多言語文字起こしソフト

録音した言語を問わず、同じワークフローで

多言語の文字起こしが必要なチームは、1つの言語だけで仕事をしていることはほとんどありません。そのためSonixでは、どの言語も同じアカウント、同じ処理、同じエディタで扱います。

市場調査会社なら、月曜にスペイン語、木曜に北京語のグループインタビューを行います。報道機関なら、同じ週にアラビア語、ヘブライ語、英語の取材が入ります。大学の研究室なら、ウルドゥー語とベンガル語のオーラルヒストリーを収集します。どのチームも、言語ごとに別の業者を使いたいとは思っていません。

手順はどの言語も共通です。パソコン、Dropbox、Google Drive、URLからアップロードし、実時間の10xの速さでAIが文字起こしを行い、あとはブラウザ上のエディタで整えます。エディタでは、単語をクリックするだけで音声のその位置にジャンプできます。

出力もどの言語でも同じです。Word、PDF、テキスト、SRT、VTTなど、全部で18以上の形式で書き出せ、タイムスタンプや話者ラベルの有無も選べます。元の音声がドイツ語でもタガログ語でも、後工程は変わりません。

対応する言語ごとに専用ページがあり、方言の注意点、形式の詳細、その言語ならではの疑問への答えをまとめています。上の言語ディレクトリから探すか、まずはよく読まれているスペイン語の音声の文字起こし、アラビア語の音声の文字起こし、広東語の音声の文字起こしのガイドをご覧ください。

文字起こしの精度が高い言語は？

Sonixの精度は、音声の品質によって85%から99%の範囲です。言語によって上限が決まり、実際の文字起こしがその範囲のどこに収まるかは録音次第です。

文字起こしの精度は、Sonixに限らずどのAI文字起こしでも、言語によって差があります。個々のファイルの精度は、言語そのもの、話者、録音の3つで決まります。

学習データが豊富な言語は、範囲の上位に入ります

音声認識モデルは、文字に起こされた音声から学習します。英語、スペイン語、フランス語、ドイツ語、ポルトガル語、北京語、日本語のように学習データが膨大な言語は、最も良い結果になりやすい傾向があります。録音され、書き起こされた音声が多いので、さまざまなアクセント、録音環境、話題から学べるためです。

これらの言語では、クリアな音声で話者がはっきり分かれていれば、精度の範囲の上限近くに届くのが普通です。プロの文字起こしの現場でよく使われるのも、そのためです。

学習データが少ない言語は、丁寧な編集をおすすめします

バシキール語、ウイグル語、モンゴル語、ウェールズ語など、学習データが比較的少ない言語も、クリアな音声なら十分きれいに文字起こしできますが、編集でしっかり見直すと仕上がりが上がります。特に固有名詞や専門用語について、Sonixのエディタで数分多めに見ておくと安心です。

だからといって、学習データが少ない言語でAI文字起こしを避ける理由にはなりません。むしろ、修正が速いツールを選ぶ理由になります。Sonixのエディタは音声とテキストを同期して再生するので、怪しい単語の確認は、ファイルをスクラブして探さなくても1クリックで済みます。

その中間の言語は、通常の見直しで良好な結果に

対応する54以上の言語の大半は、この両極の間に入ります。ヒンディー語、ベンガル語、ウルドゥー語、ヘブライ語、広東語、ベトナム語、トルコ語、ポーランド語、インドネシア語などは、学習データも十分にあり、認識モデルも成熟しています。クリアな音声ならとても良い結果になり、ノイズが多い音声や強い訛りのある音声では、同じ条件で録音した英語のファイルと同じ程度の見直しが必要です。

このグループでは、2つの傾向を知っておくと役立ちます。1つ目は、くだけた話し方よりも改まった話し方のほうが精度が高いことです。ヒンディー語のニュース放送は、家族間の電話よりもきれいに文字起こしできます。放送の話し方が学習データに近いためです。2つ目は、人名や外来語の修正が最も多いことです。地元政治を扱うベンガル語のインタビューは、ベンガル語の部分は正確でも、文中に出てくる英語の社名でつまずくことがあります。

言語ごとの精度を左右するもの

言語のランキングよりも影響が大きい要因が4つあります。

• 学習データの量。 その言語の文字起こし済み音声が多いほど、アクセントも含め、実際の話し方の幅を正しく認識できます。
• 方言の隔たり。 主に1つの標準的な話し方で学習したモデルは、それから離れた方言で誤りが増えます。アラビア語は特にこの影響が大きく、次のセクションで説明します。
• 声調と文脈の複雑さ。 北京語、広東語、ベトナム語、タイ語のような声調言語では、音の高さが意味を担います。最新のモデルは文脈から声調をうまく扱えますが、ノイズの多い音声では同音異義語が修正の多い箇所になります。
• 音声の品質。 これは、皆さんが自分で最も大きく変えられる要素です。静かな部屋でピンマイクを使って録音したウルドゥー語は、反響するホールで電話越しに録音した英語より良い結果になります。背景ノイズが少なく、話者がはっきり分かれ、話が重ならないほど、どの言語でも精度の範囲の上限に近づきます。

どの言語でも精度を上限に近づけるには

その言語の学習データの量は変えられませんが、それ以外のほとんどはご自身で調整できます。

• 話者の近くで録音する。 外付けマイクやピンマイクを話者から数十センチ以内に置くと、部屋の向こうにあるノートパソコンのマイクより、どの言語でも良い結果になります。
• 話者を分ける。 話が重なると、精度も話者ラベルも下がります。インタビューやグループインタビューでは、1人ずつ話すようお願いしてください。
• 背景ノイズは録音の時点で減らす。 窓を閉め、エアコンを止め、カフェでの録音は避けましょう。人の耳は聞き流せるノイズも、モデルは聞き流せません。
• 音声に合う言語を選ぶ。 広東語の音声には、北京語ではなく広東語を選んでください。上のディレクトリから該当する言語のページを選び、アップロードの前に方言の注意点を確認しましょう。
• 言語のグループごとに編集の時間を見積もる。 学習データが豊富な言語なら、さっと目を通す程度で十分です。学習データが少ない言語や方言色の強い音声では、人名、数字、専門用語に絞って確認する時間を確保してください。

実践面でのポイントは、言語が精度の上限を決め、実際の文字起こしがその範囲のどこに収まるかは録音の質で決まる、ということです。きちんと録音したウルドゥー語のインタビューは、録音状態の悪い英語のインタビューよりも良い結果になります。

方言と文字

54以上の言語が並ぶ一覧だけでは、全体像の一部にしかなりません。日々の作業で大切なのは、各言語の中にある違いをサービスがどう扱うかです。

広東語は北京語とは別の言語です

Sonixでは、中国語を広東語と北京語の2つの選択肢に分けています。この2つは話し言葉では互いに通じず、広東語の音声を北京語のモデルにかけても、使えない結果になります。話者が実際に使っているほうを選んでください。香港のメディア、家族の記録、広東語のインタビューには専用の広東語の文字起こしを、中国本土や台湾の音声には北京語の文字起こしをお使いください。

方言がつながって広がるアラビア語

アラビア語には、現代標準アラビア語のほか、エジプト、レバント、湾岸、マグリブなど地域ごとの方言群があります。放送や改まった場面の現代標準アラビア語が最も安定して文字起こしでき、日常会話の方言はばらつきが大きいため、編集で見直すと効果的です。方言ごとのガイドはアラビア語の文字起こしページにあります。

ポルトガル語：ブラジルとポルトガル

Sonixのポルトガル語は、ブラジルとヨーロッパの両方をカバーする1つの選択肢です。両者は発音がはっきり違い、語彙も場所によって異なるため、どちらをアップロードする場合も、固有名詞や地域特有の言葉は軽く確認してください。詳しくはポルトガル語の文字起こしページをご覧ください。

右から左へ書く文字

アラビア語、ヘブライ語、ペルシア語、ウルドゥー語の文字起こしは、ローマ字化した近似表記ではなく、元の右から左へ書く文字で仕上がります。エディタも、修正の間は文字を右から左に並べて表示します。詳しくは、ヘブライ語の文字起こしとウルドゥー語の動画の文字起こしのガイドをご覧ください。

ローマ字化ではなく、元の文字で

ヒンディー語(デーヴァナーガリー文字)、ベンガル語、タミル語、タイ語、韓国語、日本語、ギリシャ語など、ラテン文字以外の文字体系を使う言語は、それぞれの文字で仕上がります。後続のツールでラテン文字の版が必要な場合は、まず元の文字で文字起こしし、そのあと文字起こしを英語に翻訳してください。元の文字で文字起こしすれば精度を保てますが、認識の段階でローマ字化すると保てません。

複数言語の音声を自動で言語判定

ファイルの言語が分からないときや、録音の途中で言語が切り替わるときは、Sonixが言語を判定したり、1つのファイルで複数の言語を文字起こししたりできます。

言語を自動判定する

さまざまな出どころのファイルを扱っていて、1つずつ確認できないときは、アップロード時に「Auto-detect language」を選んでください。Sonixが話されている言語を判定し、ファイルを適切な認識モデルに振り分けます。スペイン語、フランス語、ドイツ語のインタビューが混在していても、先に仕分けせずにまとめてアップロードできます。

1つの録音に複数の言語

途中で言語が切り替わるファイルでは、「Transcribe in multiple languages」を選び、話されているすべての言語を指定します。Sonixは、会話の各区間を聞こえた言語で文字起こしします。英語とスペイン語を行き来するバイリンガルのグループインタビュー、ウルドゥー語と英語が混ざる海外コミュニティのインタビュー、アラビア語話者とフランス語話者が並ぶ国際パネルも、1つの文字起こしにまとまります。

この機能の仕組み上、正直にお伝えしておきたい制約が1つあります。言語の切り替わりが、文の途中ではなく話者の交代のところで起こる場合に、最も良い結果になります。1つの文の中で言語が素早く切り替わるコードスイッチングは、音声認識で最も難しいケースです。コードスイッチングが多い音声は、主に使われている言語で文字起こしし、例外の部分をエディタで修正してください。

言語が分かっているときは、指定してください

ファイルの言語が分かっているなら、その言語を直接選んでください。言語を指定すると判定の手順が省かれ、最初の1秒から適切なモデルで処理されます。

まず文字起こし、次に翻訳

外国語の音声を英語のテキストにする最も確実な方法は、2段階で行うことです。まず元の言語で文字起こしし、できあがった文字起こしを翻訳します。

元の言語で文字起こしすれば、認識モデルは慣れた言語のまま処理でき、翻訳も音声を推測するのではなく、きれいなテキストから始められます。Sonixにはこの受け渡しが組み込まれています。文字起こしができたら、ワンクリックで54以上の言語に翻訳できます。文脈と意味を保つニューラル機械翻訳を使い、翻訳は数分で、同じアカウント内で再アップロードなしに届きます。

よくある使い方は、スペイン語のグループインタビューの文字起こしをクライアント向けレポート用に英語へ翻訳する、アラビア語のインタビューの文字起こしを英語字幕にする、英語のポッドキャストの文字起こしをドイツ語圏の聴き手向けにローカライズする、といったものです。翻訳は修正済みの文字起こしから始まるので、エディタで直した内容は、すべての翻訳に反映されます。

動画チームでは、同じ受け渡しが多言語字幕を支えます。元の音声を文字起こしして、一度修正し、翻訳し、対象言語ごとにSRTやVTTの字幕ファイルを書き出します。元の文字起こしのタイムスタンプが引き継がれるので、翻訳した字幕も、手作業でタイミングを合わせ直さなくても映像と同期したままです。

Sonixの翻訳機能についての詳細や、全体の流れは自動文字起こしのページをご覧ください。

多言語チームのために

研究グループ、報道機関、法務チーム、市場調査会社、ポッドキャスターのいずれにも、同じアップロード操作で対応します。変わるのは言語だけです。

研究者と学術関係者

オーラルヒストリー、言語学のフィールドワーク、国をまたぐ調査では、参加者が話す言語で音声が集まります。Sonixは元の文字のまま、タイムスタンプ付きで文字起こしを返すので、引用箇所を録音上の正確な位置と結び付けられます。

報道機関とメディア

記者は現地から、アラビア語、ヘブライ語、スペイン語、フランス語の取材を送ります。まず元の言語で文字起こしすれば発言をそのまま残せ、翻訳は確認済みのテキストから行えます。

法務・コンプライアンスチーム

多言語の証言、クライアントとの通話、証拠となる音声には、正確でタイムスタンプ付きの記録が必要です。単語単位のタイムスタンプがあれば、争いのある箇所を元の音声とすばやく照合できます。

市場調査会社

スペイン語、広東語、ポルトガル語のグループインタビューが数分で検索できるテキストになります。アナリストは翻訳会社を待たず、その日のうちにテーマを分類できます。

ポッドキャスターと動画制作者

元の言語の文字起こしは、番組のノートや検索での見つけやすさを支えます。ワンクリック翻訳とSRT・VTT書き出しで、同じ文字起こしが新しい市場向けの字幕になります。