先日、オンラインでインタビューを受けた。雑談のような雰囲気で、およそ１時間半ほど話した。すると担当者の方が、どんな AI ツールを使ったのか（おそらく１種類だけでない気がする）、インタビュー終了からわずか２時間ほどで、音声から文字起こしした内容をきれいにまとめた「叩き台用」原稿を送ってきた。恐ろしくなると同時に、ものすごくうらやましかった…
こんなふうに効率よく仕事がしたい！いったい、どうすればこんなに早く文字起こしができるのだろう。
とはいえ、担当者さんに聞くのが少し気が引けるので、ChatGPT 君と一緒に手探りで試してみることにした。ChatGPT 君が勧めてくれたのは「Buzz」というソフト。インストールしてモデルをダウンロードすれば、あとは簡単な操作だけで音声を文字起こしできるらしい。
さて、何を文字起こししようか。
そういえば、2015 年讀冊生活で行ったミステリー講座「ミステリー漫画の骨と血と肉」が YouTube で公開中というのを思い出した。よし、これにしよう。
電腦玩物の記事を参考して Buzz をインストールし、1GB 超えのモデルデータもダウンロード。Buzz はローカル環境で動作するソフトなので、処理速度はパソコンの性能次第。約２時間の講演音声なら、どれくらいで終わるのだろう。ChatGPT 君はたぶん 40～90 分間だろうと言うので、期待しながらスタートボタンを押したら…結果は約２時間かかった。うーん、まあ、自分で聞きながら打ち込むよりは速いね！( ；∀；)
ところが、出来上がった文字起こしを開いてみると、TXT も SRT もまるで暗号。あの…私って、そんなに滑舌が悪いの？そこで ChatGPT 君に読み込ませてみたところ、「人間が読める文章に整理できますよ」と言う。本当？それならお願いね！
と。その後、約１時間にわたる苦闘が始まった。最初に ChatGPT 君が出してきたものは、正直「使えなくはないけれど…」との程度で、思わず能力を疑ってしまった。
そこで気づいたのが、普段は「最速」モデルを使っている。試しにモデルを「高い」に切り替えたら、何か変わるのだろうか。
そしてモデルを切り替えた途端、それまで少し抜けていておしゃべりだった ChatGPT 君が、急に頼もしくなり、余計なことも言わなくなった。文字数制限で８回分けて作業したから、全体ではやはり１時間半ほどかかったものの、仕上がった内容は驚くほど優秀で、11 年前の記憶を拾い集めてもらえたような気分だった。なるほど賢い。これでようやく、AIを使って文字起こしを整理するコツがつかめた。本当にうれしい。
下の画像は ChatGPT 君が整理する前と後の比較。右が Buzz で文字起こししたそのままの原稿。前半は繁体字中国語なのに、途中から突然簡体字になっている。そして左が ChatGPT 君が整理したもの。本当に不思議なくらい見違えた。
この講座の記録は、文字起こしの時点で約３万文字。余分な部分を削って文章としてまとめれば、１万５千～２万文字くらいになるだろうか…これを読んでみたい人はいるだろうかね。記録として、きちんと校正して公開するのも悪くない気がする。まあ、日本語版は気が向いたらやるよ。
