文字起こしからのファクトチェック：実践的ワークフロー(2026年版)

論争になった引用を無効化する最も速い方法は、正確なタイムスタンプで音声を開いて再生することです。 文字起こしはそのためにあるのです。最終記録ではなく、情報源が何を言ったか、いつ言ったか、どんな文脈で言ったかをたどれる索引なのです。

これは、慎重に書いた記事が訂正記事になってしまうような見落としを避けながら、インタビューの文字起こしからファクトチェックを行いたいジャーナリスト、研究者、編集者のためのワークフローです。

注：音声の保存と法的保護に関するセクションは、一般的なジャーナリズムの慣行を説明するものであり、法的助言ではありません。具体的な状況についてはメディア弁護士に相談してください。

文字起こしが証明すること(そして証明しないこと)

文字起こしが証明できるのは：

• 情報源が特定の順序で特定の言葉を話したこと
• 特定の録音の特定のタイムスタンプで話したこと
• 特定の会話という文脈の中で話したこと

文字起こしが証明できないのは：

• 情報源が真実を語っていたこと
• 情報源の主張が公的記録と一致していること
• 情報源の出来事についての解釈が正しいこと
• 公開した記事がインタビュー全体を正確に反映していること

これらのギャップの一つひとつには、個別の検証が必要です。文字起こしは出発点であって、ゴールラインではありません。

ステップ1:検証チェーンを構築する

原稿内のすべての引用と事実に関する主張は、次の3つにさかのぼって追跡できる必要があります：

1. タイムスタンプ付きの特定の文字起こし行
2. 少なくとも2箇所にバックアップされた特定の音声ファイル
3. 該当する場合の裏付けとなる特定の情報源(公的記録、第二の情報源、専門家)

専任のファクトチェッカーを持つほとんどの編集部では、原稿内の各引用が「文字起こし行+タイムスタンプ+音声ファイル」を指し示す仕組みで運用されています。ファクトチェッカーは各引用の音声を確認した上で、根底にある主張を公的記録と照合して別途検証します。

個人で活動するジャーナリストの場合は、公開前に自分でこのチェーンを構築します。地道な作業ですが、元の記事より長く残る訂正記事を避ける方法でもあります。

ステップ2:引用された言葉を録音と照合して検証する

タイムスタンプ付きの各引用の位置で音声を開きます。クリップの前後30秒を聴きます。文字起こし内の言葉が、実際に話された内容と完全に一致していることを確認します。

各行に付いたタイムスタンプのおかげで、録音全体を巻き戻して探す代わりに、音声内の該当瞬間へ直接ジャンプできます。

見落としてはいけないもの：

否定語の脱落。 「私はそれを承認していません」が「私はそれを承認しました」と誤変換されると、意味が完全に逆になります。重要な引用に含まれる否定表現は必ず検証してください。

数字の入れ替わり。 「13」と「30」、「23」と「2,300」。財務や統計に関する主張では特に危険です。最新のASRはクリーンな音声なら数字をかなりうまく処理しますが、電話録音や早口の発話は現実的なリスクをもたらします。

同音異義語の置き換え。 AI文字起こしは同音異義語について、文脈的にありそうな単語を選ぶことで、もっともらしさのチェックを通過しますが、ニッチな分野では間違えることがあります。「bail(保釈金)」と「bale(俵)」、「meet」と「meat」、「there」と「their」は意味を変えることはまれですが、「profit(利益)」と「prophet(預言者)」、「cite」「site」「sight」、「affect」と「effect」は意味を変え得ます。重要な引用に含まれる同音異義語が起きやすい単語はすべて、新鮮な目で読み直してください。

崩れた固有名詞。 人名、会社名、地名は、AI文字起こしが最も弱いところです。モデルには「Smithkosky」が実際には「Smitchkowsky」であることを見分ける手段がありません。固有名詞は必ず公的記録または情報源自身の資料と照合して検証してください。

切り捨てられた文脈。 文字起こしには「私たちはそれを知っていた」とあります。しかし音声を聴くと、情報源は仮定の話、過去の例、あるいは他人の考えを描写していたことが分かる——そんなことがあり得ます。周囲の文脈が意味を変え得る場合、文字起こしだけから引用してはいけません。

公開予定のすべての引用には、編集者の手に渡る前に「音声検証済み」の印を付けます。音声検証されていないものは、公開に回してはいけません。

ASRの精度数値がセーフティネットにならない理由

AssemblyAIの2026年のベンチマークによると、現在の最先端ASRシステムはクリーンなスタジオ音声で95〜98%の単語精度に達しますが、ビデオ通話では85〜92%に、電話録音、強い訛り、発話の重なりがある場合は80〜88%以下に低下します。話者ラベルの割り当てについては、13データセットにわたるSDBench 2025評価に基づくと、自然な会話における主要システムのダイアライゼーションエラー率(DER)は10〜20%です。

つまり、クリーンな録音でも、1,000語のインタビューには20〜50語の誤りが含まれ得ます。些細なもの(「えー」の省略)もあれば、そうでないものもあります。ここでのワークフローでは、自分の耳で聴いて確認するまで、重要な引用はすべて未検証として扱います。精度の測定方法について詳しくは、文字起こし精度が本当に意味するものおよび話者ダイアライゼーションの仕組みと失敗する場面をご覧ください。

ステップ3:事実に関する主張を情報源と照合して検証する

公開する予定のある、情報源が述べた事実に関する主張はすべて、文字起こしを超えた検証が必要です。

数字。 情報源が「昨年は売上が倍増した」と言ったら、企業の提出書類、公表された声明、決算発表と照合します。上場企業の場合、SECへの提出書類が権威ある情報源です。数字を検証できない場合は、削除するか、慎重に帰属させ(「スミス氏は売上が倍増したと言うが、同社は監査済みの数値を公表していない」)、あるいは明示的なオンレコードでの確認を取ります。

名前と肩書き。 情報源が「XYZ社のCEO」に言及したら、現職の役職名を会社の公式チャネルで確認し、綴りは本人の公開されている経歴と照合します。

日付と出来事。 情報源が「2019年にXをローンチした」と言ったら、アーカイブされたプレスリリース、Wayback Machineのスナップショット、当時のニュース報道を確認します。記憶は時間を圧縮します。人は出来事を1、2年ずらして覚えていることがよくあります。

他人に帰属される引用。 情報源が「誰々がこう言った」と主張する場合は、その本人から直接オンレコードで取ります。単一の情報源からの引用の引用は弱いものです。検証するか、明確な但し書き付きで帰属させてください。

ステップ4:複数のインタビューを相互参照する

同じ出来事について複数の情報源にインタビューする場合は、それぞれの証言を体系的に比較します。

情報源間の一貫性は主張を強固にします。独立した2人以上の情報源が特定の詳細について一致していれば、公開前の確信が高まります。

情報源同士の間、あるいは情報源と公的記録の間の矛盾は、調査報道において最もニュース価値の高い要素であることがよくあります。少なくとも説明が必要であり、時にそれこそが記事の本体になります。

共通する空白。 3人の情報源がそろって同じ話題を避けているなら、そのパターン自体が一つの発見です。

外れ値。 他の誰にも裏付けられないことを主張する単一の情報源は、慎重に秤にかける必要があります。直接の知識を持つ唯一の人物かもしれませんし、記憶違いかもしれません。どちらとも断定はできません。

ステップ5:情報源ドキュメンテーション索引を構築する

20〜50時間のインタビュー音声を生み出す調査は、体系化なしにファクトチェックすることは不可能です。次の列を備えたシンプルなスプレッドシートまたはAirtableのテーブルで十分機能します：

• 情報源名
• インタビュー日
• 音声ファイルの場所(本体とバックアップ)
• 文字起こしファイルの場所
• タイムスタンプ付きの主要な主張
• 検証ステータス:未処理 / 文字起こし済み / 音声検証済み / 主張検証済み

編集者が特定の主張に疑問を呈したとき、索引を検索すれば、誰がいつ言ったのか、正確な文字起こし行、音声ファイル、そしてどんな裏付け情報源が存在するかを即座に把握できます。

ステップ6:矛盾に慎重に対処する

情報源は自分自身と矛盾します。互いに矛盾します。公的記録とも矛盾します。

矛盾ごとに：

1. 両方のバージョンをそれぞれの音声ファイルで確認する
2. 矛盾が本質的なものか些細な不整合かを見極める
3. 矛盾を報道の中で明示的に記す
4. 情報源に対応・澄清の機会を与える

単一のインタビューの中で同じ話題について矛盾する発言をする情報源は、通常、重大です。公的記録と矛盾する情報源も重大です。読者はそれを知る権利があります。

ステップ7:エッジケースへの対処

音声品質の問題。 重要な引用が不明瞭な場合は推測しません。別の人に聴いて確認してもらうか、引用が概略である旨を注記するか、削除します。劣化した音声から自信を持てない引用を公開してはいけません。

翻訳を伴うインタビュー。 自分の媒体の言語以外の言語でインタビューする場合は、翻訳と併せて、タイムスタンプ付きの原文言語の文字起こしを保管します。曖昧さを伴う翻訳上の判断があれば記録しておきます。原文言語での検証が常に可能であるべきです。

オフレコの素材。 インタビューの途中で情報源がオフレコに切り替えたら、そのセクションを文字起こし内で明確にマークします。音声を使って自分の理解をファクトチェックすることはできますが、オフレコ部分を公開したり引用したりすることはできません。これが何を意味するかについて、ほとんどの編集部には書面でのポリシーがあります。自社のポリシーに従ってください。SPJ倫理綱領は、ジャーナリストがオフレコを認める前にその意味を情報源に説明すること、またオフレコの取り決めは上司の承認を得ることを推奨しています。

匿名の情報源。 SPJの公表された立場によれば、匿名の情報源には裏付けが必要です。文字起こしと音声は、情報源があなたにそう言ったことを証明しますが、根底にある主張が正確であることは他の証拠が証明します。追加の裏付けなしに匿名情報源の主張を公開してはいけません。

ステップ8:手法を文書化する

調査報道や法的に敏感な記事の場合、行ったことを書き留めます：

• インタビューした情報源の数
• 音声の総時間
• インタビューの日付範囲
• 使用した言語
• 録音方法(対面、電話、ビデオ通話)
• 主要な主張ごとに行った検証手順
• コメントを拒否した情報源と、何を尋ねられたか

この文書化は編集面であなたを守り、記事に異議が唱えられた場合に弁護士が作業できる材料を提供します。時間の経過とともに、自分自身のプロセス改善にも役立ちます。

私の見解：タイムスタンプこそが引用文献である

ジャーナリズムは証拠基準について、緩むどころか厳しくなる一方です。読者、編集者、法務チームは皆、論争になった引用が元の録音の正確な瞬間までたどれることを期待しています。タイムスタンプは、学術論文におけるページ番号と同じように、あなたの引用文献なのです。

上記のワークフローでは、公開されるすべての引用に2つのことが必要だと扱います。音声と照合して確認された正確な言葉、そしてインタビュー外の情報源と照合して検証された根底の主張です。文字起こしはステップ1を速くします。公的記録、公式提出書類、追加の情報源がステップ2を担います。どちらかを省けば、正確さは運任せになります。

このワークフローを始める前にインタビュー録音を効率的に文字起こしする方法や、ジャーナリストが日常業務で文字起こしをどう使っているかの広い視点については、それらの記事が上流のステップを扱っています。

会議ボットやサブスクリプションの縛りなしにタイムスタンプ付きの文字起こしが必要なら、ConvertAudioToTextは話者ラベル付きで音声・動画を処理し、SRT、VTT、プレーンテキスト形式でエクスポートできるので、そのまま検証ワークフローに持ち込めます。

よくあるファクトチェックの失敗

聴かずにAIの文字起こしを信じること。 クリーンな音声では、最新のASRは約95〜98%の単語を正しく処理します。電話ではその数字は下がります。良好な録音でも生じる2〜5%のギャップには、意味を反転させる誤りが含まれます。否定語の脱落、誤った数字、崩れた名前です。

元の音声を保存しないこと。 ファイルを紛失すると、論争になった引用に対する唯一の防御を失います。

相互参照を省くこと。 単一情報源の主張は最も弱い種類のものです。公開前に必ず裏付けを探しましょう。

話者ラベルの誤割り当て。 商用ASRシステムの話者ダイアライゼーションには無視できない誤り率があり、特に発話の重なりや悪い音質で顕著です。帰属付きの引用を公開する前に、話者の帰属を検証してください。

「覚えている」と「検証済み」を混同すること。 記憶は検証ではありません。録音こそが検証です。

締め切りに追われて手を抜くこと。 節約した5分は、訂正記事の価値にはなりません。訴訟なら尚更です。

ワークフロー向けツール

体系的なファクトチェックのために：

• タイムスタンプ付き文字起こし:ConvertAudioToTextの音声文字起こしツールまたは単語レベルのタイムスタンプを持つ別のサービスで
• 情報源データベース:Notion、Airtable、または主張ごとの検証ステータスを記録するスプレッドシートで
• ローカルとクラウドの音声バックアップ:公開前後のすべてのファイルに対して
• 公的記録データベース:担当分野に合わせて選択。金融ならSEC EDGAR、連邦裁判所の提出書類ならPACER、科学なら学術データベース

FAQ

AIの文字起こしだけでファクトチェックできますか?

いいえ。クリーンな音声では主要なASRシステムは95〜98%の単語精度に達しますが、ビデオ通話では85〜92%に低下し、電話音声や強い訛りではさらに低くなります。残りの誤り率には影響の大きいミスが含まれます。否定語の脱落、数字の入れ替わり、固有名詞の誤りなどです。重要な引用は必ず元の音声と照合してください。

引用の検証と主張のファクトチェックの違いは何ですか?

引用の検証とは、情報源がまさにその言葉をその順序で話したことを確認することです。主張のファクトチェックとは、根底にある主張が真実であることを確認することです。両方が必要です。文字起こしは言葉が話されたことを証明しますが、発言者が正確だったかどうかまでは教えてくれません。

公開後、インタビュー音声はどのくらい保存すべきですか?

業界の慣行では、通常の記事で1年から、法的な争いになり得る調査報道では無期限まで幅があります。多くの編集部には書面での保存ポリシーがあります。迷ったら長めに保存してください。ファイルを紛失しても弁護にはなりません。

重要な引用が音声で不明瞭な場合はどうすればよいですか?

推測してはいけません。別の人に聴いてもらい独立して確認するか、記事内でその引用が概略である旨を注記するか、完全に削除してください。はっきり聞き取れない引用は決して公開してはいけません。

出典

• AssemblyAI: 2026年の音声-to-テキストはどのくらい正確か - シナリオ別のWERベンチマークと実世界の精度範囲
• SDBench: 話者ダイアライゼーションの包括的ベンチマークスイート(arXiv 2507.16136) - 13データセット・6システムにわたる2025年のダイアライゼーションエラー率評価
• 全米プロフェッショナル・ジャーナリスト協会(SPJ):倫理綱領 - 匿名情報源、オフレコ、検証基準
• ConvertAudioToText料金ページ - 2026年7月時点で確認済みの無料・有料プラン詳細