研究インタビューをアップロードせずに文字起こしする：同意書に縛られた音声のためのローカルワークフロー

質的研究の同意書は、録音についてふつう2つのことを約束します。研究チームだけが聞くこと、そして所属機関の機器に保存すること。音声をサードパーティのサーバーにアップロードする文字起こしサービスは、精度がどれだけ高くても、その両方を破ります。代わりになるのは、録音がすでに置かれているマシンで音声認識を動かすことです。

ClapClip for Windows はそれをします。認識エンジンはローカルで動き、ファイルはディスクから出ず、同じ1回の処理で、2時間のインタビューでも途切れないタイムスタンプ付きのプレーンテキストと SRT を書き出します。このガイドは、1本ではなく数十本の録音がある研究のために、ファイル命名からレビューまでのワークフローをまとめたものです。

要点

• 何もアップロードされない。 認識は PC 上で動き、可能なら GPU で高速化され、なければ CPU にフォールバックします。インストール、モデルのダウンロード、アップデートには接続が必要ですが、文字起こしには不要です。
• 元の録音形式のままにする。 MP3、WAV、FLAC、AAC、M4A、OGG を受け付け、MP4、MOV、MKV、WEBM は音声トラックが自動で抽出されます。先に低いビットレートに再エンコードしないでください。
• 1研究につき1フォルダー、1回の一括処理。 バッチモードは入力ごとに1つの出力を書き、完了済みの文字起こしを失わずに停止・再開できます。
• 実行時間ではなくレビュー時間を見積もる。 タイピングは夜のうちにマシンがやります。研究者の時間は、名前、用語、重なった発話をタイムスタンプと照合することに使います。

なぜ同意書がツールを決めるのか？

研究参加者向けの説明文書は、録音の行き先について具体的です。「暗号化された大学のストレージに保存」「指名された研究者のみがアクセス可能」はよくある言い回しで、倫理委員会はそれを文字どおりに読みます。音声を文字起こし API に送ることは、たとえ削除ポリシーのある信頼できる業者でも、参加者が同意していない第三者への移転です。

ローカル文字起こしは、書かれたとおりの約束を守ります。音声は研究用マシンに残り、文字起こしはその隣に書かれ、動くのは研究者が動かすと決めたものだけです。健康、雇用主、家族について語った人々を録音した研究では、それが委員会の承認できるワークフローとできないワークフローの違いです。

ルール： 同意書が録音の保存場所を指定しているなら、文字起こしはそこで行わなければならない。

始める前に録音をどう整理すべきか？

1. 1研究につき1フォルダー、プロジェクト名で。 バッチモードはフォルダーを処理し、入力ファイルごとに1つの文字起こしを書くので、フォルダーが作業単位です。
2. ファイル名は名前ではなく参加者コードと日付で。 P07_2026-10-14.m4a は約束した仮名化を保ち、文字起こしもその名前を引き継ぎます。
3. 元の形式のままにする。 スマホレコーダーの M4A やフィールドレコーダーの WAV はそのまま入れます。音声を小さな MP3 に再エンコードすると認識エンジンが使うディテールが捨てられ、後から取り戻せません。
4. ディスクの空き容量を確認する。 長いバッチには、ソース、一時ファイル、出力の分の容量が必要です。ドライブが3つとも収められないなら、最後のファイルを失敗させるより、始める前にプロジェクトを移動してください。
5. 言語を分ける。 バッチの言語を設定します。英語とスペイン語のインタビューが混ざったフォルダーは2つのバッチです。

一括処理は何を生成する？

録音ごとに、同じ1回の文字起こし処理から TXT ファイルと SRT ファイルが生成されます。TXT は読むためのコピーで、SRT はファイル全体で連続したタイムスタンプを持ちます。これが研究に役立つ点で、分析中のあらゆる引用が録音の時刻を指せます。

明記された長さの上限はありません。90分のインタビューは分割して繋ぎ直すのではなく1ファイルとして処理されるので、タイムスタンプが途中でリセットされません。処理時間はモデル、録音の長さ、ハードウェアで決まります。専用 GPU なら速く、GPU のないノートPCでも終わります。遅くなるだけです。スリープや電源設定など、数時間のジョブを中断させない設定については長時間音声の文字起こしのページで扱っています。

ルール： 一日の終わりにバッチを始めて、走らせたままにする。10分おきに確認しても速くはならない。

レビュー時間はどこに使うべきか？

ローカルの文字起こしは、他の機械文字起こしと同じく草稿です。レビューこそ研究者の時間を使う価値のある場所で、SRT のタイムスタンプがそれを効率的にします。時刻に飛び、聞き、直す。

• 固有名詞と専門用語。 薬剤名、地名、組織が自部署に使う略語。進めながらリストを作ってください。同じ修正が参加者をまたいで繰り返されます。
• 重なった発話。 インタビュアーと参加者が同時に話す箇所は、認識エンジンが最も苦手とするところです。タイムスタンプがどこを聞くべきか教えてくれます。
• 非言語的な内容。 笑い、長い沈黙、参加者が動揺する瞬間。認識エンジンはこれらに注釈を付けません。分析はしばしばこれらに依存します。
• 伏せ字。 参加者が同僚の名前や住所を口にしたなら、2人目のコーダーに共有する前に、文字起こしの段階で削除します。

修正した TXT をコーディングソフト用に書き出し、監査用に SRT を隣に残します。指導教員や委員会に引用の検証方法を聞かれたら、タイムスタンプが答えます。

動画で録画されたインタビューは？

ローカルに録画したビデオ通話は MP4、MOV、MKV、WEBM で届きます。音声トラックは自動で抽出され、動画自体は不要で、アップロードもされません。研究ごとのフォルダーと命名のルールは同じで、身振りや表情が分析に関わるなら、SRT を動画の隣のプレーヤーに読み込み直せます。SRT が何を保持し何を保持しないかは、変換が必要な場合に備えて字幕形式のリファレンス（英語）にまとめています。

このワークフローがしないこと

• 話者を自動では識別しません。レビュー時にインタビュアーと参加者をマークしてください。
• 翻訳しません。スペイン語のインタビューはスペイン語で文字起こしされます。
• 匿名化しません。仮名のファイル名とレビュー時の伏せ字は、他の文字起こしと同じく、あなたの責任です。
• 何も保管しません。バックアップ、保存時の暗号化、保持期間は所属機関のポリシーであり、いまあなたのマシン上にあるファイルに適用されます。

チェックリスト

ステップ	完了の条件
同意	同意書の保存に関する約束が、このマシンでの処理で満たされている
フォルダー	1研究、仮名のファイル名、元の形式
ディスク	ソース、一時ファイル、出力の分の空きがある
バッチ	言語を設定し、実行を開始し、マシンがスリープしない
レビュー	名前、用語、重なり、伏せ字をタイムスタンプと照合して修正済み
引き渡し	修正済み TXT をコーダーへ、SRT は監査用に保管

関連ガイド

• 長時間音声の文字起こしでは、形式、上限、長いジョブを壊す設定を扱っています。
• インタビューの文字起こしと一括文字起こしは、このワークフローが使うアプリの2つの部分を説明しています。