音声からのトピックモデリング：LDA、BERTopic、LLMクラスタリング（2026年版）

数時間の音声からトピックマップを作成する

音声に対するトピックモデリングは2つのステップで構成されます。まず録音音声をテキストへ文字起こしし、次に得られたコーパスに対してモデリングアルゴリズムを実行します。アルゴリズムが全ドキュメントを横断して関連コンテンツのクラスタを検出するため、数週間ではなく数時間で妥当性のあるテーマ一覧を作成できます。本記事では、2026年に知っておくべき3つのアプローチ、それぞれの使い分け、そして大量の録音データから整理されたトピック体系を構築する実践的なワークフローを解説します。

30時間分のインタビューの文字起こしを1語ずつ読み込むには1週間かかります。無作為に3件だけ選んで読むやり方は偏りがあり、体系的ではありません。コーパス全体に対してトピックモデリングを行えば、1人の研究者や少人数のチームでもすべてを分析できます。

なぜ文字起こしの品質が上限を決めるのか

トピックモデリングはあらゆる単語をシグナルとして扱うため、文字起こしの誤りは抽出されるテーマへと波及します。 たとえば多数のインタビュー全体で「Kubernetes」が「couvernettes」と誤って書き起こされた場合、アルゴリズムはそれを未知の新しい単語と見なし、不適切なクラスタを生成してしまう可能性があります。この問題は雪だるま式に悪化します。30時間のコーパスには約40万語が含まれることがあり、わずか5%のエラー率でも2万個の破損したトークンがシグナルに混入することになります。

大半の英語音声では、95〜98%の単語精度を目標とするモデルで十分です。医療、法律、技術分野のインタビューに含まれる業界特有の専門用語は一般的な単語よりも誤認識されやすいため、文字起こし前に語彙調整を行うと効果的です。

話者分離（ダイアライゼーション）は必須ではありませんが、多くの場合有益です。構造化された調査インタビューでは、インタビュアーが全セッションで類似した質問を繰り返します。それらの繰り返される質問自体がひとつのトピッククラスタを形成してしまい、参加者の発言内容ではなく構造的なノイズになってしまいます。モデリング前にダイアライゼーションを用いて参加者のターンのみに絞り込むことで、抽出するテーマの精度を高められます。技術の仕組みについては話者分離の解説記事を参照してください。

収録したインタビューのコーパスを一括で文字起こしする必要がある場合は、アカウント登録不要で手軽にテストできるConvertAudioToTextのインタビュー向け文字起こしツールがバッチ処理に対応しています。

トピックモデリングパイプライン向けに音声ファイルを受け付け可能なインタビュー文字起こしツール

3つのアプローチを率直に比較する

本番運用では主に3つの手法が用いられています。それぞれ必要な準備、得られる成果物、およびコストが異なります。

LDA（潜在的ディリクレ配分法）

2003年に開発され、現在も広く使われている古典的な手法です。各ドキュメントはトピックの混合としてモデル化され、各トピックは単語の確率分布として表されます。出力は固定数のトピックであり、それぞれがランク付けされた単語リストとして提示されます。

強み： 高速で、理論が十分に解明されており、解釈しやすい出力が得られます。20年以上の利用実績があるため、どのような場合に失敗するかも把握されています。Pythonのツール群（gensim、scikit-learn）は成熟しており安定しています。GPUを必要とせずCPU上で動作します。

弱み： トークン化、ストップワード除去、見出し語化などの前処理が必須です。トピックはラベル付けされた概念ではなく単語リストとして出力されるため、人間がラベルを考案する必要があります。また、短いテキストや小規模なコーパスでは単語の共起関係が十分に得られず、分布を安定して推定できません。

適した用途： 500件以上の大規模ドキュメントコーパス、素早く大枠を把握したい探索的分析、すでにPythonのNLPツールを中心に構築されているパイプライン。

BERTopic

BERTopicはTransformerベースの文エンコーダでドキュメントを埋め込み、次元を削減した上で、意味の類似性に基づいてクラスタリング（通常はHDBSCANを使用）を行い、最後にc-TF-IDFを用いてクラスタごとの代表的な単語を抽出します。その結果、単語の頻度ではなく意味に基づいたトピックが得られます。

このライブラリは活発にメンテナンスされており、近年ではゼロショットトピックモデリング、モデルのマージ、後処理ステップとしてのLLMによるトピック自動ラベル付けなどの機能が追加されています。標準で50以上の言語に対応しています。

強み： 特にドメイン固有のテキストや短文コーパスにおいて、LDAよりも優れた意味的一貫性を示します。クラスタ数は事前に固定するのではなく、データ主導で自動決定されます。オプションのLLM処理を挟むことで、人間が理解しやすい名称をクラスタに自動付与できます。

弱み： LDAよりも低速です。設定すべきコンポーネント（埋め込みモデル、次元削減手法、クラスタリング手法）が多くなります。ハイパーパラメータの選択に敏感であるため、実行ごとに結果がブレることがあります。BERTopicとLDAの一貫性スコアを比較した研究では、コーパスによって結果が分かれています。マーケティングやインタビューのコーパスではBERTopicが意味の解釈性で勝る一方、語彙が限定された専門分野のテキストでは一貫性指標においてLDAが上回ることもあります。

適した用途： 100〜10,000件のドキュメントコーパス、統計的な厳密さよりも意味的一貫性が重視される研究、GPU環境がある場合、またはCPUでの長めの実行時間を許容できる場合。

LLMベースのクラスタリング

2024年から2026年にかけて実用化されたアプローチです。プロンプトを通じてLLM自体が直接クラスタリングを行います。各文字起こしテキストの主要テーマを要約し、その要約群を分類体系（タクソノミー）の作成を指示するプロンプトとともにLLMに入力すると、LLMが代表的な引用文とともにラベル付きのクラスタを出力します。

強み： 意味的一貫性が最も高くなります。人間が読みやすいラベルと代表的な該当箇所が付随した状態でトピックが得られます。構築すべき前処理パイプラインもありません。

弱み： コストがトークン量に比例して増加します。音声1時間あたり約7,000〜10,000語の文字起こしが生成されます。モデルのグレードやプロンプト設計にもよりますが、フロンティアモデルのAPIを使って30件のインタビューコーパスを要約・クラスタリングすると数ドルの費用がかかります。またLLMは決定論的ではなく生成型であるため、統計的手法と比べて実行ごとにトピック構造のばらつきが大きくなります。

適した用途： 10〜150件程度の小・中規模コーパス、手動でのラベル付け作業なしでそのまま読める分析結果が求められる場合、計算コストの予算がある場合。

概要比較表

手法ごとに文字起こしテキストを準備する

前処理の手順は手法によって大きく異なります。

LDAの場合：

1. 各文字起こしテキストを単語単位にトークン化します。
2. ストップワード（「the」「is」「and」などのノイズ単語）を除去します。
3. 見出し語化を行い、語形変化を基本形に統合します（「running」「ran」「runs」をすべて「run」にするなど）。
4. 文書・単語行列を構築します。
5. トピック数（通常は5〜20個程度）を選択し、1回推測するだけでなく複数の値で一貫性（Coherence）を評価します。

BERTopicの場合：

1. 各単位が明確な意味を持つように、ドキュメント全体ではなく文や短い段落単位に文字起こしテキストを分割します。
2. Sentence Transformerを実行して埋め込み表現を取得します（all-MiniLM-L6-v2モデルが一般的な出発点です）。
3. BERTopicのデフォルトパイプラインに次元削減とクラスタリングを処理させます。
4. クラスタ割り当てを確認し、明らかに同一テーマの派生であるクラスタ同士をマージします。

LLMクラスタリングの場合：

1. 構造化プロンプトを使用し、各文字起こしテキストを5〜10個の要点やテーマに要約します（一貫した形式を出力するプロンプトパターンについては構造化出力と要約文章の比較記事を参照してください）。
2. 全要約をLLMに渡し、N個のテーマにグループ化してそれぞれにラベルを付けるようプロンプトで指示します。
3. 各テーマについて、元の文字起こしテキストから代表的な直接引用を3〜5個抽出するフォローアッププロンプトを実行します。

出力のラベル付けと検証

どの手法もそのまま公開できる出力を自動生成してくれるわけではありません。モデルが検出するのはクラスタであり、ラベル付けと妥当性の検証は人間が行う必要があります。

LDAの場合、出力は次のようになります。

Topic 1: pricing, plan, expensive, value, cost, charge, monthly
Topic 2: integration, slack, zapier, api, automate, workflow
Topic 3: support, help, response, ticket, slow, never

ここからラベルを推測することは可能です（価格への懸念、連携機能のユースケース、サポートへの不満など）が、トピックごとに人間が言語化する必要があります。30件のインタビューから抽出した10個のトピックであれば、ラベル付け作業には15〜30分程度かかります。

BERTopicも同様の単語リストを生成しますが、意味的一貫性はより高くなります。LLMクラスタリングは最初からドラフトラベルを出力するため、ゼロから記述するのではなく軽い手直しで済むことがほとんどです。

検証ステップは見落とされがちです。200件のドキュメントが紐づいたトピックであっても、実際には180件がある話題について語っており、残りの20件はモデルが混同した全く別の話題であるケースがあります。 各トピックの上位5件のドキュメントをスポットチェックすることで、テーマを最終レポートに反映させる前にこうした混同の大半を検出できます。

アーカイブと研究コーパスにおけるユースケース

トピックモデリングに関する記事では調査インタビューでのユースケースが注目されがちですが、スケールのメリットが最も顕著に現れるのはアーカイブや歴史的な音声コレクションです。

オーラルヒストリーのプロジェクト、ラジオ放送のアーカイブ、フォーカスグループの録音ライブラリなどには、長年にわたり蓄積された数百〜数千時間もの音声が含まれていることがよくあります。その規模のアーカイブに対して手動でテーマ分析を行うことは、少人数のチームでは不可能です。トピックモデリングパイプラインを導入すれば、「どの録音を分析すべきか」を選ぶのではなく、「コレクション全体が何を語っているか」を問いかけることができるようになります。

アーカイブ分析の実務における注意点は以下の通りです。

統制されたインタビューよりも音質に大きなばらつきがあります。古い録音、フィールドワークの録音、電話インタビューなどには顕著なノイズが含まれている場合があり、文字起こしの精度を低下させ、結果としてトピックの品質を悪化させます。パイプライン全体を実行する前に、10〜20件の文字起こしサンプルを確認して音質の問題を早期に把握することが肝要です。

大規模なLDAは非常に大きなコーパスを効率的に処理できます。デフォルト設定のBERTopicをCPU上で5,000件のドキュメントに対して実行することは可能ですが、時間がかかります。同ライブラリのMEGAスケール向け設定では、必要に応じてマルチGPU処理がサポートされています。

複数コレクション間の比較は、LDAとBERTopicが得意とするユースケースです。異なる時期や異なる条件下で収集された2つのコーパスがある場合、一方のデータでモデルを学習させ、もう一方のトピック分布を推論することで、テーマの変遷を追跡できます。テーマと並行して感情の方向性を追跡する手法については、文字起こしからの感情分析記事で補完的なアプローチを解説しています。

実践ワークフロー：30件のインタビューからテーマレポートを作成する

中規模の質的調査プロジェクトにおける具体的な作業の流れを示します。

1. 録音フェーズ。 インタビュー全体で計30時間の音声を収録。
2. 文字起こし。 すべての録音をアップロード。並列処理によって複数ファイルを同時に書き起こします。キューの混雑状況にもよりますが、30時間分の所要時間は約1.5〜2時間です。
3. ダイアライゼーションフィルタ。 インタビューの定型的な骨組みがトピックとして検出されるのを防ぐため、インタビュアーの質問を除外して参加者のターンのみを抽出。
4. トピックモデリング。 参加者のターンに対してBERTopicを実行。最新のノートPCのCPUであれば、1時間分の文字起こし30件の処理に20〜40分かかります。
5. ラベル付け。 抽出された8〜15個のトピックに対して研究者がラベルを付与。所要時間は30〜60分。
6. 引用の抽出。 トピックごとに代表的な引用を3〜5件抽出。所要時間は20〜30分。
7. 統合・レポート作成。 ラベル付けされたトピックと引用文を骨子として、調査レポートのテーマ分析セクションを執筆。

研究者が実際に手を動かす時間は約3〜5時間です。音声を聞き直して1行ずつ手動コーディングを行った場合、30〜60時間かかるコーパスであることを考えれば大きな短縮になります。そのトレードオフとして、クラスタ割り当てにおける統計的ノイズの発生や、モデルの誤りをレポート反映前に検知するための検証作業が必要になります。

推奨ツール

Pythonベースのワークフロー向け：

• gensim： 長年の実績を持つLDA実装。ドキュメントが充実しており入門に適しています。Version 4.x系で活発にメンテナンスされています。
• BERTopic： 現在最も汎用的に推奨される選択肢。モジュール化されたパイプライン、活発な開発体制、主要な埋め込みモデルや後処理ラベル付け用LLMとの統合に対応しています。
• scikit-learn： よりカスタムなパイプラインを構築したい場合のLDAおよびクラスタリングのプリミティブが含まれています。

GUI操作を好む研究者向け：

• NVivo： コーディング機能と最新のAI機能を備えた商用質的研究ツール。
• MAXQDA： MAXQDA AI AssistによるAI支援コーディングと要約を提供。第三者機関の調査では、競合ツールのAI機能と比較して人間のコーディングをより正確に再現できると報告されています。
• ATLAS.ti： LLMベースのコード提案を行うAI Labを備えた長年の実績を持つ質的分析ツール。ただし外部レビューによると、出力結果には人間による大幅な選別作業が必要とされています。

GUIツールに対する考察：3つともAI機能を追加していますが、AIネイティブに設計されたものではありません。Pythonの操作に不慣れで、クリック操作のワークフローを求める研究者には適しています。一方で、大規模なコーパスや再現性のある研究パイプラインを求める場合は、コードベースのアプローチの方が制御性と透明性に優れています。

LLMベースのクラスタリング向け：

• OpenAIのStructured Outputs： JSONスキーマに厳密に準拠した応答により、パーサーの不具合を起こさず安定したクラスタリングが可能です。
• Anthropic Claude： 定性的な推論能力に優れ、適切なラベル付けを伴う一貫性の高いテーマ体系を生成します。
• Ollama経由のオープンソースモデル： 予算を抑えたいプロジェクトで活用可能。最先端APIより品質のばらつきは大きいものの、ローカル推論のためコストはほぼゼロです。

よくある落とし穴

ドキュメント数が少なすぎる

統計的手法で安定したクラスタを得るには、十分な数のドキュメントが必要です。インタビューが20件未満の場合、LDAやBERTopicでは実行ごとにトピックが大きく変動することがよくあります。小規模なコーパスでは、分布を推定するのではなく意味を直接解釈できるLLMクラスタリングの方が信頼性が高くなります。

質の低い文字起こしテキスト

文字起こしの精度が90%を下回ると大量のノイズが混入し、抽出されるトピックが本来の内容ではなく誤認識を反映したものになってしまいます。最も重要な準備手順については、文字起こしの精度を向上させる方法を参照してください。

LDAでのトピック数指定の誤り

LDAでは実行前にトピック数を指定する必要があります。少なすぎると異なるテーマが混ざり合い、多すぎるとほぼ同一内容のトピックへと細分化されてしまいます。一貫性指標（特にC_vスコア）は適切な数値を判断する目安になりますが、指標のみを過信するのではなく、3〜4通りの値を試して人間がラベル付けした結果を比較する方が確実です。

インタビュー構造の無視

30回のセッションすべてで同じ質問が繰り返される構造化インタビューでは、それらの質問自体を対象としたトピッククラスタが生成されてしまいます。そのクラスタはインタビュー手順を表しているに過ぎず、参加者の見解ではありません。モデリング前にインタビュアーの発言ターンを除外してください。この影響は、インタビュアーが全体の単語数の30〜40%を話すような質問主体のインタビューで特に顕著になります。

トピックを絶対的な事実として扱う

トピックモデリングはクラスタリングの仮説を提示するものであり、現実を完璧に写し取ったものではありません。抽出されたテーマはあくまで分析の出発点です。公開や意思決定を行う前に、必ず元の文字起こしテキストと突き合わせて各トピックを検証してください。統計的な出力に人間の検証がいつ必要になるかについては、AIと人間による文字起こしの比較記事でも関連する論点を解説しています。

よくある質問

音声に対して直接トピックモデリングを実行できますか？事前に文字起こしが必要ですか？

文字起こしが必要です。主要なトピックモデリングライブラリはいずれも音声を直接処理できません。まず文字起こしを行い、そのテキストをモデリングパイプラインに投入します。文字起こしの品質がトピック品質の上限を決めるため、高精度な文字起こしに投資する価値があります。

トピックモデリングを機能させるには何件のインタビューや録音が必要ですか？

LDAのような統計的手法で安定したクラスタを得るには、最低でも50〜100件のドキュメントが必要です。20件未満では実行ごとに結果が大きく変動します。5〜20件の小規模コーパスでは、単語の出現頻度を数えるのではなく意味を推論するLLMベースのクラスタリングのほうが信頼性が高くなります。

実践におけるLDAとBERTopicの違いは何ですか？

LDAは各ドキュメントを単語の出現頻度によって定義されたトピックの混合として扱います。BERTopicはまずドキュメントを意味空間に埋め込み、意味に基づいてクラスタリングします。BERTopicのトピックは意味的一貫性が高い傾向にありますが、結果はコーパスの規模やハイパーパラメータに左右されます。語彙パターンが明確な大規模コーパスではLDAの方が高速で検証しやすく、テキストが短い場合や散漫な場合は通常BERTopicが有利です。

参加者の回答をモデリングする前にインタビュアーの質問を除外すべきですか？

通常は除外すべきです。コーパスが構造化インタビュー形式の場合、インタビュアーが繰り返す質問自体がひとつのトピッククラスタになってしまい、参加者の見解ではなくノイズになります。話者分離（ダイアライゼーション）を使えば参加者の発言ターンのみを保持できます。この影響は数十件のインタビューで同じ質問が繰り返される場合に最も顕著です。

参考文献・情報源

• BERTopic documentation: https://maartengr.github.io/BERTopic/index.html
• BERTopic on PyPI: https://pypi.org/project/bertopic/
• Gensim LDA documentation: https://radimrehurek.com/gensim/models/ldamodel.html
• "AI-powered topic modeling: comparing LDA and BERTopic in analyzing opioid-related cardiovascular risks in women," PubMed, 2025: https://pubmed.ncbi.nlm.nih.gov/40093658/
• "Comparative Analysis of BERTopic Versus LDA: Topic Modelling in Marketing Research," SAGE Journals, 2026: https://journals.sagepub.com/doi/10.1177/14413582251399667
• MAXQDA vs ATLAS.ti comparison, Skimle, 2026: https://skimle.com/blog/maxqda-vs-atlas-ti-qualitative-analysis-software-2026
• Top qualitative data analysis tools 2026, UserCall: https://www.usercall.co/post/top-5-qualitative-data-analysis-software-tools
• OpenAI API pricing, Value Add VC, 2026: https://valueaddvc.com/blog/openai-api-pricing-2026-gpt-4o-o3-and-gpt-5-cost-breakdown-for-developers