フォーカスグループ文字起こし、複数話者オーディオのための8つのコツ（2026年版）

フォーカスグループの文字起こしを実用的にする最短ルートは、グループ開始前に音声を整えることだ。後からより良いAIツールを探すことではない。 どんなダイアリゼーションエンジンも、最安値から最高額まで、話者が重なると性能が落ちる。中級のAIツールで処理した録音状態の良い8人グループは、高級サービスで処理した録音状態の悪いグループにほぼ常に勝る。

このチェックリストでは、実際に重要なことを、発生順に説明する。

複数話者の問題:フォーカスグループが文字起こしを難しくする理由

グループ前チェックリスト:録音設定

グループ前チェックリスト:管理設定

グループ前に済ませておく管理ステップが2つ、後工程の時間を大幅に削る。

• ネームテントを置く。 各参加者のファーストネームまたは仮名を書いた折りたたみカードを前に置くと、ファシリテーターが自然に名前で呼べる。音声で「デビッドさん、それについてどう思いますか?」と聞こえれば、後で話者ラベルを人にマッピングする際の信頼できる手がかりになる。
• 円卓の自己紹介を録音する。 各人が自分の名前と一言を最初に話す。この60秒のクリアな個別音声セグメントは、ダイアリゼーションモデルがセッション全体で基準にするアンカーとなる。また、スピーカー1からスピーカーNまで手動でマッピングする際の参照点にもなる。

グループ中:文字起こしに影響するファシリテーションの習慣

モデレーターの選択によって、クリーンな音声が生まれることもあれば、使えないセクションが生まれることもある。

文字起こしを改善する実践:

• 次の質問の前に、参加者の短い回答を繰り返す（「つまり、パッケージが価格よりも重要だということですね？」）。これで、ターンとターンの間にモデレーターの声が明確に入る。
• フォローアップを向けるときは、参加者の名前を呼ぶ。「マリアさん、それはあなたの経験と一致しますか？」は、音声の中で話者を固定する無料のアンカーになる。
• クロストークが始まったら、それを認めてから一人の声に戻す。「一人ずつ聞かせてください。どうぞ、ジェームズさん。」
• 可能なら、話者と話者の間に2〜3秒の間を置く。モデルがターンの境界を検出するのに役立つ。
• 遅れて来た人を黙って入らせない。誰かが遅れて来たら、一旦止めて、簡単に自己紹介してもらう。

トランスクリプトに悪影響を与える習慣:

• 参加者がお互いの文を完成させたり、断片的なフレーズを積み重ねたりするのを許す。
• エネルギーが生産的に感じられるからといって、長引くクロストークを許す。
• 硬い壁と柔らかい家具のない部屋でグループを開催する。
• 時間が足りないからといって、ラウンドテーブルの自己紹介を省略する。

これらのファシリテーション習慣は、セッション前にモデレーターガイドで話し合う価値がある。「プローブの間に少なくとも2秒の間を置く」といったメモを含むモデレーターガイドは、トランスクリプト品質に対する安価な保険だ。

モデレーターガイドとの整合: コーディングを速くするための準備

ほとんどのトランスクリプションガイドが飛ばしているステップが一つある。コーディングを始める前に、トランスクリプトをモデレーターガイドに合わせることだ。

フォーカスグループのモデレーターガイドはセクションに分かれていて、通常4〜8つのトピック領域があり、それぞれにプローブが付いている。AIから出てくるトランスクリプトは、タイムスタンプ付きの話者ターンのストリームだ。あなたの質的ソフトウェアもあなたの頭脳も、生のストリームをコーディングしたいとは思わない。

コーディングの前に、ガイドのセクション見出しをトランスクリプトにマークする。モデレーターがウォームアップからトピック1へ、トピック1からトピック2へ移ったタイムスタンプを見つける。それらのセクションマーカーを、トランスクリプト文書にプレーンテキストのヘッダーとして挿入する。

つまり、コーダーは90分分のターンをスクロールしなくても、トピックのセクションごとに文書を検索できるということです。また、2人のコーダーで作業を分担する場合、時間帯ではなくセクションごとに分けることも可能になります。

NVivo、MAXQDA、ATLAS.tiにエクスポートする場合、これらのツールはタイムスタンプ付きのSRTまたはVTTファイルをインポートでき、オーディオに自動同期してクリップベースのコーディングができます。モデレーターガイドの見出しが付いた、セクションがきちんと分かれたトランスクリプトは、どのワークフローにもすんなり落とし込めます。

グループ後のワークフロー

ステップ1: 複数話者オーディオに対応したツールを選ぶ

オンライン録画のグループの場合、ダイアリゼーションに対応した主要なAI文字起こしプラットフォームならどれでも機能します。 2〜4話者でのツール間の品質差はわずかです。6〜10話者になると、その差は広がります。

オフラインのフォーカスグループでは、マルチトラックオーディオファイルを受け入れるツールを探してください。ツールがモノラルミックスダウンを必要とする場合は、ステレオではなくモノラルにミックスしてください。ステレオミックスダウンは、同じ声が両チャンネルに異なる音量で現れると、ダイアリゼーションモデルを混乱させる可能性があります。

定性研究の文字起こしでよく使われるプラットフォームには、Sonix（従量課金で1時間あたり$10、または月額$25からのサブスクリプション）、Trint（サブスクリプション制、2026年半時点のベンダー資料による価格設定）、RevのAI層（Proプランで1シートあたり月額$47.99）があります。Revでの人間による文字起こしは1分あたり$1.99からで、これは2026年7月時点で、人間が検証したフォーカスグループ作業の市場参考価格として多くの研究者が挙げる数字です。

ミーティングボットソフトウェアやシート単位のサブスクリプションなしで、クリーンなトランスクリプトだけが必要な場合は、ConvertAudioToTextがアップロードされたオーディオを直接受け付け、ログイン不要で話者ラベル付きのトランスクリプトを返します。

各アプローチがいつ適しているかの詳細な比較は、AIと人間の文字起こし比較をご覧ください。

ステップ2: 話者ラベルを人にマッピングする

AIはスピーカー1からスピーカーNまでを出力します。それを実際の参加者名や仮名に変換するのがあなたの仕事です。これはフォーカスグループ文字起こしの中で最も時間のかかる手作業ステップであり、文字起こしが分析に使えるかどうかを左右します。

文字起こしの最初の5分間、各参加者が自己紹介をしている部分を使ってラベルを固定しましょう。その後、ファシリテーターが誰かを名前で呼んでいる場面に移動して、マッピングが成立しているか確認します。後半でラベルがずれてきた場合（長時間のセッションではよくある問題です）、中間地点で再固定してください。

8人グループの場合、このステップに30分から60分かかると見込んでください。

ステップ3: クロストーク部分の処理

ステップ4: 共有前の匿名化

フォーカスグループ文字起こしのツール比較

時間予算

典型的なプロジェクトでは、90分のフォーカスグループセッションが4回から8回含まれます。

8セッションのプロジェクトでは、コーディングソフトを開く前に、セッション後の集中作業として16〜28時間を予算化してください。この段階を過小評価した研究者は締め切りに遅れるか、レビューを急いでコーディングエラーを招きます。

クリーンなフォーカスグループ文字起こしの規律は前倒しにあります。マイクを正しく設定し、自己紹介を実施し、モデレーターにペース配分を指示しておけば、後処理は管理可能なワークフローになります。これらのステップを省略すると、どんなに高価な文字起こしでも、乱れた録音を救うことはできません。

FAQ

AI文字起こしはフォーカスグループで何人のスピーカーを処理できますか？

主要なプラットフォームの大半は、技術的には1ファイルあたり8〜20人の話者に対応しています。しかし現実には、話者数が増えるほどラベル付けの精度は下がります。AssemblyAIの公式ドキュメントでも、精度が最も高いのは2話者の場合で、話者が増えるにつれて低下すると明記されています。6〜10人のフォーカスグループの場合、AIの出力を最終結果として扱うのではなく、手動で話者ラベルを確認・修正する計画を立ててください。

フォーカスグループの録音に最適なマイク構成は？

6フィートのテーブルの両端に2本のバウンダリーマイクを置き、それぞれをZoom H5やH6などのマルチトラックレコーダーの別々のトラックに録音し、さらに各ファシリテーターにラベリアマイクを装着します。この構成で全席を均等に拾い、参加者が互いに話し合ってもファシリテーターの音声は確実にクリアに録れます。バウンダリーマイク1本あたりの予算はモデルにもよりますが、およそ70〜200ドルを見込んでください。

フォーカスグループの文字起こしでクロストークをどう扱えばいいですか？

重なり合った部分は、逐語的に再現しようとせず、[CROSS-TALK]や[MULTIPLE SPEAKERS]のようなプレーンテキストのタグで印を付けます。クロストーク部分の内容が分析上重要なら、その特定の区間だけ音声に戻って確認してください。90分のグループの大半では、クロストーク全体のうち分析に必要な内容を含むのはごく一部です。

フォーカスグループのプロによる人手の文字起こしはいくらかかりますか？

市場で最も広く参照される基準価格であるRevは、2026年7月時点で人手の文字起こしを1音声分あたり1.99ドルで提供しています。90分のフォーカスグループなら、標準納期でおよそ179ドルになります。GoTranscriptのような量重視のサービスでは、5日納期で1分あたりおよそ1.05ユーロから（2026年7月確認）。人手の文字起こしはAIよりセッションあたりのコストが高いものの、クロストークや複数話者の重なりに対する精度は高くなります。

チームと共有する前に、文字起こしを匿名化する必要がありますか？

はい、トランスクリプトが直接の研究チームから出る前に。名前、雇用主の詳細、所在地、その他の特定情報を削除してください。それらを仮名や参加者コードに置き換えます。コードと名前の対応表は、トランスクリプトとは別にパスワード保護されたファイルに保管してください。研究がIRBの承認を受けている場合、匿名化手順を文書化してください。多くのIRBは現在、どの識別子を削除したか、マッピングをどう保護しているかを説明する書面によるプロトコルを求めています。

出典

• Revの料金（人間による文字起こし、$1.99/分）: https://www.rev.com/pricing （2026年7月確認）
• Revのサブスクリプションプラン詳細: https://www.rev.com/services/subscription （2026年7月確認）
• GoTranscriptのフォーカスグループ料金（€1.05/分から、5日間）: https://gotranscript.com/focus-group-transcription-services （2026年7月確認）
• Sonixの料金（$10/時間の都度払い、$25〜$80/月のサブスクリプション）: https://sonix.ai/pricing （2026年7月確認）
• Otter.aiの料金（無料、$8.33、$19.99/ユーザー/月）: https://otter.ai/pricing （2026年7月確認）
• AssemblyAIの話者分離ドキュメント（話者数による精度）: https://www.assemblyai.com/blog/top-speaker-diarization-libraries-and-apis （2026年7月確認）
• Trintの料金（サブスクリプション階層、現在のプランを参照）: https://app.trint.com/plans （2026年7月確認）