音声アノテーションとは｜文字起こし・話者分離の進め方と費用
音声データをAIに学習させようとすると、最初に「文字起こしだけでいいのか」という判断で止まります。誰が話したかを分けるのか、感情まで取るのか。ここを決めないと、必要な工数も費用も出せません。
この記事では、音声アノテーションで何を作るのか、AIと人の役割分担、工数がどこで決まるのかを整理します。議事録AI・音声アシスタント・コールセンター分析などを想定した内容です。
目次
結論：音声アノテーションは「層」で考える
音声アノテーションとは、音声データにAIが学習できる形の情報を付ける作業です。ひとつの作業ではなく、積み重ねられる層として捉えると設計しやすくなります。
| 層 | 付ける情報 | 工数の目安 |
|---|---|---|
| 1. 文字起こし | 発話内容をテキスト化 | 基本の工数 |
| 2. 話者分離 | 誰が話したかを分ける | ＋2〜4割 |
| 3. タイムスタンプ | 発話の開始・終了時刻 | ＋少量 |
| 4. 感情・意図ラベル | 話し方や目的の分類 | 大きく増える |
上の層だけで足りるなら、それ以上は不要です。「議事録を作りたい」なら1と3、「誰が何を言ったか追いたい」なら2まで、「顧客の不満を検知したい」なら4まで——という順に必要な層が決まります。
最初から全部を取ろうとすると、費用が数倍になります。まず1層目だけで試し、足りない分を足していくのが現実的です。
音声アノテーションの主な種類
文字起こし（書き起こし）
音声をテキストに変換します。すべての土台になる作業です。ここで決めるべきことが2つあります。
ひとつは表記の統一ルールです。「えーと」「あの」といったフィラーを残すか消すか、数字を漢数字にするかアラビア数字にするか、専門用語や社名の表記をどうするか。ここを決めずに始めると、あとから全件を直すことになります。
もうひとつは、逐語か整文かです。逐語は発話をそのまま起こし、整文は読みやすく整えます。AIの学習データとしては逐語が基本ですが、用途によります。
話者分離（話者識別）
「この発話は誰のものか」を分けます。会議、商談、コールセンターの通話など、複数人が話す音声では必須になります。
難しいのは、発話が重なる場面と、声質が似ている話者です。ここは自動処理だけでは精度が出にくく、人の確認が要る部分です。
タイムスタンプ・音声区間の切り出し
発話の開始・終了時刻を記録します。動画との同期、検索機能、特定箇所への頭出しなどに使います。無音区間やノイズの扱いをどうするかを決めておく必要があります。
感情・意図ラベル
「怒っている」「納得している」「質問している」といった分類を付けます。最も判断が主観的になりやすく、工数も跳ね上がる層です。
ラベルの定義と判断基準を細かく決め、複数人で基準を揃える工程が必要になります。この設計自体が成果物の一部です。対応している種別はLLM・テキスト・音声アノテーションのページにまとめています。
LLM・テキスト・音声アノテーションLLM・テキスト・音声アノテーション代行。RLHF/DPO・多段階評価・指示応答(SFT)・分類・音声に対応。日本語ネイティブ×全量検収で品質一貫性99.7%、1評価20円〜・初期費用0円の完全従量課金。annotation-support.com
AIと人の役割分担｜どこまで自動化できるか
音声認識の精度は年々上がっており、一次処理はAIに任せるのが前提になっています。アノサポでも、文字起こしや話者分離の一次処理にはAIを活用し、そのうえで人が全量を確認する体制で作成します。
役割分担の目安は次のとおりです。
- AIが得意：はっきり録れた音声の文字起こし、話者が明確に分かれている区間の分離、タイムスタンプの付与
- 人が必要：発話の重なり、専門用語・固有名詞、方言や言い淀み、話者の取り違え、感情・意図の判断
「AIで作ったから安い」ではなく、「AIで下地を作り、人が直すから速くて正確」という考え方です。一次処理を自動化しても、確認工程を省くと品質は保てません。
アノサポはサンプリング検品ではなく全量検収を行い、品質一貫性99.7%を維持しています。音声は誤りが目立ちにくいため、抜き取り検査では取りこぼしが出やすい領域です。
進め方｜5ステップ
- 目的と必要な層を決める。 文字起こしだけか、話者分離まで必要か。ここで工数の大枠が決まります。
- 表記ルールを決める。 フィラーの扱い、数字・記号の表記、固有名詞のリスト。この設計を飛ばすと、あとで全件やり直しになります。
- AIで一次処理する。 文字起こしと話者分離の下地を自動で作ります。
- 人が全量を確認・修正する。 重なり、専門用語、話者の取り違えを直します。
- 検収して納品する。 決めたルールどおりになっているかを確認します。
工数と費用はどこで決まるか
音声アノテーションの費用は「録音時間 × 単価」だけでは決まりません。同じ1時間でも、条件によって作業量が数倍変わります。
| 要素 | 工数への影響 |
|---|---|
| 音質・ノイズ | 聞き取りにくいほど確認に時間がかかる |
| 話者の人数 | 2人と10人では分離の難易度が大きく違う |
| 発話の重なり | 重なりが多いほど人手の修正が増える |
| 専門用語の量 | 用語集がないと確認のたびに調べる必要がある |
| 必要な層 | 感情ラベルまで取ると大きく増える |
音声の文字起こしは、公開単価ではなく個別のお見積りとしています。上記の条件で作業量が大きく変わり、一律の単価では実態に合わないためです。単価を公開している画像・3D・LLM評価については料金ページをご覧ください。
料金プランアノテーション代行の料金は1ラベル6円〜。初期費用・月額固定費0円の完全従量課金で、最低発注の縛りもありません。画像・動画、3D点群・LiDAR、LLM評価まで単価を公開しています。annotation-support.com
見積依頼のときは、「録音時間」「話者の人数」「どの層まで必要か」の3点を伝えると精度の高い金額が返ってきます。サンプル音源を1本いただければ、音質や重なりの度合いも含めて判断できます。条件が固まっていない段階でも、無料のお見積りでご相談いただけます。
自作でつまずく3つのポイント
1. 表記ルールを決めずに始める
フィラーを残すか、数字をどう書くか、社名や製品名をどう表記するか。作業者ごとにばらつくと、学習データとして使えません。 最初に用語集とルールを作るのが、結果的に最短です。
2. AIの出力をそのまま使う
音声認識は精度が上がっていますが、専門用語・固有名詞・言い淀みは今も苦手です。そして音声の誤りは、テキストを読んだだけでは気づきにくいという性質があります。確認工程を省くと、誤ったまま学習させることになります。
3. 個人情報の扱いを決めていない
会議や通話の音声には、氏名・電話番号・取引先名などが含まれます。そのまま外部に渡す前に、どこまで伏せるかを決めておく必要があります。アノサポはISO/IEC 27001（ISMS）認証を取得し、データを端末に残さない運用と案件ごとのチーム分離を徹底しています。詳しくはセキュリティ体制をご覧ください。
内製と外注の使い分け
音声は、他のデータ種別より内製の負担が大きい領域です。作業に実時間の数倍かかり、しかも集中力を要するためです。
- 検証段階：内製が向いています。どの層まで必要かを探っている最中は、手元で試したほうが速く判断できます。
- 量産段階：外注が向いています。時間が積み上がる作業なので、内製だと開発メンバーの時間を消費し続けます。
依頼先の選び方はアノテーション代行の選び方で整理しています。画像や動画とあわせて依頼したい場合は、画像アノテーションの種類と使い分けもあわせてご覧ください。
アノテーション代行の選び方｜費用相場・比較ポイント・発注前チェックリストアノテーション代行会社の選び方を、費用相場・比較ポイント7つ・発注前チェックリストで解説。単価だけで選ぶと総額が高くなる理由、クラウドソーシングとの違い、内製との使い分け、小さく試す手順まで。初期費用0円・全量検収。annotation-support.com
いきなり全量を出す必要はありません。まずは実データ10〜50件程度を無料トライアルで試し、品質を確認してから進められます。本発注も50〜100件程度のPoCから対応しており、最低発注数の縛りはありません。
よくある質問
Q. 音声アノテーションの費用はいくらですか？
音声の文字起こしは公開単価ではなく個別のお見積りです。音質、話者の人数、発話の重なり、必要な層によって作業量が大きく変わるためです。サンプル音源を1本いただければ、無料でお見積りします。
Q. AIで文字起こしすれば人手は不要ではないですか？
一次処理はAIで行いますが、専門用語・固有名詞・発話の重なり・言い淀みは今も人の確認が必要です。アノサポはAIで下地を作り、そのうえで全量を人が確認する体制で作成し、品質一貫性99.7%を維持しています。
Q. 話者分離だけを依頼できますか？
はい。すでに文字起こし済みのデータに対して話者分離だけ、といった依頼も可能です。必要な層だけをご指定ください。
Q. 会議音声に個人情報が含まれますが大丈夫ですか？
ISO/IEC 27001（ISMS）認証を取得しています。データは端末に残さずクラウドのみで扱い、全スタッフとNDAを締結、案件ごとにチームを分離しています。自社AIの学習に流用することはなく、完了後に削除します。伏せ字処理のご相談も承ります。
Q. 少量から試せますか？
はい。実データ10〜50件程度を実際の制作チームが無料でアノテーションし、品質を確認いただいてから本発注に進めます。本発注も50〜100件程度のPoCから対応しています。
まとめ
音声アノテーションは、文字起こし・話者分離・タイムスタンプ・感情ラベルという層で考えると設計しやすくなります。上の層だけで足りるなら、それ以上は不要です。
一次処理はAIに任せられますが、専門用語や発話の重なりは今も人の確認が必要です。「AIで下地を作り、人が全量を直す」——これが速さと正確さを両立させる形です。
そして最初に決めるべきは、表記ルールです。ここを飛ばすと、あとから全件やり直しになります。小さく試して、必要な層とルールを確かめてから広げてください。
まずは無料で、あなたのデータで品質をお確かめください。
