立ち話も聞き分けるAI文字起こし「Klang」、8人の話者を正確に分離 日本語版を提供開始

立ち話も聞き分けるAI文字起こし「Klang」、8人の話者を正確に分離 日本語版を提供開始

スウェーデンの音声文字起こしサービス「Klang」が、日本語版の提供を2026年8月に開始した。複数人が入り乱れて話す立ち話のような録音でも、話者を8人に分けて正確に書き起こせる点が特徴で、研究開発や海外展開のために約2億4千万円の資金調達も行っている。日本は同社が重点市場の一つに位置付けており、今後日本語音声認識モデルの学習を本格化させる予定だ。

文字起こしを巡る環境の変化

AIはソフトウェア開発の世界で革命を起こしつつあるが、開発に携わらない人々にも大きな恩恵をもたらしたのが音声からの文字起こしである。以前は録音を聴きながら人間がタイピングして文字化するしかなく、慣れた人でも1時間の書き起こしに数時間を要した。書き起こしのアウトソーシングを請け負う事業者もあり、需要の大きさと作業負担の重さが共存してきた。

AIを使った文字起こしサービスは、開発中のβ版が無料で利用できた時期もあったが、現在はほとんどのサービスが開発を完了し有料プランへ移行している。ボイスレコーダーと組み合わせて文字起こしや要約を自動化するサービスも人気だ。テクノロジーライターの小寺信良氏は現在「Plaud」を契約して利用しているが、録音データから要約を作る能力に優れる一方、単純な文字起こしの精度には課題があるという。

特に問題となるのが、話者が複数いる場合の話者判別である。インタビュー記事や対談記事を執筆する際には欠かせない機能だが、質問と回答という形で聞き手と話し手が分離されたインタビュー取材と異なり、立ち話のような雑談では誰かが場を仕切るわけでもなく、会話や相づちがかぶる。明確なQAスタイルになっていない録音で話者を分離するのは、既存の日本語向け音声書き起こしサービスではかなり難しいとされる。

京橋のイベントで実力を検証

小寺氏は先日、京橋で開催された「CREATORS EDGE 2026」を取材した。写真・映像クリエイター向けのセミナーと機材展示を同時に見られる展示会で、Plaudのレコーダーを回しっぱなしにして各ブースを取材し、途中で知り合いのカメラマンらと立ち話で情報交換も行った。

一般的に、テーマの異なる話が同じ録音ファイルに存在すると、AIによるサマリーは統一されたテーマを探そうとするためうまくいかないことが多い。加えて多数の話者が入れ替わり立ち替わり登場するため、単純な書き起こしも話者の切り分けも精度が落ちる。

この録音ファイルをKlangにかけたところ、かなり良い結果が得られた。書き起こしでは話者が8人に分けて認識されており、実際の切り分けと一致していた。同じ録音部分を比較すると、Plaudは話者の切り分けがうまくいかず文字化できていない部分がある一方、Klangは話者分離が正確で、それぞれを細かく書き起こしていた。

要約はPlaud、分離はKlang

要約はPlaudが得意とする領域である。特に指示しなくても複数のテーマに対するサマリーが作成され、言語認識に使うAIモデルやテンプレートを選択できるため、比較的期待通りの成果が得られるという。

一方、Klangのサマリーは、最も長い雑談ブロックの部分だけが抽出されていた。そこで小寺氏は「この録音は、展示会での複数のブース取材を録音したものです。録音内容から各ブースの取材の切れ目を推測し、それぞれのブース取材に対するサマリーを制作してください」という指示を出して再構築を求めた。

これに対しKlangは、各ブース取材と、ブース取材以外の雑談パートがあることを認識し、それぞれのサマリーを作るというアプローチを開始した。「展示会取材の内容を確認いたしました。音声全体を分析した結果、明確な『ブース取材』と判断できる区間と、そうではない区間(小寺信良様ご本人への単独インタビュー・雑談パート)が混在していることが分かりました。それぞれを区別しつつ、ブース単位でサマリーをまとめた文書を作成します」と応答したという。

録音状況を説明すると内容を理解し、ブースごとのサマリーを生成した。日本語モデルの学習と評価はこれからだというが、日本語の指示に正確に反応しており、現在のモデルでもかなり良い結果が得られている。

日本市場での展開と今後の課題

Klangはこれまで北欧を中心に事業を展開し、ドイツ、オーストリア、スイスからなるDACH地域や、ベルギー、オランダ、ルクセンブルクのベネルクス地域でも展開を進めてきた。スウェーデン語モデル「Klang Pianissimo」の開発経験をベースに、日本語音声認識モデルの学習を近く開始する予定である。ただし2026年8月に始まった日本語版は、Klang Pianissimoではなく別の日本語モデルを使っている。

日本では会議や取材、商談の記録を文字起こしして業務効率化を図る動きが広がっており、複数人の発言を正確に分ける技術への関心は高い。Klangの担当者は日本を重点市場の一つと位置付けており、研究開発や海外展開のため約2億4千万円を調達した資金を投じる方針だ。

日本語モデルの学習と評価はまだこれからで、今後の精度向上が焦点となる。話者分離に強いKlangと要約に強いPlaudのように、サービスごとに得意分野が異なることも明らかになった。用途に応じて複数のサービスを使い分けることが、文字起こし活用の現実的な選択肢になりそうだ。

その他のニュース

Sitemap