AI・マーケトレンド
会議、商談、インタビュー、ウェビナー。ビジネスの重要な情報の多くは「音声」で発生しますが、聞き直しには実時間がかかり、手作業の文字起こしは1時間の音声に3〜5時間かかると言われてきました。AI文字起こしはこの構造を根本から変え、いまや1時間の音声が数分でテキストになります。
ただし、実際に使ってみると「固有名詞がぐちゃぐちゃ」「誰の発言か分からない」「読める文章になっていない」という壁に当たる方が多いのも事実です。この記事では、AI文字起こしの精度を左右する録音段階のコツから、ツールの選び方、文字起こし後をAIで「読める文書」に整形するプロンプト、議事録・記事への活用までを一気通貫で解説します。
30秒で分かる結論
文字起こしの精度は録音品質で8割決まる。マイクとの距離と発言の重なり対策が最重要
ツール選びは「精度」より「話者分離・専門用語登録・連携先」の3機能で比較する
生の文字起こしは使わない前提。フィラー除去・整形・要約はチャットAIに任せる
固有名詞は事前に「用語リスト」を作っておき、整形プロンプトで一括修正する
議事録・インタビュー記事など「その先の成果物」から逆算してフローを組むと定着する
AI文字起こしの精度は「録音」で決まる
多くの人がツール選びから入りますが、順番が逆です。2026年7月時点の主要な音声認識AIは、クリアな録音であればどれも実用精度に達しており、差がつくのはむしろ入力音声の品質です。次の5点を押さえるだけで、認識ミスは体感で大きく減ります。
マイクとの距離：話者とマイクの距離を50cm以内に。会議室の中央に1台より、発言者の近くに置く
発言の重なりを避ける：同時に話すと認識精度が大きく落ちる。会議の冒頭に「発言はかぶせない」と一言宣言するだけで効果がある
雑音源を切る：空調の真下、キーボード打鍵音の近く、窓際の道路音を避ける
オンライン会議は各自マイク推奨：内蔵マイクの拾い音より、ヘッドセットの音声が圧倒的にクリア
冒頭に固有名詞を言う：会議の最初に社名・製品名・参加者名を明瞭に発話しておくと、後の用語修正の手がかりになる
マイク配置は「話者の数」で決める
同じ録音機材でも、置き方で結果が変わります。場面ごとの基本形は次のとおりです。
1対1のインタビュー：録音機を2台用意し、それぞれの話者の前に置きます。1台が不調でももう1台で補えるうえ、どちらの声も近い距離で拾えます
3〜6人程度の会議：机の中央に1台置くと、遠い席の声が小さくなりがちです。発言の多い人の近くに置くか、全方向から集音する会議用マイクを使います
登壇・ウェビナー：会場のスピーカーから出た音を録るのではなく、登壇者のマイクの音声（ミキサーや配信ソフトの出力）を直接録ります
オンライン会議は「誰の声がどの音声に入るか」を設定する
オンライン会議の録音で精度が落ちる典型は、参加者の声がまとめて1本の音声に混ざり、話者の区別がつかなくなることです。ツールによっては参加者ごとに音声を分けて保存できます。たとえばZoomのデスクトップアプリには、ローカル記録で参加者ごとに個別の音声ファイルを保存する詳細設定があります（出典：Zoom公式ヘルプ「Changing settings in the Zoom Workplace desktop and mobile app」）。話者ごとに音声が分かれていれば、話者分離をAIに推測させる必要がなくなります。
そのほか、次の3点を会議の前に確認してください。
自分の声がスピーカー経由で二重に入らないよう、ヘッドセットかイヤホンを使う
文字起こしツールを会議に参加させる場合は、録音の同意と合わせて参加者に知らせる
画面共有した動画の音声やBGMは、会話と重なると認識を乱すため、必要がなければ流さない
ツールの選び方：比較すべきは3機能
料金と「精度◯◯%」の宣伝文句で選ぶと失敗します。実務で差が出るのは次の3つです。
話者分離：誰の発言かを自動で区別できるか。議事録・インタビュー用途では必須
専門用語の登録（辞書機能）：自社の製品名・業界用語を事前登録して認識精度を上げられるか
連携・書き出し：オンライン会議ツールへの自動参加、テキストの書き出し形式、他ツール連携
主要ツールの具体的な比較は、インタビュー向け文字起こしAIツール比較の記事で詳しく解説しているので、選定段階の方はそちらを参照してください。
なお「どれを選ぶか」以前に、無料の範囲で2〜3ツールに同じ10分音声を通し、自社の会話（業界用語・話し方）での認識結果を見比べるのが最も確実な選定方法です。カタログ精度と自社音声での精度は別物です。比較するときは、聞き取りやすい部分ではなく「早口の議論」「複数人が話す場面」など苦手そうな箇所の精度で判断してください。うまくいく音声はどのツールでも書き起こせるため、差が出るのは難しい箇所だけだからです。
三森の実務メモ：私はインタビュー収録のとき、本題に入る前に相手に「社名とお名前、役職をフルで」名乗ってもらう習慣にしています。理由は礼儀ではなく文字起こし対策で、冒頭にクリアな固有名詞の音声があると、後工程のAI修正で「この音はこの単語」と対応づけやすくなるからです。たった10秒の儀式ですが、記事化のときの固有名詞チェック時間が目に見えて減りました。
単語登録と話者分離で誤りを減らす
録音を整えたあと、ツール側で精度を上げる手段は主に2つあります。専門用語の登録（辞書機能）と話者分離です。どちらも「設定すれば終わり」ではなく、登録の中身と使い方で効果が変わります。
辞書に登録すべき単語の優先順位
辞書登録は数を増やすより、誤りやすい単語から登録するほうが効果的です。優先順位は次のとおりです。
社名・製品名・サービス名：一般語と同じ音を持つもの（例：「ドヤ」「スリスタ」など造語）は特に誤変換されます
参加者の氏名：読みが複数ある姓名（「こうじ」「かずお」など）は表記が揺れやすい
業界の略語・英字略称：「CPA」「MQL」のような略語は、カタカナや別の単語として書き起こされがちです
同音異義語のうち自社でよく使う側：「工場／向上」「機関／期間」など、自社の文脈で正しい側を決めておきます
登録用の用語リストは、次の形式で作っておくと辞書登録にも、文字起こし後のAI校正にもそのまま使えます。
# 用語リスト（会議・取材の前に更新）
# ※誤認識例は編集部が作成した架空の例です
正しい表記 / 読み / 誤認識されやすい例
ドヤマーケ / どやまーけ / 土屋マーケ、ドヤマケ
株式会社スリスタ / すりすた / スリスター、するスタ
MQL / えむきゅーえる / エムキューエル、M級L
（以下、自社の固有名詞を追加）なお、文字起こしモデル側で用語を渡せる量には上限があることがあります。OpenAIの公式ガイドでは、whisper-1に渡せるプロンプトは224トークンまでで、それより長い用語リストはテキストモデル（チャットAI）で後から誤記を修正するほうが扱いやすいと説明されています（出典：OpenAI「Speech to text」ガイド）。つまり、辞書登録は頻出の上位語に絞り、残りは文字起こし後の校正で直す二段構えが現実的です。
話者分離の精度を上げる運用
話者分離は、声の特徴から「話者1」「話者2」と区別する機能です。声質が似た人が多い会議や、発言が重なる場面で誤りやすくなります。次の運用で補えます。
会議の冒頭で全員が一言ずつ名乗る：ツールによっては話者ラベルを実名に付け替えるときの手がかりになり、人が確認するときも誰がどの声か判別しやすくなります
オンライン会議は話者ごとの音声で録る：録音の節で紹介した参加者ごとの音声ファイルを使えるなら、それが最も確実です
話者ラベルの付け替えはAIに任せ、人は確認だけ行う：次のプロンプトを使います
以下は話者分離つきの文字起こしです。話者ラベルを実名に置き換えてください。
# 手がかり
・冒頭の自己紹介：話者1＝（氏名）、話者2＝（氏名）
・（司会者・質問者など役割が分かれば記載）
# 制約
・発言内容は一切変更しない
・どの話者か判断できない発言は「話者不明」とし、推測で割り当てない
・置き換えに迷った箇所は、最後に一覧で示す
【文字起こし】
（貼り付け）精度の測り方：文字誤り率（CER）を自分で数える
ツールの比較や録音方法の改善を「なんとなく良くなった」で判断すると、結論が人によって変わります。日本語の文字起こしの精度は、文字誤り率（CER：Character Error Rate）で数えると比べやすくなります。
CERの計算式
CERは、正解テキストに対して「何文字分の修正が必要だったか」の割合です。
CER ＝（置換 ＋ 脱落 ＋ 挿入）÷ 正解テキストの文字数
・置換：別の文字になっていた（例：「向上」→「工場」は2文字の置換）
・脱落：正解にあるのに書き起こされなかった文字
・挿入：正解に無いのに書き起こされた文字数値は低いほど正確です。編集部が作成した架空の例で計算すると、正解が200文字のテキストに置換6文字・脱落3文字・挿入1文字があれば、CERは（6＋3＋1）÷200＝5％です。
簡易な測り方の手順
サンプルを決める：自社の実際の会議から3分程度を切り出す。聞き取りやすい部分ではなく、早口や複数人の発言がある部分を選びます
正解テキストを人手で作る：音声を聞きながら一字一句書き起こします。フィラー（えー、あの）を含めるかどうかを先に決めておきます
表記をそろえる：句読点・空白・改行を両方から取り除き、数字は半角か漢数字のどちらかに統一します。そろえないと表記の違いまで誤りに数えてしまいます
差分を数える：比較ツールや次のスクリプトで置換・脱落・挿入の合計を出します
# Python 3（標準ライブラリのみ）。正解とAI出力を貼り替えて実行
import re
def norm(s):
return re.sub(r"[\s、。，．,.！？!?「」]", "", s)
def cer(ref, hyp):
r, h = norm(ref), norm(hyp)
d = list(range(len(h) + 1))
for i in range(1, len(r) + 1):
prev, d[0] = d[0], i
for j in range(1, len(h) + 1):
cur = d[j]
d[j] = min(d[j] + 1, d[j-1] + 1, prev + (r[i-1] != h[j-1]))
prev = cur
return d[len(h)] / len(r)
ref = "来週木曜までに提出できればと考えています"
hyp = "来週木曜までに提出できればと考えてます"
print(f"CER: {cer(ref, hyp):.1%}")CERは同じサンプル・同じ表記ルールで比べたときに意味を持ちます。ツールAとツールBの比較、録音方法を変える前後の比較など、条件をそろえた比較に使ってください。また、CERが低くても固有名詞を1つ間違えると議事録としては使えないことがあるため、固有名詞の誤りは件数を別に数えておくと実務の判断に役立ちます。
文字起こし後の整形はチャットAIに任せる
AI文字起こしの出力は「音声の忠実な再現」であって、そのままでは読める文書になっていません。フィラー（えー、あのー）、言い直し、脱線が全部入っているからです。ここから先はChatGPTやClaudeのようなチャットAIの仕事です。
整形プロンプト（基本形）
以下はAI文字起こしの生テキストです。読みやすい記録に整形してください。
# 処理内容
1. フィラー（えー、あの、まあ等）と言い直しを除去
2. 話し言葉を「です・ます」の書き言葉に整える
3. 発言の意味は変えない。要約もしない（整形のみ）
4. 用語リストに従って固有名詞の表記を統一する
# 制約
・発言内容の追加・削除・順序変更をしない
・意味が取れない箇所は（聞き取り不明）と残す。推測で補完しない
# 用語リスト
・「どやまーけ」→「ドヤマーケ」
・（自社の製品名・人名・業界用語を列挙）
【生テキスト】
（文字起こし結果を貼り付け）整形前後のイメージを1つ挙げます。生テキストが「えー、それでですね、あの、来週のー、水曜、あ、違う、木曜までに、まあ出せればと」だとすると、整形後は「来週木曜までに提出できればと考えています。」になります。フィラーと言い直しが消え、言い直しの結論（水曜ではなく木曜）だけが残る点がポイントです。この判断をAIに任せられるので、人間は「木曜で正しいか」の確認だけに集中できます。
ポイントは2つあります。第一に、整形と要約を同時に頼まないこと。整形（情報を保つ）と要約（情報を削る）は目的が逆の作業で、混ぜると「何が削られたか分からない要約」ができます。第二に、「推測で補完しない」の制約です。聞き取れなかった箇所をAIがそれらしく埋める事故を防ぎます。この種のリスク管理はAIのハルシネーション対策も参考にしてください。
固有名詞だけを直す校正プロンプト
整形と同時に固有名詞を直すと、どこが変わったのか追えなくなります。固有名詞の誤りが多い音声では、整形の前に「固有名詞だけを直す」工程を1回挟み、修正箇所を一覧で出させると確認が速くなります。
以下はAI文字起こしの生テキストです。固有名詞の誤記だけを修正してください。
# ルール
1. 修正対象は、用語リストにある社名・製品名・人名・略語の誤記のみ
2. それ以外の文字（言い回し、フィラー、句読点）は一切変更しない
3. 用語リストに無い単語で誤記が疑われるものは修正せず、「要確認」として一覧に挙げる
# 出力形式
① 修正後の全文
② 修正一覧：修正前 → 修正後（前後10文字程度の文脈つき）
③ 要確認一覧：該当箇所と、誤記と判断した理由
# 用語リスト
（辞書登録用に作った用語リストを貼り付け）
【生テキスト】
（貼り付け）②の修正一覧を見れば、AIがどこを変えたかを数分で確認できます。③の要確認は、音声を聞き直す候補のリストとして使います。OpenAIの公式ガイドも、テキストモデルで誤記を直す場合は元の音声と照らして話者の発言が変わっていないか確認するよう勧めています（出典：OpenAI「Speech to text」ガイド）。
無音やノイズの区間に「言っていない文章」が出ることがある
AI文字起こしの誤りは聞き間違いだけではありません。OpenAIの音声認識モデルWhisperについて、米国の研究者らは調査した音声の文字起こしのおよそ1％に、音声に無いフレーズや文がまるごと含まれていたと報告しています。また、発話の合間の無音が長い話者ほど、こうした捏造が起きやすい傾向が示されています（出典：Koenecke et al.「Careless Whisper: Speech-to-Text Hallucination Harms」）。WhisperのGitHubでも、録音の終わりや無音部分に実際には無い文が出る現象と、その回避策が利用者の間で議論されています（出典：openai/whisper Discussion #679）。
利用しているツールが内部でどのモデルを使っているかは製品ごとに異なりますが、実務では次の確認を習慣にしておくと安全です。
録音の冒頭・末尾、休憩や沈黙が長かった区間のテキストを重点的に読む
前後の文脈と関係のない文、定型的なあいさつ文、同じ文の繰り返しが出ていないか確認する
不自然な箇所はタイムスタンプから音声を聞き直す。整形AIに「直して」と頼むと、捏造された文がもっともらしい文章として残ってしまいます
開発者がWhisperを直接使う場合は、無音区間をあらかじめ取り除く処理（音声区間検出：VAD）を入れる方法が、上記のGitHubの議論で回避策として挙がっています
誤った文字起こしがそのまま議事録や記事として外に出ると、品質事故になります。株式会社スリスタの調査では、業務での生成AI利用で事故・ヒヤリハットを経験した51名のうち、33.3％が「AIが生成した誤情報をそのまま納品・公開した(ハルシネーション事故)」と回答しています。
出典：株式会社スリスタ『企業の生成AI活用実態調査2026』（n=400）。詳細は業務AI事故・ヒヤリハット実態2026で公開しています。
用途別の追加プロンプト
整形済みテキストができたら、用途に応じて2段階目を頼みます。
【議事録化】
整形済みテキストから議事録を作成してください。
見出しは「決定事項」「ToDo（担当・期限）」「保留事項」の3つ。
テキストに根拠のない項目は追加しないでください。
【要点サマリー】
経営層向けに、この会議の要点を3行でまとめてください。
各行に、関連する発言者名を（）で付記してください。会議の議事録化の詳しい手順とプロンプトは、Claudeで議事録を作成する方法で解説しています。
用途別の活用フロー
文字起こしは、それ自体が成果物ではありません。「その先」から逆算してフローを固定すると、チームに定着します。
会議→議事録：録音→文字起こし→整形→議事録化→共有。1時間会議の議事録が15分以内で完成する体制が現実的な目標です
商談→記録・引き継ぎ：商談の文字起こしから「顧客の課題発言」だけを抽出し、SFA・営業メモに転記。営業の主観を挟まない一次情報として蓄積できます
インタビュー→記事：取材音声を文字起こし→整形→構成→記事化。インタビュー記事の書き方の記事で、文字起こしからの記事化手順を詳しく解説しています
ウェビナー→二次コンテンツ：60分のウェビナーから、記事・SNS投稿・FAQを派生させる。1回の登壇が複数コンテンツの原料になります
このうちインタビューの記事化は工程が長く（文字起こし→整形→構成→執筆→確認）、手作業では1本あたり数日かかっていた領域です。ドヤマーケAIのドヤインタビューAIは、音声データを渡すと文字起こしから記事の下書きまでを一気通貫で処理するため、この工程を大幅に短縮できます。
三森の実務メモ：文字起こし活用で一番のおすすめは、実は議事録より「自分の商談の振り返り」です。自分の商談を文字で読み返すと、話しすぎている箇所、顧客の質問に正面から答えていない箇所が痛いほど客観視できます。週1本、自分の商談テキストを読むだけで、営業トークは確実に変わります。録音の許可だけは必ず先方に取ってください。
社内に定着させる3つの運用ルール
ツールを契約しても、録音する人が一部だけ、フォーマットがばらばら、では効果が出ません。定着の鍵は次の3つをルール化することです。
録音の標準化：「30分以上の社外打ち合わせは原則録音（同意取得の定型文つき）」のように、録る・録らないを個人判断にしない
保存場所と命名規則：「日付_相手先_種別」で共有フォルダに集約。音声・生テキスト・整形済みの3点セットで保存すると、後から検索資産になります
整形テンプレートの共有：この記事のプロンプトを社内テンプレート集に登録し、誰が処理しても同じ形式の議事録・記録になるようにする
とくに3点目は効果が大きく、「文字起こしはあるが人によって成果物の形が違う」状態を解消するだけで、読む側の負担が大きく減ります。時間の目安として、1時間の会議に対して文字起こし数分＋整形と議事録化で10分前後が2026年7月時点の現実的なラインです。手書きメモからの議事録作成に30〜60分かけていたなら、月10会議で5時間以上の削減になります。
動画で学ぶ
AI活用やマーケティングの実務ノウハウは、YouTubeチャンネル（【ドヤマーケAI】ミツモリ）でも解説しています。記事と併せてご覧ください。
インタビュー音源を記事にする工程は、NotebookLMを使う方法を次の動画で紹介しています。文字起こしを読み込ませて記事化するまでの流れを確認したい方はご覧ください。
おすすめの無料ドヤマーケAIサービス！
ドヤインタビュ
録音データの文字起こしから要点整理・記事化までをAIで効率化します。
よくある質問（FAQ）
Q. 録音の許可は必要ですか？
必要です。社内会議なら「議事録作成のため録音します」の一言、社外との商談・インタビューでは事前の明示的な同意を取ってください。用途（議事録、記事化、社内共有の範囲）も併せて伝えるのがトラブル防止の基本です。無断録音は信頼関係と法的リスクの両面で割に合いません。
Q. 方言や早口でも認識できますか？
2026年7月時点の主要ツールは一般的な話し速度・軽い方言なら実用レベルです。ただし、強い方言、極端な早口、専門用語の連発は精度が落ちます。対策は録音品質の改善と辞書登録が第一で、それでも誤認識が残る箇所は整形プロンプトの用語リストで一括修正するのが現実的です。
Q. 無料ツールと有料ツールの違いは何ですか？
無料枠は「月あたりの文字起こし時間」「話者分離の有無」「辞書登録数」に制限があることが一般的です。月数時間の利用なら無料枠で十分ですが、週次の定例会議やインタビューを回すなら、時間制限のない有料プラン（月数千円台が中心）のほうがトータルで安くつきます。まず無料枠で自社音声との相性を確認してから課金する順番が安全です。
Q. 文字起こしデータの機密管理はどうすべきですか？
音声とテキストの両方が機密情報になり得ます。①ツールの利用規約（データが学習に使われるか）を確認する、②保存場所と保持期間を決める、③顧客情報を含む場合は共有範囲を限定する、の3点を最低限ルール化してください。とくに商談音声は顧客の未公開情報を含むため、社内でも閲覧範囲を絞るべきデータです。
Q. 文字起こしの精度は何％あれば実用になりますか？
一律の基準はなく、用途で決まります。社内向けのメモなら多少の誤りは許容できますが、社外に出す記事や議事録では固有名詞の誤り1つでも問題になります。自社の会議音声でCER（文字誤り率）を測り、あわせて「修正にかかった時間」を記録して、手作業より速く仕上がるかで判断するのが確実です。
Q. 話していない文章が文字起こしに混ざっていました。どうすればよいですか？
音声認識AIは、無音やノイズの区間に実際には無い文を出力することがあります。該当箇所のタイムスタンプから音声を聞き直し、発言が無ければ削除してください。整形AIに修正させると、捏造された文が自然な文章に整えられて見分けにくくなるため、先に人が確認するのが安全です。
Q. 文字起こしの生テキストをChatGPTやClaudeに貼り付けてもよいですか？
社内のAI利用ルールで許可された環境であれば可能ですが、商談やインタビューのテキストには顧客名や未公開情報が含まれます。株式会社スリスタの調査では、業務での生成AI利用で事故・ヒヤリハットを経験した51名のうち、37.3％が「機密情報・個人情報をAIに入力してしまった」と回答しています。貼り付ける前に、入力してよい情報の範囲と、学習に使われない設定になっているかを確認してください。
出典：株式会社スリスタ『企業の生成AI活用実態調査2026』（n=400）。詳細は業務AI事故・ヒヤリハット実態2026で公開しています。
まとめ：文字起こしは「録音3割・整形7割」の工程設計
AI文字起こしを実務で使いこなす鍵は、ツールの精度比較ではなく、録音品質を整えることと、文字起こし後の整形・活用工程をAIで設計することです。生テキストのまま使おうとせず、「整形→用途別加工」まで含めて1つのフローとして組んでください。
インタビューや対談を記事コンテンツにしたい方は、ドヤマーケAIのドヤインタビューAIをお試しください。音声から記事の下書きまでが一気通貫で仕上がるため、取材から公開までのリードタイムを数日から数時間に短縮できます。編集部の補足調査データ（2026年最新・n=400）
AI文字起こしは、今や多くのビジネスパーソンが日常的に使うAI活用の入口になっています。株式会社スリスタが全国の会社員400名に実施した『企業の生成AI活用実態調査2026』では、業務での生成AIツール利用率はChatGPT 60.8％・Google Gemini 49.7％・Microsoft Copilot 41.8％・Claude 7.8％で、AI利用者の49.0％が複数ツールを併用（平均1.82ツール）。文字起こしを入口に、議事録作成や要約などへと複数ツールを使い分けるのが典型的な活用パターンです。
出典：株式会社スリスタ『企業の生成AI活用実態調査2026』（n=400）。全クロス集計は職場の生成AIツールシェア実態2026、プレスリリースはPR TIMESで公開中。
▶ 動画で学ぶ：ドヤマーケAIチャンネル（マーケティング×AIの実践）