【ITニュース解説】I Developed an Audio Transcription Tool

ある開発者が、音声を文字に変換する「AudioConverter AI」というツールを開発した経緯と、その機能、利用者の声、そしてセキュリティに対する考えを共有している。このツールの開発は、開発者自身が過去に経験した「繰り返し録音を聴き直す」という非効率な作業への不満から始まった。会議の議事録を作成するために1時間の録音を何度も聴いたり、外国語の講義で理解できない部分を何度も巻き戻したり、さらにはインタビューの文字起こしを深夜まで手作業で行い重要な情報を見落としたり、といった苦労があったという。

開発者は、このような「基本的な音声からテキストへの変換」というニーズに対して、お金を払ったり、無駄な労力を使ったりする必要のない、無料で、正確で、時間を節約できるツールがあればと考えた。そのアイデアをもとに、三ヶ月以上かけてAIモデルを調整し、ウェブサイトのデザインや操作性を改善する作業を繰り返し行った結果、安定して動作するAudioConverter AIが完成した。このツールの最も重要な機能は、音声を編集可能なテキストに変換することであり、それに加えて実用的な機能が多数搭載されている。

このツールを開発するにあたり、利用者が最も重視する「使いやすさ」に焦点を当て、特に三つの課題の解決に力を入れた。一つ目は、文字起こしの正確さと、テキストと音声の時間を一致させる「タイムスタンプ」機能だ。開発者は十種類以上のAIモデルを比較検討し、最終的に98%以上の精度を達成するシステムを選んだ。これにより、普段の会議、講義、ポッドキャストなどではほとんど間違いのない文字起こしが可能になった。さらに、文字起こしされたテキストの各部分が、音声のどの時間に話されたものなのかと自動的に紐付けられているため、例えば学生が復習中にわからない箇所があれば、テキストのタイムスタンプをクリックするだけで、その部分の元の音声にすぐに戻って確認できる。また、ビジネスパーソンが会議での決定事項を確認する際にも、録音を最初から最後まで「当てずっぽうで」再生し続ける必要がなくなり、作業効率が大幅に向上した。

二つ目は、誰が話したかを識別する「話者識別」機能と、「多言語対応」だ。利用者の一人である研究者からのフィードバックでは、インタビューの録音をこのツールで文字起こしした際、AIが自動的に異なる話し手を「話者1」「話者2」のように区別して表示してくれるため、会話の流れを整理する際に「誰が何を言ったのか」を確認するために音声を繰り返し聴く手間がなくなったという。また、語学学習者には多言語対応機能が特に好評で、このツールは百以上の言語の文字起こしと翻訳をサポートしている。例えば、外国の講師による英語の講義を中国語のテキストに変換しながら、元の文脈を正確に保つことができるため、単なる翻訳アプリを使うよりも格段に便利だという。

三つ目は、「大容量ファイルの処理」能力である。多くの類似ツールでは、一度に処理できる音声ファイルが1時間以内などと制限されており、長い録音の場合は事前に手動で分割してからアップロードする必要がある。しかし、AudioConverter AIは、セミナー全体やポッドキャストの全エピソードのような、数時間にわたる長い録音でも直接処理できる。利用者はファイルをアップロードして結果を待つだけでよく、余計な手間は一切かからない。文字起こしされたテキストは、ウェブページ上で直接編集したり、TXTファイルとしてダウンロードしたりできる。また、特別なソフトウェアをインストールする必要はなく、パソコンでもスマートフォンでもウェブブラウザを通じて利用できる。

サービス開始から二ヶ月が経過し、開発者がシステムの管理画面で受け取る利用者からのフィードバックは、単なる数字データ以上に開発者にとって大きな喜びとなっている。あるプロジェクトマネージャーは、チームが会議の議事録を作成するための専門の担当者を置く必要がなくなり、会議を録音し、タイムスタンプと話者ラベル付きのテキストに変換することで、全員がその文書を使って情報を共有できるようになり、議事録整理のための残業時間が半分に減ったと語っている。また、あるコンテンツクリエイターは、YouTubeのインタビュー動画を文字起こしすることで、重要なポイントを簡単に抜き出し、記事や短い動画の台本に変換できるようになったため、コンテンツ制作の速度が二倍になったという。これらのフィードバックは、ツールがただのプログラムではなく、本当に人々が「もっと大切なことに時間を使えるように」助ける存在であることを開発者に確信させた。学生は学習に、ビジネスパーソンは家族との時間に、そしてクリエイターはコンテンツの質の向上に、より集中できるようになっているのだ。

多くの利用者から「無料のツールは安全なのか」という質問が寄せられることに対し、開発者は開発の初期段階からこの問題を軽く考えてこなかったと述べている。アップロードされるすべての音声ファイルは暗号化処理が施され、文字起こしの結果にアクセスできるのは利用者本人だけだ。また、処理が完了した後、利用者が意図的に共有しない限り、システムがファイルデータを保管することはないため、プライバシーが漏洩する心配は全くない。開発者は、良いツールとは「便利で、しかも安心して使えるもの」であるべきだと常に考えており、利用者が無料の機能を利用するためにセキュリティを犠牲にしたり、基本的なニーズのために不必要にお金を支払ったりする必要はないという原則を、このツールを作る上での最低限の基準として、これからも守り続けると語っている。

毎日、新しい利用者がファイルをアップロードする様子や、様々な利用者の改善提案を見るたびに、夜遅くまでコードを修正し、AIモデルを調整した日々が報われると開発者は感じている。AudioConverter AIは開発者にとって、単なるツール以上の存在であり、「皆の時間を節約する小さな助け」のようなものだと感じている。もし、音声の文字起こしが必要な人がいれば、ぜひAudioConverter AIを試してみてほしい。ファイルをアップロードし、正確なタイムスタンプ付きの文字起こしを待つだけだ。もちろん、利用中に改善が必要な点を見つけたら、いつでも開発者に伝えてほしいと呼びかけている。良いツールは常に利用者と共にゆっくりと磨き上げられていくものだと考えているからだ。