Sep 4, 2026

動画・音声・議事録AI

AI文字起こしの話者分離がずれる原因と対策｜ツールの選び方

※本サイトの記事にはアフィリエイト広告（PR）を含む場合があります

※本記事にはアフィリエイト広告（PR）を含みます。

「文字は合っているのに、誰の発言かがぐちゃぐちゃ」。AI文字起こしを議事録に使い始めると、精度そのものよりこちらでつまずく人が多いです。発言内容は正しいのに話者のラベルがずれていると、議事録としてはほぼ使えません。 「言った・言わない」を確認するための記録なのに、その肝心な部分が信用できなくなるからです。

この「誰が話したか」を自動で分ける機能を、話者分離（話者識別／ダイアライゼーション）と呼びます。そしてこの機能は、ツールの良し悪しだけでなく、録音のしかたで結果が大きく変わります。同じツールでも、マイクの置き方や参加のしかたを変えるだけで結果が別物になることがあります。

この記事では、話者分離がずれる原因を仕組みから整理し、録音前にできる対策と録音後の直し方、そして話者分離を軸にツールを選ぶときの基準をまとめます。文字そのものの精度を上げる話は別記事に譲り、ここは「誰の発言か」に絞ります。

話者分離には仕組みの違う2つの方式がある

まず押さえたいのは、話者を分ける方法にはまったく仕組みの違う2系統があることです。ここを混同していると、「Aのツールではうまくいったのに、Bでは全然ダメ」という現象の理由が分かりません。

方式1：声の特徴で分ける（音声ベース）

録音された音声そのものを解析し、声質の違いから「これは別の人だ」と判定して区切ります。ICレコーダーやスマホで録った1本の音声ファイルからでも話者を分けられるのが強みです。AI文字起こしサービスの話者識別や、後述するローカルの解析ライブラリはこの方式です。

方式2：接続アカウントで分ける（チャネルベース）

Web会議アプリの標準の文字起こしは、基本的にこちらです。「このマイク入力からの音声＝この参加者アカウント」という結びつきで発言者を決めます。声を聞き分けているわけではありません。

この違いが、次に説明するトラブルの大半を生んでいます。

原因1：会議室に1台のマイクで、全員が代表者1名の名前になる

もっとも多く、かつ本人が原因に気づきにくいのがこれです。

会議室に数人が集まり、代表者1名のノートPCからWeb会議に接続する。この構成でアプリ標準の文字起こしを使うと、会議室にいる全員の発言が、接続している代表者1人のアカウント名で記録されます。方式2は声を聞き分けていないため、同じマイクから入った音は全部同じ人の発言として扱われるのが構造上当然の結果です。

対処の方向は2つあります。

参加のしかたを変える：会議室にいる人も各自のスマホやPCから個別に会議へサインインし、ハウリング防止のために各自のマイクはミュート。音声入力は会議室のスピーカーフォンに任せる、という運用が紹介されています。ただし全員分の端末が要るうえ、ミュートしていると自分の声が自分のアカウントに紐づかない場合もあり、環境ごとに検証が必要です。
方式1のツールを別に走らせる：会議室のテーブル中央にスマホやICレコーダーを置いて音声を1本録り、それを声の特徴で分けるAI文字起こしにかける。会議室に集まる形式が多い職場では、こちらのほうが安定しやすい選択です。

なお、Microsoft Teamsには自分の声の特徴を登録しておく音声プロファイルの仕組みがあり、これを使うと同室の音声からでも本人と紐づけられる場合があると案内されています。使える条件はテナントの設定に左右されるので、社内の管理者に確認するのが早いです。

原因2：同時発話・相づち・割り込みで区切りが崩れる

方式1のツールでも、声が重なった瞬間は苦手です。複数人が同時に話す会議や座談会では、相づち・割り込み・かぶせが頻繁に起こり、そこで話者の区切りが崩れます。文字起こしサービスの解説でも、会議や座談会は音声が重なることで精度が低下する典型例として挙げられています。

特にありがちなのが、短い相づちが直前の話者に吸収されるパターンです。「はい」「なるほど」といった1〜2語の発話は、話者を判定するのに必要な音の長さが足りず、前後の発言とまとめられてしまいます。議事録としては大きな害はないことが多いですが、「Aさんが同意した」という事実を証跡として残したい場面では効いてきます。

原因3：声質が似ている・人数が多い

方式1は声の特徴で分けるため、似た声質の話者が複数いると混ざります。同性・同年代が多い会議は分離が難しくなる方向です。人数が増えるほど組み合わせが増え、判定も難しくなります。

ここで効くのが話者数を事前に指定するという一手です。オープンソースの話者分離ライブラリ pyannote の公開モデルカードでは、話者数が分かっている場合に人数を直接指定するオプション（num_speakers）と、下限・上限だけを与えるオプション（min_speakers / max_speakers）が用意されていると説明されています（最終確認日：2026-09-04）。指定できるツールなら必ず使ってください。「4人の会議」と分かっているのに、AIに人数から推測させる理由はありません。

原因4：マイクが遠い・雑音が多い

当たり前ですが、効き目は大きいです。文字起こしサービスの解説では、精度を高めるポイントとしてマイクと口元の距離を1メートル以内に近づけることが挙げられています。声が小さく拾われるほど声質の情報も失われ、話者分離の判定材料が減ります。

エアコンの送風音、プロジェクターのファン、廊下の話し声といった定常的な雑音も、声の特徴を覆い隠す方向に働きます。「録音の質を上げる」は文字精度だけの話ではなく、話者分離にも直接効くと考えてください。マイク配置の具体的な詰め方は対面会議のリアルタイム文字起こしの選び方でまとめています。

3つのやり方を比べる

ここまでの原因を踏まえて、実務でとれる3つのやり方を並べます。

AI文字起こし｜話者分離のやり方

声で分ける・アカウントで分ける・自前で回す

会議室に集まる形式が多いかどうかで、向き不向きが変わります

	会議室に1台マイク	話者名を後から直す	音声を外に出さない
AI文字起こしサービス声の特徴で分ける	○ 1本の録音からでも分離を試みる	○ 画面上で話者名を編集できる	× クラウドに音声を送る
Web会議アプリの標準機能接続アカウントで分ける	× 同室の発言が代表者1名にまとまる	△ 編集の可否はアプリ・権限による	△ 会議基盤の規約と設定に依存
ローカルで解析（pyannote等）自分のPCで処理	○ 人数を指定して分離できる	△ 自分で編集・環境構築が必要	○ PC内で完結させられる

※Web会議アプリでも、音声プロファイル等の追加機能で同室の話者を識別できる場合があります（テナント設定に依存）
※ローカル処理はセットアップの手間とPCの性能が前提になります

AIツールナビ

録音前にできる対策

話者分離は、録音が終わった時点でほぼ勝負がついています。後処理でできることは限られるので、事前の3つを習慣にするのが最短です。

冒頭に一言ずつ自己紹介を回す。「営業部の田中です」と全員が数秒しゃべるだけで、各話者のきれいな音声サンプルが冒頭に並びます。あとから話者名を割り当てるときの答え合わせにも使えて、手戻りが激減します。
人数を指定できるツールなら指定する。前述のとおり、推測させる工程を1つ減らせます。
マイクを口元1メートル以内に、雑音源から離して置く。会議室のテーブル中央より、話者が集まっている側に寄せるほうが効きます。

インタビューや取材のように「引用を正確に残す」ことが目的なら、要求水準はさらに上がります。その場合の詰め方はインタビュー文字起こしAIの選び方に整理しています。

録音後の直し方

それでもずれは残ります。手作業の総量を減らす順番で書きます。

まず話者ラベルの一括置換から。多くのツールは「話者1」「話者2」といった仮ラベルを付けます。ここを実名に置き換える機能があるかを最初に確認してください。Microsoftの公式サポートページでも、Wordのトランスクリプト機能について「異なる話者を識別して分離し、Speaker 1、Speaker 2 などのラベルを付ける」「話者のラベルを編集し、そのすべての出現箇所を別のものに変更できる」と説明されています（最終確認日：2026-09-04）。1件ずつ直すのではなく、まとめて直せるかどうかで作業時間が桁で変わります。
次に切り替わり地点だけを聴き直す。全編を聴き直す必要はありません。話者が変わっている箇所の前後だけを確認すれば、ずれの大半は見つかります。
短い相づちは思い切って捨てる。議事録の用途で相づちの帰属が問題になることはまれです。ここに時間を使わないと決めるのも有効な判断です。
重要な決定事項の箇所だけ、発言者を人の目で確定させる。証跡として効くのはこの部分だけ、という割り切りです。

なお「話者は分けられたが文章が読みにくい」という悩みは、話者分離ではなく出力形式の問題です。素起こし・ケバ取り・整文の違いは文字起こしのケバ取り・整文はAIでどこまで？で扱っています。

話者分離で選ぶときの4基準

ツール選びの軸を4つに絞ります。

基準1：声の特徴で分けるか、アカウントで分けるか

会議室に集まる形式が多いなら、方式1（声の特徴で分ける）を必ず1つ持っておく。ここが最大の分岐点です。全員がリモートで各自の端末から参加する会議しかないなら、アプリ標準で足りることも多いです。

基準2：話者名の一括編集ができるか

前述のとおり、後処理の時間を決定的に左右します。無料で試せるなら、実際の会議音声を1本流して「直しやすさ」まで確認してください。

基準3：無料枠で自分の会議を試せるか

話者分離の当たり外れは、自分の職場の音声環境に強く依存します。レビュー記事の評価より、自分の会議室で1本試すほうが確実です。無料枠の条件は必ず確認してください。

基準4：音声を外部に送ってよいか

これは機能ではなく社内ルールの問題です。人事・法務・顧客情報が絡む会議は、そもそもクラウドに上げられないことがあります。その場合はローカル処理を検討する必要があり、pyannote のようなオープンソースが選択肢になりますが、セットアップの手間とPC性能が前提です。判断に迷うなら情報システム部門に確認してください。

無料枠で自分の会議音声を試すなら

方式1（声の特徴で分ける）のツールを試すなら、AI文字起こしサービスのNottaが入口として現実的です。公式の料金ページによると、話者識別はフリープランを含むすべてのプランで対応と記載されています（最終確認日：2026-09-04）。

プラン	月額	文字起こし時間	1回あたり上限	話者識別
フリー	0円	120分/月	3分	対応
プレミアム	1,185円/月（年間プラン）	1,800分/月	5時間	対応
ビジネス	2,508円/月（年間プラン）	無制限	5時間	対応

注意点として、フリープランは1回あたり3分までです。長さのある会議をまるごと試すことはできず、話者分離の傾向を短い音声で確かめる用途になります。長い会議で検証したい場合は有料プランの検討が要ります。金額は年間プランでの月額換算表記なので、月払いを選ぶ場合は公式で条件をご確認ください。

よくある質問

Q. 2人だけの対談なら話者分離はうまくいきますか。

人数が少ないほど有利です。ただし声質が似ている場合や、相づちが多い場合はずれます。2人でもマイク距離と同時発話の抑制は効きます。

Q. 話者分離の精度を数字で比べられませんか。

公開されている研究用の指標はありますが、素材によって大きく変動します。たとえば pyannote の公開モデルカードでは、データセットごとに誤り率が7.9パーセントから49.7パーセントまで幅があると示されています。自分の会議音声で試す以外に確かめる方法はないと考えてください。

Q. ICレコーダーを買えば解決しますか。

録音品質が上がるぶん有利にはなります。ただし話者分離は音声を解析する側の機能なので、機種やアプリによって対応状況が異なります。「話者分離対応」とうたわれていても、実名ラベルまで付くのか、声質で段落を分けるだけなのかは製品ごとに違うため、購入前に公式仕様の確認が必要です。

こんな人におすすめ

会議室に集まる打ち合わせが多い人：方式1のツールを1つ用意すると、いちばん大きく改善します。
インタビュー・取材で引用を正確に残したい人：冒頭の自己紹介ラウンドと、切り替わり地点の聴き直しを習慣にしてください。
社外に音声を出せない会議を扱う人：まず社内ルールを確認し、必要ならローカル処理を検討します。

まとめ

話者分離がずれる原因は、ツールの性能より録音の構成にあることが多いです。会議室に1台のマイクでWeb会議アプリの標準機能を使えば、仕組み上、全員が代表者1人の名前になります。まずここを疑ってください。そのうえで、同時発話を減らす・人数を指定する・マイクを近づけるという3点が、費用をかけずに効く対策です。

ツールを選ぶなら、声の特徴で分ける方式かどうか、話者名の一括編集ができるか、無料枠で自分の音声を試せるか、そして音声を外部に送ってよいか。この4つで判断すれば、大きく外すことはありません。

※料金・無料枠・機能は執筆時点のものです。最新は各公式でご確認ください。

参考にした情報

Notta 公式料金ページ（プラン別の文字起こし時間・1回あたり上限・話者識別の対応。最終確認日：2026-09-04）
Microsoft サポート「レコーディングの文字起こし」（トランスクリプト機能の話者ラベルと一括編集。最終確認日：2026-09-04）
Hugging Face pyannote/speaker-diarization-3.1 モデルカード（話者数の指定オプション、データセット別の誤り率。最終確認日：2026-09-04）