Whisperの文字起こしを読みやすく整形する方法

OpenAIのWhisperを使うと、長い録音でも無料で文字起こしができます。
ただ、出てきたテキストをそのまま議事録や原稿に使おうとすると、意外と手前の作業が多いことに気づきます。
タイムスタンプの行が邪魔をする、「えー」「あのー」が大量に残っている、といった具合です。

Whisperの出力を読みやすいテキストに整えるまでの手順を、順に説明します。

Whisperの出力はどうなっているか

Whisperは、プレーンテキストのほかに、SRTやWebVTTといった字幕用の形式でも結果を出力できます。
字幕形式のファイルは、次のような構造になっています。

1
00:00:01,000 --> 00:00:04,500
えー、本日はお集まりいただきまして、あのー、ありがとうございます。

連番とタイムスタンプの行が発言ごとに繰り返されるため、このままでは文章として読めません。
また、Whisperは発話を比較的忠実に文字にするので、「えー」「あのー」のようなフィラーがそのまま残ることが多くあります。

つまり、整形は大きく2段階に分かれます。
タイムスタンプなどの構造を取り除く段階と、フィラーなどの話し言葉のノイズを取り除く段階です。

方法1: エディタと正規表現で処理する

タイムスタンプの行は形式が決まっているので、正規表現が使えるエディタなら一括削除できます。
たとえばSRTのタイムコード行は「数字2桁:数字2桁:数字2桁,数字3桁 --> …」という決まった並びなので、パターンとして指定できます。

一方、フィラーの除去は正規表現だけでは苦しくなってきます。
「あの、」は消したいが「あの人」は消したくない、というような文脈の区別が必要になるためです。
フィラーの種類ぶんだけパターンを用意して、誤って消えていないか目視で確認する、という作業になりがちです。

方法2: 生成AIに整形させる

ChatGPTなどに「タイムスタンプとフィラーを除去してください」と依頼する方法です。
短い文字起こしであれば、これで十分きれいになります。

弱点は長さです。
1時間の会議の文字起こしは数万文字になり、一度に渡しきれないため、分割して依頼を繰り返すことになります。
また、除去のついでに本文の言い回しまで変わってしまう場合があり、変更の有無を自分で突き合わせて確認する必要があります。
録音された発言の記録として正確さを保ちたい用途では、この点が引っかかってきます。

方法3: 専用ツールで一括処理する

当サイトのSeishonizeは、この2段階の整形を一括で行うツールです。
WhisperのSRTやWebVTTの出力をそのまま貼り付けると、連番・タイムスタンプ・「話者1:」のようなラベルを取り除き、あわせて「えー」「あのー」などのフィラーを辞書に基づいて除去します。

処理は辞書による機械的なものなので、本文の語句が書き換わることはありません。
どこが消えたのかは「変更箇所」タブの消去線で確認でき、「この項目は消したくない」という場合は詳細設定で個別にオフにできます。
数万文字の長い文字起こしでも、分割せずそのまま貼り付けられます。

また、テキストはブラウザの中だけで処理され、外部のサーバーには送信されません。
社外に出せない会議の録音データを扱うときでも、文字起こしテキストがネットワークに流れることはありません。

相槌だらけの対談を整形する場合

インタビューや対談の文字起こしでは、聞き手の「はい」「なるほど」が大量に挟まります。
Seishonizeでは相槌の除去を初期設定ではオフにしています。質問への返事の「はい」のような、意味を持つ返答まで消えてしまう場合があるためです。
単独の行になっている相槌だけを対象にする設計になっているので、まずは「変更箇所」タブで消え方を確認しながら、オンにするかどうかを判断するのが安全です。

まとめ

Whisperで文字起こしまでは自動化できても、そのあとの整形で手が止まる、というのはよくある話です。
タイムスタンプは正規表現、フィラーは辞書ベースのツール、書き言葉への書き直しはAI、と作業の性質ごとに道具を使い分けると、無理なく片付くかもしれません。