長い録音の文字起こし：運任せにせず正しく分割する
2026年8月19日 · 8 分で読める
2時間の講義や丸一日の学会録音は、先に適切な場所で切り分けておくと、文字起こしの精度がずっと安定します。どこで分割するか、後からタイムスタンプをどう直すか、作業に使うコマンドを紹介します。
90分の講義、学会の1日分、長いインタビューの録音。定期的に文字起こしをしていると、こうした録音はすぐに当たり前になります。1つのまとまりのまま一度にモデルへ送るのは手軽に見えます。しかし、80分目で失敗すればファイル全体が無駄になり、トランスクリプトは読めない塊になり、利用枠も使い切ってしまうかもしれません。先に分割するほうが速く、ミスの代償も2時間ではなく数分で済みます。
分割が本当に役立つのはどんなときか？
すべての長いファイルを切り分ける必要はありません。判断の材料は3つです。そのファイルはサービスの上限に収まるか。全体を通して話者ラベルを一貫させる必要があるか。やり直しの手間はどれくらいか。Sprechverlaufでは、無料お試しは1ファイル10分まで、プランなら1ファイル最大4時間まで一度に扱えます。長い録音は内部で30分単位のセクションに分割されます。それでも、セクションごとに別々に保存したい場合や、一部だけやり直したい場合は、自分で分割する価値があります。
| 録音の長さ | 推奨 | 理由 |
|---|---|---|
| 30分まで | 分割せずそのまま | 1ファイルに収まり、話者ラベルが最後まで一貫する |
| 30〜60分 | 2パートに分け、間で切る | 全体を再処理しなくても、1パートだけやり直せる |
| 1〜3時間 | 20〜30分のセクションに分ける | 議題、休憩、話題の切り替わりに合わせられる |
| 学会の丸一日分 | 講演やセッションごとに1ファイル | 各セクションに、わかりやすい名前の文字起こしが付く |
| 長い無音を含む録音 | 先に無音を取り除く | 処理時間を減らし、空白の区間を避けられる |
守るべきルールは1つだけ：文の途中では切らない
音声認識は文脈をもとに動きます。文を途中で切ると、前後のどちらも文脈を失います。前半は途切れ、後半は手がかりのないところから始まります。この影響は、専門用語や固有名詞でとくに大きくなります。モデルが前後の単語に頼っている箇所だからです。切るのは間（ポーズ）の中にしてください。できれば、話題がもともと切り替わる場所が理想です。
- 議題、スライド、質疑の区切りで切る
- 2〜3秒の重なりを残し、切れ目で単語が消えないようにする
- あいさつ、音声チェック、お別れの部分は丸ごと削除する
- 純粋な音楽、拍手、準備の部分はあらかじめ取り除く
- パートには順番どおりの名前を付ける：「lecture-01」「lecture-02」の形にし、「new」「new-final」は避ける
ffmpegで分割する：コマンドは2つで十分
ffmpegは無料で、どの環境でも動きます。指定しない限り、音声を再エンコードしません。次のコマンドは、ファイルを25分（1500秒）のセクションに分け、音声には手を加えません：
- ffmpeg -i lecture.m4a -f segment -segment_time 1500 -c copy part_%02d.m4a
- ffmpeg -i lecture.wav -ac 1 -b:a 64k lecture.mp3（分割の前に、話し声の録音を大幅に小さくします）
- ffmpeg -i lecture.m4a -ss 00:12:30 -to 00:41:00 -c copy excerpt.m4a（特定の区間だけを切り出します）
64 kbit/sのモノラルは極端に聞こえますが、話し声には問題ありません。モデルに必要なのは、ステレオの広がりも音楽レベルの解像度もないからです。1時間分の話し声なら、約30 MBに余裕で収まります。元ファイルは残し、小さいコピーで作業してください。分割するのは常にコピーで、原本は分割しません。
コマンドラインを使わずに分割する
ターミナルを開きたくない場合は、Audacityでも同じところまで進められます。ファイルを開き、範囲を選択して、「File → Export → Export Selected Audio」を選んでください。ここでは波形表示がコマンドラインより明確に有利です。間は細い区間として見えるので、切る位置を推測せずに確認できます。スマートフォンなら、標準のボイスメモアプリでも同じことができますが、精度は粗くなります。
分割したあと：タイムスタンプは0から始まる
どの文字起こしも、それぞれのファイルの先頭から時刻を数えます。そのため講義の後半パートは、実際には25分目から始まっていても、再び00:00から始まります。パートを結合するときは、すべてのタイムスタンプに開始オフセットを足してください。足さないと、参照先がすべて間違った場所を指してしまいます。SRTやVTTの場合、多くの字幕エディターには「shift」または「offset times」という機能があり、これで一括して行えます。
- 元のファイルを見失う前に、各パートの開始オフセットを書き留めておく
- テキストの書き出しを結合するときは、パートごとに小見出しを付ける
- 引用には、パート番号と時刻を付ける（例：「パート2、07:41」）
- 字幕は、時刻をずらした後にだけ結合する
話者ラベルはパートをまたいで引き継がれない
話者分離は、ファイルごとに個別に解析されます。パート1の「Speaker 1」とパート2の「Speaker 1」は、同じ人物とは限りません。どちらの処理も、もう一方のことは知らないからです。これは手法の性質であり、不具合ではありません。実際には、各パートの最初の数秒を聞いて、一般的なラベルを実名に置き換えてから、セクションを結合してください。
話者の割り当てを一貫させることが何より重要な場合（たとえば審理の録音や、6人が参加するグループ討論）は、分割しないほうが理にかなっています。話者数を明示的に指定し、その分の処理時間を受け入れるのが妥当でしょう。
実践的な作業の順番
- 原本を保管し、作業用のコピーをモノラルMP3で作る
- 録音を一度ざっと聞き、間の位置に切る点を印付けする
- 20〜30分のセクションに分け、順番に番号を付ける
- セクションを1つずつ文字起こしする。先に言語と重要語を設定する
- セクションごとに、話者ラベルを実名に置き換える
- タイムスタンプを開始オフセット分ずらし、テキストを結合する
- 数字、名前、引用を、音声と照らし合わせて抜き取り確認する