話者分離できる文字起こしとは？仕組みと精度を上げるコツ・ツールの選び方（2026）
複数人が話す会議やインタビューを文字起こしすると、「誰の発言か分からないテキストの塊」になりがちです。議事録や逐字稿として使うなら、**「誰が」「いつ」話したかを分けてくれる話者分離（ダイアライゼーション）**が欲しくなります。
この記事では、話者分離の仕組みと、精度が落ちる原因・上げるコツ、そしてクラウドAIツール・ローカルのWhisper・専用ツールという3つの選択肢を、目的別に整理します。後半で紹介するツールの一つ Subanana は私が運営しているので、向き不向きもはっきり書きます。
話者分離とは：文字起こしとは別の処理
話者分離と文字起こしは、似ているようで別の処理です。
- 文字起こし（音声認識・STT） は「何を話したか」をテキストにする処理。
- 話者分離（ダイアライゼーション） は「誰が・いつ話したか」を、声の特徴から区切る処理。
この2つを組み合わせて初めて、「話者A：〜」「話者B：〜」と、発言者ごとに整理されたテキストになります。会議の議事録、インタビューの逐字稿、複数人のポッドキャストなど、登場人物が2人以上いる音声では、話者分離があるかどうかで使い勝手が大きく変わります。
話者分離の精度が落ちる主な原因
話者分離は万能ではありません。次のような場面では、話者の取り違えや、1人の発言が複数話者に分かれるといったズレが起きやすくなります。
- 発話が重なっている。 相づちや被せ気味の会話が多いと、境界がぼやけます。
- 声質が似ている。 同性・同年代など、声のトーンが近いと区別が難しくなります。
- 雑音が多い／マイクが遠い。 1本のマイクで会議室全体を拾うと、遠い声の分離が甘くなります。
- 電話・オンライン会議の圧縮音声。 音質が落ちると、話者の手がかりも減ります。
裏を返せば、録音の質を上げるほど話者分離の精度も上がります。可能なら一人ずつのマイク、静かな環境、被せ発話を減らす進行——これだけで結果は目に見えて良くなります。加えて、多くのツールでは事前に話者の人数を指定でき、これも精度の助けになります。
話者分離できる文字起こしの3つの選択肢
話者分離を実現する方法は、大きく3つに分かれます。
1. クラウドのAI文字起こしツール（手軽・自動）
ブラウザやアプリにファイルをアップロードすると、文字起こしと話者分離をまとめて自動で行ってくれるタイプです。環境構築が不要で、会議の録音をそのまま処理できます。話者分離に対応したツールが多く、議事録や要約まで一気に作れるものもあります。手軽さと、そのまま実務に使える点が強みです。
2. ローカルのWhisper＋pyannote（無料・技術者向け）
コストを抑えたいなら、自分のPCで動かす方法もあります。ただし注意点があり、OpenAIのWhisperは文字起こし専用で、単体では話者分離をしません。Whisperを使った話者分離の解説記事によると、話者分離には pyannote（Hugging Faceで公開されている pyannote/speaker-diarization-3.1 など）という別のライブラリを組み合わせ、「話者が変わるタイミングを特定してから、Whisperで各区間を文字起こしする」という2段構えで実現します。
- 向いている人: 無料で済ませたい、データを外部に出したくない、環境構築やPythonの扱いに抵抗がない人。
- 注意点: モデル導入やGPU、コマンド操作などの手間がかかります。手軽さを優先するなら、次のクラウド型が現実的です。
3. 専用の会議レコーダー／デバイス
ハードウェアで録音まで担うタイプもあります。オフラインの対面会議を高音質で録りたい場面に向きますが、機器の購入が前提になります。
Subanana での話者分離のやり方
私が運営している Subanana は、クラウド型（選択肢1）にあたるブラウザ完結のWebサービスです。話者識別に対応しており、会議やインタビューの録音を、話者ごとに分けた文字起こしにできます。
- ブラウザで Subanana を開き、録音ファイル（音声・動画）をアップロードするか、公開URLを貼り付けます。
- ソース言語を指定し、話者数を設定します。人数を手動で指定することも、自動で判別させることもできます。
- 文字起こしが生成されると、話者を区別したテキストになります。そのまま要約（議事録）モードに進めば、会議のまとめまで作成でき、要約に使うAIモデルは選べます。
- 仕上がりをエディタで確認・修正し、SRT・VTT・TXT・DOCX・XLSX・Markdown のいずれかで書き出します。会議に英語や中国語が混ざる音源もそのまま扱え、対応言語は95以上です。
話者分離の結果は録音品質に左右されるので、生成後に話者ラベルをざっと見直すと、議事録の精度が上がります。まずは手元の短い会議音声を無料枠で試し、分離の具合を確かめてから本番に使うのが確実です。無料プランは結果を確認するプレビュー中心で、生成は各ファイルの先頭15分まで、書き出しは有料プラン（年払い換算で Lite が月あたりUS$9から）で解放されます。
より基本的な文字起こしのやり方は文字起こしのやり方まとめ、会議の議事録づくりは議事録の書き方のコツも参考にしてください。
よくある質問
話者分離とは何ですか？
音声の中で「誰が」「いつ」話したかを、声の特徴から区別する処理です。「何を話したか」をテキストにする文字起こしとは別物で、この2つを組み合わせると「話者A：〜」「話者B：〜」と発言者ごとに整理されたテキストになります。会議やインタビューなど、話し手が2人以上いる音声で役立ちます。
話者分離の精度を上げるにはどうすればいいですか？
録音の質を上げるのが一番効果的です。一人ずつのマイクを使う、静かな環境で録る、被せ発話を減らす、そして事前に話者の人数を指定する——これらで結果は目に見えて良くなります。生成後に話者ラベルを見直して手直しすれば、議事録としての精度はさらに上がります。
Whisperだけで話者分離はできますか？
できません。OpenAIのWhisperは文字起こし専用のモデルで、単体では話者分離をしません。ローカルで話者分離まで行うには、pyannoteのような別のライブラリを組み合わせる必要があり、環境構築の手間がかかります。手軽に済ませたい場合は、話者分離を自動で行うクラウド型のツールが現実的です。
何人まで話者を分けられますか？
ツールや録音品質によります。Subanana では話者数を手動で指定することも、自動で判別させることもできます。人数が多い会議や、声質が似た話者が多い場面では分離が難しくなるため、事前に人数を指定し、生成後に見直すのがおすすめです。
まとめ
話者分離は、「誰が話したか」まで分けたい会議・インタビューの文字起こしに欠かせない機能です。精度は録音品質に大きく左右されるので、良いマイク・静かな環境・事前の話者数指定が効きます。方法は、手軽で自動のクラウドAIツール、無料だが技術者向けのローカルWhisper＋pyannote、高音質録音向けの専用デバイスの3つ。手軽に議事録まで作りたいなら、話者分離を自動で行うクラウド型が実務的です。まずは手元の短い音声で、分離の具合を試してから決めてください。