文字起こしからの感情分析：何を検出できるのか

文字起こしに対する感情分析が測るのは極性であり、感情ではありません。 話者が話題にしている事柄に対して、各文や各ターンをポジティブ、ネガティブ、ニュートラルに分類します。フラストレーション、喜び、悲嘆を確実に読み取ることはできません。これを基盤に何かを作る前に、この区別が重要になります。

この記事では、2026年時点でこの技術が実際に提供できるもの、真価を発揮する場面、そしてチームが過度に信頼してしまう失敗パターンについて解説します。

感情分析が測定するもの（そして測定しないもの）

実運用のパイプラインで登場する出力タイプは3種類あります。

• 極性： 文またはターンごとのポジティブ／ネガティブ／ニュートラル。最も信頼できる出力です。
• アスペクトベース感情分析： 話者が言及した特定のトピック（価格、オンボーディング、サポートチームなど）に紐づけられた極性。全体の極性より行動につなげやすい。
• 感情ラベル： 喜び、怒り、悲しみ、フラストレーションなど。最も信頼性の低い出力です。感情カテゴリは互いに重なり、ラベリングは主観的で、人間のアノテーター同士でも高い率で意見が一致しないためです。クリーンなデータセットで90%の精度を報告していたベンチマークも、ドメインの不一致やエッジケースにより、実運用では75%以下に落ち込むのが一般的です。

実務上の教訓：大規模処理には極性を使い、プロダクトインサイトにはアスペクトベース感情分析を使い、感情ラベルは事実ではなく方向性のヒントとして扱うことです。

また、感情分析は文字起こしから話者のトーンを捉えることはできません。テキストベースの感情分析は言葉を読みます。音響的・副言語的な分析は、ピッチ、エネルギー、リズムを音声から直接読み取ります。この2つの信号はしばしば食い違い、「大丈夫です」という言葉はニュートラルにスコアリングされながら、トーンは緊張している、あるいは関与していないように聞こえることがあります。情動やトーンが重要なユースケースでは、テキストと音声の信号を組み合わせたモデルの方が、テキスト単独よりも信頼できます。

主要な2つのアプローチの仕組み

分類器ベースのモデルは、文ごとの極性を信頼度スコア付きで出力します。高速で決定的（同じ入力なら常に同じ出力）、大規模でも安価に実行できる点が強みです。VADER、Cardiff NLPのtwitter-roberta-base-sentiment-latest（Hugging Faceで公開）、ファインチューニングしたBERT派生モデルが、最もよく使われるオープンソースの選択肢です。弱点は、スコアの理由を説明できず、長文の談話を苦手とし、ドメインの影響を強く受けることです。ソーシャルメディアのテキストで学習したモデルは、臨床や金融の専門用語を不正確にスコアリングすることがあります。

LLMベースの分類は、ClaudeやGPTのようなモデルに感情をスコアリングさせ、その理由を説明させるプロンプトを使います。文脈理解は強く、説明の質も明らかに優れています。ただしトレードオフは現実的です。実行ごとに出力が揺れる（同一入力でもわずかに異なるスコアが出ることがある）、1回あたりのコストが高い、非常に長い文字起こしはコンテキストウィンドウの上限に達する、といった点です。GPT-4を使った研究では、人間のコーダーと比較して中程度の評価者間一致（Cohenのカッパ係数 約0.58）が示されており、有用ではあるものの決定的ではありません。

2026年のほとんどの実運用パイプラインは、大量スコアリングには分類器ベースのモデルを使い、LLMはフラグが立ったセグメントの説明だけに使います。これによりコストを低く抑えながら、必要な箇所での説明可能性を確保できます。

文字起こし感情分析が実際に成果を上げる場面

営業通話の分析

最も一般的な実運用例は営業通話のレビューです。通話を文字起こしし、話者ターンごとに感情スコアリングを行い、会話全体で集計します。GongやChorusといったツールが中核製品として提供しているパイプラインは、これをさらに高度化したものです。

同じパイプラインの基本版から得られるもの：

• 通話ごとのネットスコア： マネージャーがランダムサンプリングではなく感情に基づいて通話キューを仕分けできます。Gongの料金は1シートあたり年間数千ドルに達します。会議文字起こしを土台に自前で構築したパイプラインは、小規模チームにとって現実的な代替手段です。
• ターンごとのタイムライン： 通話中に感情がどこで変化したかを示し、反論対応や価格交渉のコーチングに役立ちます。
• トピックレベルのスコア： 議論された内容（デモ、契約条件、競合他社）に紐づけられたアスペクトベースの感情は、通話全体の極性よりも行動につなげやすい。

Zoom会議の文字起こしでは、文字起こしの品質が最初の依存要素です。粗悪な文字起こしからは信頼できない感情スコアしか得られません。

ユーザーインタビューリサーチ

20〜50件のインタビューを分析するリサーチャーにとって、感情はクラスタリングのシグナルとして役立ちます。機能やワークフローに関するそれだけ多くの会話の中で、そのトピックへの感情はポジティブ寄りだったのか、ネガティブ寄りだったのか？ どの具体的なトピックが最も強い反応を引き出したのか？

実用的なパイプライン：

1. 各インタビューを文字起こしします。手順の詳細はインタビュー文字起こしワークフローを参照してください。
2. アスペクトベースの感情分析を実行します。議論されたトピックの特定をモデルに指示し、インタビューごと・トピックごとに感情をスコアリングします。
3. インタビュー全体で集計します。どのトピックが最もばらつきが大きいか（ポジティブな参加者もいればネガティブな参加者もいる）、どのトピックが一様にネガティブかを確認します。

偽の精密さの罠に注意してください。0.62対0.58という感情スコアの差は、参加者の感情と同じくらいモデルのノイズを反映しています。行動につなげられるのは方向性のシグナル（ポジティブ、ネガティブ、または割れ）です。小数点以下は無視しましょう。

コンタクトセンターにおけるコンプライアンスと品質モニタリング

コンタクトセンターは、ほとんどのチームより早くから品質保証のために文字起こし感情分析を使ってきました。パイプラインはこうです。顧客対応のすべての通話を文字起こししてスコアリングします。顧客の感情が閾値（強いネガティブ）を超えた通話はスーパーバイザーのレビュー対象としてフラグが立ち、オペレーターの感情がプロフェッショナルでないように見える通話はコーチング対象としてフラグが立ちます。

Verint、NICE CXone、Crestaなどのベンダーは、11以上の次元にわたる感情スコアリング、インテント分類、次善アクションの推奨を備えたフルソリューションを販売しています。文字起こし＋分類器によるDIY版なら、企業向けの価格設定や過剰に作り込まれた感情タクソノミーなしに、基本的なフラグシステムを手に入れられます。

実用的な閾値の一例：顧客感情スコアで下位5%の通話にフラグを立てて人間のレビューに回す。これにより、スーパーバイザーの時間を最も必要とする会話に集中させられます。

知っておくべき失敗モード

皮肉の検出

分類器モデルは皮肉をしばしば見逃します。課題は、皮肉がポジティブな言葉でネガティブな意図を表現することです（「素晴らしい体験でした、3時間待つのは最高ですね」）。LLMベースの感情分析はもう少し上手く対応しますが、研究によると、思考連鎖（chain-of-thought）プロンプティングはむしろ皮肉検出を妨げます。皮肉は段階的な推論に従わない、全体的で直感的な判断だからです。集計規模では、皮肉の見逃しは多数の会話の中で相殺される傾向があります。しかし単一の通話では、意味のあるほど誤ったスコアを生み出しかねません。

文化的・ドメイン固有の文脈

汎用の感情モデルは、欧米圏の英語テキストを中心に学習されています。一部のビジネス文化における丁寧な断り方は、米国製モデルでは文脈上の意味よりもネガティブに読み取られます。医療用語（「腫瘍は悪性です」）は汎用モデルではネガティブにスコアリングされますが、臨床の場の会話では感情的には中立です。金融アナリストの用語（「下方シナリオ」）は日常的な使い方ではネガティブに読めますが、そのドメイン内では中立です。

多言語コンテンツには、Cardiff NLPのtwitter-xlm-roberta-base-sentiment-multilingualが30以上の言語をカバーしており、Hugging Faceで利用できます。医療や金融の文字起こしにはドメイン特化のファインチューニングが正解ですが、ラベル付きの学習データが必要です。

単一通話のノイズ

単一の会話に対する感情はノイズだらけです。シグナルが有用になるのは30件以上の会話があってからです。単一の感情スコアを一人の顧客関係に対する最終判定として扱うのは、モデルの自信を過大評価することになります。ターンレベルの帰属がスコア品質にどう影響するかについては、話者ダイアリゼーションガイドを参照してください。正確な話者ラベルがなければ、ネガティブな発話が顧客から来たのか担当者から来たのか判別できません。

極性は満足度ではない

発信者は通話全体を通じて中立の極性を示しながら、それでも解約することがあります。全体としてポジティブにスコアされた通話にも、集計値以上の予測力を持つ、極めてネガティブなターンが1つ含まれていることがあります。極性スコアはフィルターであってCX指標ではありません。感情スコアリングのみから算出され、経営層向けKPIとして報告される複合的な「顧客満足度スコア」は、逆効果になるような形で最適化されがちです。

DIYパイプライン向けのオープンソース選択肢

自前で構築するチーム向けに：

• VADER： 軽量なPython辞書型分類器。高速でGPU不要、英語専用。非公式なテキストの最初のベースラインとして良好。pip install vaderSentiment で利用可能。
• Cardiff NLP twitter-roberta-base-sentiment-latest： 2021年までの1億2400万件のツイートでファインチューニングされたRoBERTa。非公式な言語を得意とし、Hugging Faceで利用可能。ソーシャルメディアや会話調のテキストに最適。前処理（ユーザー名やURLの置換）で性能が向上します。
• Hugging Faceパイプライン： 多数の事前学習済み多言語・ドメイン特化モデル。pipeline("sentiment-analysis") でPython 5行の動作する分類器が手に入ります。

LLMベースの分析では、ClaudeやGPTへのシンプルなプロンプトで、説明付きの妥当な極性分類が得られます。分類器の実行よりコストは高いものの、推論の出力があることで、フラグが立ったケースのレビューがしやすくなります。

感情分析と併せて音声からのトピックモデリングを行う場合は、先にトピック抽出を実行し、その後トピックごとに感情をスコアリングします。これがアスペクトベースのアプローチで、全体の極性よりも行動につなげやすい出力を生み出します。

自前の分析パイプラインを構築せずに、きれいな文字起こしだけが必要なチームには、ConvertAudioToTextが、感情分類器やLLMプロンプトに直接渡せる構造化出力を提供します。会議ボット不要、初回実行にアカウント登録も不要です。

正当化できるワークフロー

1. 高精度で文字起こしする。 感情スコアは文字起こし品質の下流にあります。重要な変数については文字起こし精度の改善方法を参照してください。
2. 一括でスコアリングする。 ターンごとの感情に加え、アスペクトベースのプロンプトでトピックごとの感情も取得します。
3. 会話全体で集計する。 単一通話のスコアではなく分布を見ます。
4. 裾をフラグする。 スコアで下位（または上位）5%に入る通話やインタビューは、人間が確認する価値があります。
5. 毎月検証する。 フラグが立ったサンプルから20件をランダムに選んで誰かにレビューさせ、モデルの出力と比較します。「ネガティブ」フラグの偽陽性率が許容範囲を超えている場合は、閾値を調整します。このステップこそが、パイプラインの較正を保つものです。

避けるべきこと

確実に悪い出力を生む3つのパターン：

• 単一文の感情を解約シグナルとして扱うこと。 200ターンの通話の12ターン目で顧客が「これは苛立たしい」と言っても、それ自体は解約シグナルではありません。集計スコアに基づいて通話全体にフラグを立て、判断は人間に委ねましょう。
• トピックへの紐付けなしの全体極性。 45分の通話がややネガティブにスコアされたことを知るより、価格の話題が出た瞬間に感情がネガティブに転じたことを知る方が、はるかに多くを教えてくれます。
• 人間のレビューなしに複合感情スコアを経営指標として使うこと。 チームは上に報告されるものに合わせて最適化します。問題が未解決のまま、オペレーターにポジティブに聞こえる話し方を訓練すれば攻略できるような感情指標は、名目上のものを測っていません。

FAQ

感情分析と感情（エモーション）検出の違いは何ですか？

感情分析はテキストをポジティブ、ネガティブ、ニュートラル（極性）に分類します。一方、感情検出は怒り、喜び、悲しみといった具体的な感情状態の特定を試みます。極性分類の方が実運用で信頼性が高いのは、タスクが単純で、人間のアノテーター間の一致率も高いためです。感情検出はラベルの重なり、クラスの不均衡（悲嘆はまれで喜びは頻繁）、そして人間の評価者同士でも意見が割れる主観性という問題を抱えています。

感情分析は文字起こしから皮肉を検出できますか？

確実ではありません。分類器ベースのモデルは、皮肉がポジティブな言葉でネガティブな意図を表現するため、かなりの割合で皮肉を見逃します。LLMベースの感情分析は皮肉への対応がやや優れていますが、研究によると、思考連鎖（chain-of-thought）プロンプティングはむしろ皮肉検出の精度を下げることがわかっています。皮肉は段階的な推論に従わない全体的な判断だからです。集計規模（30件以上の通話）では皮肉の見逃しは相殺される傾向がありますが、単一の通話では誤ったスコアを生み出す可能性があります。

なぜ文字起こしベースの感情分析は、音声ベースの感情分析が捉えるものを見逃すのですか？

テキストベースの感情分析は言葉を読みます。音響的・副言語的な感情分析は、ピッチ、エネルギー、リズム、テンポといった音そのものを読みます。話者は「大丈夫です」と言いながら、テキストとしてはニュートラル〜ポジティブにスコアリングされつつ、音響信号は平坦あるいは緊張していることがあります。この2つの読み取りは異なるものを測っており、しばしば食い違います。トーンや情動が重要なユースケースでは、両方の信号を組み合わせたハイブリッドモデルの方が、どちらか単独よりも信頼できます。

感情トレンドが意味を持つようになるまでに、通話やインタビューは何件必要ですか？

目安として有用なのは、方向性のあるトレンドを行動につながるシグナルとして扱う前に、30件以上の会話を集めることです。単一の通話の感情スコアはノイズが多く、モデルのばらつき、皮肉、ドメイン固有の言語、文化的の言語、文化的慣用句がそれぞれ誤差をもたらします。多数の会話にまたがる分布こそが、感情分析に価値を与えます。毎月、フラグが立った外れ値からランダムサンプルを抽出して人間がレビューすることで検証してください。

参考資料

• 感情分析：手法、課題、そして2026年に実際に機能するもの - Label Your Data（2026-07-02確認）
• Cardiff NLP twitter-roberta-base-sentiment-latest - Hugging Face（2026-07-02確認）
• 感情と皮肉におけるLLMと人間のアノテーターの比較 - Scientific Reports（2026-07-02確認）
• 音声の感情分析：テキスト vs 音響信号 - Soniox Wiki（2026-07-02確認）
• 2026年のGong料金 - CloudTalk（2026-07-02確認）
• 2026年最高のコールセンター音声分析ソフトウェア - AmplifAI（2026-07-02確認）
• VADER感情分析 - Hex（2026-07-02確認）