文字起こしの精度を上げる、いちばん安い方法：最高音質で録った600MBの会議、レコーダーは部屋の隅の棚にあった

会議の前に、担当者がレコーダーの設定を開いた。

選んだのは、いちばん高い音質のWAV。60分の会議の録音は、およそ600MBのファイルになった。

レコーダーの置き場所は、会議室の隅の棚だった。

文字起こしの結果には、不明の印がいくつも並んだ。

最高の音質で録ったのに、会議の声は文字にならなかった。では、600MBは何のための600MBだったのか。

600MBで買えたのは、ファイルの大きさだった

600MBのWAVをMP3にすると、ファイルは元の約10分の1から12分の1の大きさになる。

大きさの差を生むのは、音声形式だ。

音声形式とは、音を数値のデータにして保存するときの、削り方と入れ物の決まりである。拡張子の違いの中身は、どの情報を削るかの違いだ。

MP3は、1990年代初頭に、ドイツのフラウンホーファー研究所が中心となって開発した。人の耳で聞き分けにくい音を削る。

同研究所の年表によれば、研究者たちは1995年の所内投票で、拡張子を全員一致で.mp3に決めた。

M4Aは、MPEG4規格の一部として登場した入れ物（コンテナ）だ。中身には、主にAACを使う。

AACは、MP3より約30%低いビットレート（1秒あたりのデータ量）で、同じ音質を出せるという評価がある。

WAVは、1991年にマイクロソフトとIBMが共同で開発した形式だ。中身には通常、音を削る前のままのPCMというデータを入れる。

4分のステレオ曲なら、128kbpsのMP3は約3.8MB。CD品質のWAVは約40MBになる。

WAVの600MBは、音を一つも削らなかった分の大きさである。容量を払っても、文字起こしの精度まで買えたとは限らない。

話し声の文字起こしは、CD品質の情報を使っていなかった

人の話し声の主な成分は、音楽より狭い音域に収まる。

多くの音声認識は、内部で音声を16kHz程度に落として処理する。認識の前に、システムの側でCD品質の細かな情報を削るわけだ。

OpenAIが2022年に発表した音声認識モデルWhisperの論文も、同じ設計をとる。論文には「すべての音声を16,000Hzに再サンプリングする」とある。

Whisperの学習に使った音声は、68万時間。それだけの量を学んだモデルでも、入口では音を16kHzに落としている。

担当者のWAVも、認識の入口で細かな情報を落とした。600MBのうち、認識に届いた情報はずっと少ない。

2025年時点の一般的な目安では、話し声の録音は64から128kbpsで足りる。

ビットレートを極端に下げると、誤りが増える場合がある。録音は、目安の範囲に収める。

高音質の形式に変えても、誤りは減らなかった。では、何が精度を落としていたのか。

精度を落としていたのは、棚の上という置き場所だ

認識の精度を左右するのは、録り方の条件だ。話し手とマイクの距離、部屋の反響、話し声の重なり、空調やキーボードの雑音。

部屋の隅の棚は、どの話し手からも遠い。

反響だらけの音声を高価な形式で録るのは、かすれた字の手紙を上等な封筒に入れるようなものだ。封筒を替えても、中の字はかすれたまま。

録り方の工夫は三つ。まず、レコーダーを話し手の中央に置く。

次に、反響の強い部屋を避ける。最後に、発言は一人ずつ、と進行で促す。

三つの工夫は、一段上の形式に変えるより、精度に効くことが多い。

次の会議の前に、AIに書いて渡す四つの前提

担当者が次の会議の前にどの形式で録るか迷ったら、AIに聞く前に、録音の使い道を決める。

録った音声を編集して配信にも使うなら、WAVで録る理由がある。編集の余裕が残るからだ。

使い道に、話者の数、部屋の様子、レコーダーの置き場所を添えて、AIに渡す。AIは、担当者の状況に合った候補を返す。

次のプロンプトのかっこの中を、自分の録音に書き換えて使える。

（例：60分の会議）を、（例：ICレコーダー）で録音して文字起こしサービスにかけます。
話者と部屋：（例：話者は4人。会議室には少し反響があります）
置き場所：（例：レコーダーは、話し手の中央の机の上に置きます）
条件：（例：アップロード上限は500MB。録音は文字起こしだけに使います）
お願い：録音の形式とビットレートの候補を三つ挙げ、音質、容量、扱いやすさで比べた表にしてください。置き場所と録り方で上げられる点も、別に挙げてください。

何のための録音か、レコーダーをどこに置くかは、頼む側が決める。AIに問う力とは、使い道と録る場の前提を言葉にして渡す力だ。

棚の上の600MBが拾えなかったもの

担当者が上げたのは、形式だった。上げるべきだったのは、レコーダーの置き場所である。

600MBの最高音質も、部屋の隅の棚からでは、会議の声を拾いきれなかった。

出典

• Robust Speech Recognition via Large-Scale Weak Supervision（OpenAI, Radford ほか, 2022年）
• The mp3 History（Fraunhofer IIS）

拙著『ChatGPT はじめてのプロンプトエンジニアリング』の2章1節に、目的を書かずに頼む問題と、作業の内容と目的を過不足なく書く方法を書きました。読むと、目的のない質問を、自分の条件で答えが決まる質問に組み替えられるようになります。