これで解決！「インタビュー文字起こし」
更新：2026年10月8日 大幅に改定しました。過去のバージョンは最下層にあります。
ライターにとって「インタビュー文字起こし」ほど悩ましい仕事はありません。
2025年2月に書いたこの記事の前の版を、僕はそう書き出しました。
でも、そう書いてから1年ちょっとで、何もかも変わりました。
「もうプログラミングは人類にとって解決した問題」みたいな言葉も記憶に新しいですが、それと同じように、文字起こしもほぼ解決したと言っていいでしょう。
クラウドソーシングのランサーズが毎年発表している検索キーワードランキングを見ると、発注者が検索した言葉のランキングで、「文字起こし」は2024年に18位まで大きく順位を下げ、2025年にはランク圏外になりました。
ランサーズ自身も、発表の中でこう説明しています。
生成AIの普及により、単純作業の依頼ニーズが減少していることが示されています。
シンプルに「人に頼む必要がなくなってきている」ということです。
でも一方で、文字起こしの重要性自体は上がっていると思います。ただ、人間のやる仕事ではなくなっただけ。
なぜなら、僕自身、いまはインタビューだけでなく、YouTube動画やイベントも文字起こししていますし、YouTubeではそこからカット編集や字幕の生成まで進めています。
そして、録音を耳で聴いて文字を打つ作業はもちろん、AIに頼むプロンプトを書く作業も、僕はもうしていません。
じゃあ、いま何をしているのか。
録音を渡して「今日の取材終わった」
録音には、iPhoneとTP-7を使っています。
録音が終わったら、その音声ファイルをClaude Codeにパスして「今日の取材終わった」と言うくらいです。カレンダー連携してますし、依頼メールや事前のリモート打ち合わせの内容も含めてすでにAIは把握しているので、それだけでいいんです。
まずAIが音声入力ソフト「Superwhisper」を自分で動かして、話者を分けた状態で音声を文字にします。
そう、僕が操作するんじゃなく、AIがアプリを操作するんです。PC操作自体が、もう人間の仕事じゃなくなりつつあるわけです。
AIは、その音声データについて、誰と、何のために、どういう経緯で話したのかを最初から知っています。その文脈をふまえて、AIが文字起こしの怪しいところを直していきます。僕はこれを「ケバとり」と呼んでます。取るのはケバどころじゃないんですけどね。
例えば、怪しい固有名詞があれば、AIが検索して正式な表記を確かめます。それでも判断できないところだけ、質問してきます。
AIのほうから「怪しい」と言ってくる
そう、怪しい箇所は、最初からAIの側が「ここなんですけど…」と聞いてくるんですよ。
だから、文字起こしにおける僕のメインの仕事は、AIが「ここを聞き直してください」とお願いしてきたところを聴いて、「これ喋ってるの⚪︎⚪︎さんだよ」みたいに返事すること。
ビデオ会議の場合
ZoomやGoogle Meetでの取材や対談なら、最初から話者がキッチリ分かれています。そもそもマイクやアカウントが別々だから。
Zoomは、対応する有料プランでクラウド録画と音声文字起こしをオンにしておくと、話者ごとの文字起こしが出てくるんですけど、この安心感たるや。
そこで、Zoomの文字起こしを「誰がいつ話したか」の土台にして、言葉の聞き取りはSuperwhisperで起こしたテキストと突き合わせます（話者分離ではなく、言葉自体の聞き取りに関しては、こっちの方が正確なことが多いので）。
