話者分離 文字起こしで、会話を話者ごとに読み返せます

JSONのリクエスト本文にdiarize: trueを追加します。ファイルを送る場合はフォームフィールドで渡します。diarizeの設定でsourceとの組み合わせを確認できます。

インタビュー、パネルディスカッション、司会者とゲストの会話など、発言者を区別したい録音で使います。1人で話すボイスメモなら、話者分離を付けずに使うこともできます。ラベルで分かるのは音声上の話者の区切りです。実名やアカウントの特定、声による本人確認はできません。

話者分離は処理方法を変える設定なので、文字起こしの作成時に指定します。後からダウンロード形式を選ぶ操作とは異なります。source=autoなら字幕を使わずAI文字起こしに進みます。アップロードしたファイルは、もともと音声から文字起こしします。

transcript.speakersに話者の一覧、各セグメントのspeakerに発言者のラベルが入ります。字幕には話者情報がないため、transcript_sourceはspeech_to_textです。レスポンスの構造を確認して実装できます。

Speaker 1と実際の参加者を対応付けるときは、録音を聞いて確認します。対応表はアプリや編集用のファイルで管理してください。別の録音に出てくるSpeaker 1が同じ人物とは限りません。ラベルは文字起こしごとに付け直します。

セグメントのspeakerで会話形式の表示を作れます。細かい再生位置が必要ならinclude=wordsを使います。表示を整えても開始・終了位置の秒数を残すと、確認したい音声に戻れます。以下は構造を示すサンプルで、特定の録音の内容を表すものではありません。

format=srtでは字幕にSpeaker 1:のような接頭辞、format=vttではvoiceタグが付きます。format=textではセグメントごとに話者付きの行になります。字幕形式の違いを確認し、使うツールに合わせて選びます。

voiceタグや接頭辞をどう表示するかは、プレーヤーや編集ソフトによって異なります。調査用のテキストでは便利でも、字幕の全行にラベルがあると読みにくい場合があります。見せ方は字幕ファイルやアプリ側で整え、元のラベルとの対応は残します。

同時に話した箇所、遠いマイク、会話に重なる音楽は、単語の認識と話者の区切りの両方に影響します。途中で不自然にラベルが変わる箇所は聞き直してください。次の収録ではマイクを分け、発言が重ならないようにすると確認しやすくなります。

冒頭の聞き取りやすいやり取りから声を確かめ、ラベルと参加者の対応を記録します。後半もいくつか聞き、対応が合っているか確認します。誰の声か分からない箇所は、文脈だけで名前を付けず、不明であることを残してください。

調査インタビューでは、録音ごとに同じ確認ルールを使います。公開する対談の引用も、録音や手元の情報から名前を確かめます。話者分離は会話を整理する機能で、生体認証や録音間の人物照合には使えません。

同じ人でもマイクが変わると声が違って聞こえる場合があります。同時発話では、各セグメントを1人の発言に分けきれないこともあります。迷う箇所はラベルだけで断定せず、音声と一緒に確認します。