ブログ / 話者分離の精度を上げる録音術・実践編

録音前 — 配置と段取り

1. マイクは全員から等距離に。 特定の人だけ声が大きい/小さい録音は、声の特徴抽出が偏ります。テーブル中央+声の小さい人寄りが基本です(録音のコツ)。
2. 似た声の人を「近くに座らせない」。 同年代・同性で声質が似た2人が並ぶと、位置の音響差まで似てしまい混同が増えます。可能なら離すだけで違います。
3. 冒頭に「名乗りタイム」を作る。 会議の頭で一人ずつ「◯◯です」と一言話してもらうと、各話者のクリーンな声のサンプルが録音の頭に揃い、事後のラベル付け(話者1=誰か)も一瞬で済みます。

設定 — 人数指定と感度

• 人数がわかっているなら指定するとよい。 自動検出より安定しやすくなります。WhisperHUBでは話者数を指定でき、有効な場合が多い設定です(実際の録音で効果を確認してください)。
• 「多く分かれすぎる」ときは感度を下げる。 同じ人が話者2と話者4に割れる場合は、検出感度を「低(まとめる)」方向へ。逆に2人が1人に混ざるなら感度を上げます。
• 1人しか話さない録音ではオフに。 講演の独演・自分のメモでは話者分離は不要で、オフにすれば処理も速くなります。

録音中 — 進行の工夫

1. 「一人ずつ話す」を進行ルールにする。 重なり発話は原理的に分離できません。ファシリテーターが指名してから話す会議は、それだけで話者分離の精度が上がりやすくなります。
2. 相槌は控えめに(が理想)。 短い「はい」「ええ」は特徴量が少なく誤帰属の常連です。現実には制御しづらいので、「相槌の誤りは直さない」と割り切るのも手です。
3. 発言の頭で名前を呼ぶ文化。 「田中さん、どうですか」→発言、の流れが録音に入っていると、事後のラベル付けの手がかりが本文中に残ります。

事後 — 直し方のコツ

• 最初に話者名を付ける。 「話者1→田中」のラベル付けを最初にやると、以降の確認が読みやすくなります(冒頭の名乗りタイムがここで効きます)。
• 直すのは「意味が変わる誤帰属」だけ。 相槌の帰属ミスは実害がほぼありません。決定・依頼・反対など、誰の発言かが意味を持つ箇所に絞って直します(校正の技術)。
• 迷ったら原音へ。 タイムスタンプから該当箇所を再生すれば、声で判別できます。