • 話者が確実には分からない。 インタビューや会議では、誰が何を話したかが重要です。チャットボットは話者の切り替えを確実には示せないため、声が変わるたびに音声と照らし合わせて確認することになります。
  • タイムスタンプが確実ではない。 各発言の時刻がなければ、引用を確認するために音声の該当箇所へ戻ることができません。
  • 扱えるファイルがない。 手元に残るのはチャット上のテキストで、他の人に渡せるドキュメントではありません。

特に気づきにくいのが、テキストの短縮です。要約された文字起こしはスムーズに読めてしまうため、途中の10分間が丸ごと抜けていても、まず気づけません。

なぜこうなるのか

音声をテキストにするには、音声認識モデルと、音声そのものに対する実際の処理時間が必要です。一般的なAIチャットアシスタントは、読み込める量と書き返せる量に上限がある中で、メッセージに答えるように作られています。長い録音は、そのどちらも超えてしまいます。

見落とされやすいのが出力側です。4つの長い作業で行った当社のテストでは、85分・1,200行の字幕ファイルの翻訳に、どのモデルでも38,000〜56,000の出力トークンが必要でした。2時間の録音をすべて文字起こしすると、返信のサイズはそれと同程度になります。それが1回で届くかどうかは、1回の返信にどれだけ入れられるかというアプリ側の仕様次第です。

専用の音声文字起こしツールは、発想が逆です。ファイル全体を部分ごとに処理し、すべての段落の時刻を保ち、結果を編集やエクスポートができるドキュメントとして保存します。

ご自身で試すには

内容を把握している録音を用意してください。20分以上の長さで、2人が話しているものが適しています。

  1. チャットボットに、タイムスタンプ付きで一言一句そのまま文字起こしするよう頼みます。
  2. そもそもアップロードが受け付けられたかを確認します。
  3. 終盤近くで覚えている一文を探し、結果の中から検索します。
  4. 語数を目安と比べます。たいていの人は1分間に130〜160語ほどで話します。

終盤の一文があり、語数も目安の範囲内であれば、その録音は問題ない部類です。終盤にかけてテキストが薄くなっていたら、それは文字起こしではなく要約です。

代わりに使うもの

長い録音向けに作られたツールをお使いください。当社の長時間の音声・動画の文字起こしツールは、録音を部分ごとに分け、それぞれをタイムスタンプ付きで丸ごと文字起こしし、順番どおりにつなぎ合わせます。2 GB・6時間までの音声ファイルと動画ファイルに対応し、話されている言語のまま書き起こし、各段落の下に翻訳を追加することもできます。ダウンロード形式はTXTまたはWordです。完成例はデモでご覧いただけます。

最初の部分は、アカウント不要で無料です。録音全体は$5、一回払いのみで、サブスクはありません。Unlimitedは週$19（毎週更新、いつでも解約可能）で、サイトのすべてのツールを使え、1件の作業につき最大12時間の録音に対応します。

録音がWhatsAppのトーク内のボイスメッセージであれば、代わりにWhatsAppトークをPDFに変換をご利用ください。トーク内で送信された位置のまま、各ボイスメッセージを文字起こしします。