ドキュメンタリー制作者のための文字起こし:そのパイプライン

映画は文字起こしの中に見つかります。タイムライン上で一つもクリップが動く前に、ほとんどのドキュメンタリー編集者は文字起こしを読み、ハイライトし、並べ替えを繰り返しながら、ストーリーの輪郭を浮かび上がらせていきます。2026年には、AI文字起こしが取り込み工程を数週間から数日に短縮しました。これにより、実際の編集作業のために予算とスケジュールをどれだけ確保できるかが変わります。

ドキュメンタリー編集室の課題

**ドキュメンタリー編集は、脚本が存在しないという点で、脚本ありの編集とは構造的に異なります。**ストーリーは、インタビュー、ヴェリテ映像、アーカイブ素材、ナレーション草稿のどこかに散らばっています。100時間のプロジェクトで手作業のロギングを行う編集者は、ストーリー組み立てを始められるようになるまでに、クリップの文字起こしに2〜4週間を費やすことになります。それは映画ではなく、アシスタントエディターに支払う時間です。

最新のAIエンジンは、ドキュメンタリーで典型的な音声を、リアルタイムをはるかに下回る速度で処理します。2時間のインタビューは、Whisper Large-v3、Deepgram Nova-3、AssemblyAI Universalのいずれでも3〜5分で処理できます。アシスタントの仕事は「聞きながら打ち込む」ことから、「名前を修正し、確信度の低い箇所にフラグを立て、テーマをタグ付けする」ことへと変わります。これは別の仕事であり、はるかに速くこなせます。

インタビューのセレクト:最初のふるい分け

セレクトの工程は、素材が編集素材へと変わる場面です。文字起こしの後、編集者は文字起こしを読み込み、ストーリー的価値があると考えるセリフに印を付けていきます。力強い答え、正直なためらい、他の人が言ったことと矛盾する一節、映画の中心的な対立を言い当てる一節。

各インタビューのワークフロー:

1. 単語レベルのタイムスタンプと話者ラベルを付けて文字起こしします。話者ダイアリゼーションは2〜4人の話者をうまく処理できますが、話者が増えると精度は下がります。5人以上が登壇するパネル形式のインタビューでは、修正工程のために余分な時間を見込んでください。
2. 文字起こしは画面上ではなく、ドキュメントとして読みます。編集者は長いインタビューを印刷して蛍光ペンで印を付けることがよくあります。映像から距離を置くことが客観性に役立ちます。
3. テーマごとに色分けまたはタグ付けします。Reductのようなツールなら、文字起こしのセグメントにラベルを割り当て、映像を送らずに共同作業者と共有できます。
4. 印を付けた選択部分を、タイムコード付きのセレクトドキュメントとして書き出します。これがペーパーエディットの素材になります。

この段階で求められる精度のハードルは、字幕納品より低くて構いません。編集者の名前の誤りや言い淀んだ文があっても、ペーパーエディットは壊れません。探しているのは逐語的な正確さではなく、ストーリーのビートです。

ペーパーエディットのワークフロー

**ペーパーエディットとは、映像編集を始める前に、映画のストーリー構成をテキストで書き表したものです。**ドキュメントの並べ替えはクリップの移動より速くできるため、構造上の決定のほとんどはペーパーエディットの段階で行われます。

典型的な流れは次のとおりです。

1. すべてのインタビューを単語レベルのタイムスタンプ付きで文字起こしします。編集者は音声をオーディオからテキストへの変換ツールに通すか、固定カメラで撮影したインタビュー映像ファイルから音声を抽出し、一括処理にかけます。
2. 文字起こしはペーパーエディットの環境に入ります。チームの好みに応じて、共有Googleドキュメント、Notion、Reduct、Lumberjack Builderなどです。
3. 編集者は選ばれた引用をドキュメント上でストーリーの順に並べます。タイムコードは各引用とともに移動します。
4. 並べ替えたドキュメントがアセンブリカットのガイドになります。タイムスタンプが、アシスタントエディターに対してどのクリップを取り出すかを正確に、タイムラインのどこに置くかをおおよそ示します。

Lumberjack Builder NLEはテキストベースの編集をXMLシーケンスとしてPremiere ProやFinal Cut Proに直接書き出せるため、NLE上でアセンブリカットを手作業で組み立てる工程が不要になります。

多言語の登場人物

国際的なドキュメンタリーでは、スペイン語、フランス語、アラビア語、標準中国語、ポルトガル語、あるいはその混合を話す登場人物が頻繁に登場します。原語で文字起こしをしてから翻訳する方が、外国語の音声を一発で英語に文字起こしするよりも正確です。

実践的なパターンは次のとおりです。

• 各インタビューを登場人物の母語で文字起こしします。Whisper Large-v3は99言語に対応しており、中間的な英語翻訳よりも質の高い母語の文字起こしを生成します。
• 編集室向けに、人間の翻訳者に母語の文字起こしを英語に訳してもらいます。翻訳者は音声ではなく、きれいなテキストを元に作業します。
• 精度確認とアーカイブのために、母語の文字起こしをクリップとセットで保管します。

AssemblyAIのUniversalモデルも同様に99言語に対応し、そのうち95言語で話者ダイアリゼーションが利用できます。多言語プロジェクトでの話者ダイアリゼーションでは、対応言語の総数よりも、その言語に特化したモデルの品質の方が重要です。

アーカイブリサーチと検索可能なライブラリ

アーカイブ映像は、ドキュメンタリーのリサーチで最も時間がかかる部分になりがちです。必要なテーマは分かっていても(「この官僚が条約に言及しているクリップならどれでも」)、ロギングメモによる検索は不正確で、メモを書いた人次第になります。

文字起こしをすれば、アーカイブをテキスト検索できるようになります。

1. アーカイブクリップを文字起こしパイプラインに通して取り込みます。ニュースアーカイブの劣化した音声でも、検索には十分な精度で文字起こしできます。
2. 文字起こしを、クリップIDをキーにした検索可能なデータベースに保存します。小規模なプロジェクトならスプレッドシートで足りますが、シリーズもののドキュメンタリーでは本格的なアセット管理との連携を構築することがよくあります。
3. キーワードやフレーズで検索します。その語が現れるタイムスタンプ付きのクリップIDのリストが結果として得られ、該当する映像をアーカイブから取り出せます。

このパターンは、同じアーカイブソースに各エピソードで繰り返し戻るシリーズもののドキュメンタリーで特に効果を発揮します。文字起こしデータベースが編集チーム全体の共有リソースになります。

映画祭とストリーミング納品のための字幕

映画祭とストリーミングの納品では、字幕形式の要件が異なります。納品工程の前に、この違いを理解しておく価値があります。

FilmFreewayや類似のプラットフォーム経由で提出する映画祭スクリーナーには、SRTが広く受け入れられています。会場上映のために大手映画祭が求めるDCP納品では、字幕は別ファイルとしてではなく、DCPパッケージ自体に埋め込まれます。ストリーミング納品では、NetflixはTTML1またはIMSC1形式(.xmlまたは.ttml)を求めます。Amazon Prime VideoはDFXP/TTMLとSRTを受け入れます。米国の放送では通常SCCが使われます。

ほとんどのドキュメンタリーチームにとっての実践的なワークフロー:

1. NLEからロック済みの映像を書き出します。
2. 音声を単語レベルのタイムスタンプ付きで文字起こしし、正確なSRTファイルを作成します。
3. 改行位置と1行あたりの文字数を人手で確認します。よく引用される基準は1行40〜42文字ですが、プラットフォームごとに独自の仕様があります。
4. SRTを字幕仕上げツールを使って必要な納品形式に変換します。

字幕ジェネレーターが、文字起こしからSRTまでの工程を担当します。その後のストリーミング納品用TTMLやIMSCへの変換は、専用の字幕仕上げツールで行います。

長編映画の場合、1分あたりの従量課金の文字起こし料金は痛い出費になります。90分の映画を1分0.25ドルで文字起こしすると、その1回だけで22.50ドルかかります。すべてのインタビュー、追加撮影、アーカイブを含むプロジェクト全体で計算すると、150時間の撮影分をこのレートで処理すると合計約2,250ドルになります。月額約10〜20ドルの定額プランを12か月の編集期間で使えば、同じ音声が240ドル未満に収まります。

ワークフロー別ツール比較

ドキュメンタリーのポストプロダクション向けツールは3つのカテゴリーに分かれ、ほとんどのプロのチームはそのうち少なくとも2つを使っています。

DescriptのCreatorプランは年払いで月額24ドルで、毎月30時間のメディアが含まれます。繁忙な編集月には足りますが、150時間の取り込み工程には足りません。一括取り込みには、別の文字起こしツールの方が通常は費用対効果が高くなります。ペーパーエディットとストーリー組み立ての段階では、文字起こし連携エディタがその価値を発揮します。

Happy ScribeのProプランは月額29ユーロで600分が含まれ、超過分は1分0.20ユーロです。大規模なプロジェクトではすぐに上限に達するため、月額89ユーロで6,000分のBusinessプランへアップグレードしないと足りなくなります。重要度の高いコンテンツ向けの人間による校正サービスは1分1.75ユーロからです。

TurboScribe Unlimitedは年払いで月額10ドルで、ファイル数に上限がなく、一括取り込みの費用対効果の高い選択肢になります。Whisperを基盤とし、最長10時間のファイルを処理でき、一括アップロードに対応しています。

主要サービスすべての従量課金と定額モデルの詳細な比較については、文字起こし料金比較をご覧ください。

プロジェクト全体を通じたロギング

150時間のドキュメンタリープロジェクトは、個人では対応しきれないロギングの負担を生みます。AI文字起こしは、これを2つのレベルで解決します。

文字通りのレベルでは、文字起こしそのものがログです。言及されたすべての名前、参照されたすべての出来事、出てきたすべての話題――それらはすべてテキストの中にあり、検索できます。

メタデータのレベルでは、文字起こし後のAI処理で、各クリップの段落サマリーとトピックタグを自動生成できます。パターンはこうです。生の文字起こしを取り、要約プロンプトに通し、1段落のサマリーとタグのセットを受け取ります。そのメタデータが、アセットマネージャー内の各クリップの検索可能なヘッダーになります。オーディオ要約の処理でこれを担えるため、別のツールは必要ありません。

規模の大きなチームでは、これによりプロジェクト全体を横断する共有の検索レイヤーが生まれます。どの編集者でも、テーマを検索してクリップのリストを取得し、プロジェクトのビン構造を知らなくても該当する文字起こしの箇所を取り出せます。

1分あたり課金が重要になる場面

定額制の考え方の例外が、法的にデリケートなコンテンツです。**証言録取(デポジション)、法的にデリケートな対象へのインタビュー、法的手続きに入り得るあらゆる映像については、人手による文字起こしが今も標準です。**Revの公開している人手文字起こしの料金は1分1.99ドルからです。高額ですが、人間の説明責任と、難しい音声に対するより高い精度の上限が付いてきます。

ほとんどのドキュメンタリー予算における実践的な使い分けはこうです。編集上の判断を左右する映像の98%はAIで、精度と説明責任が本当に重要な2、3本のインタビューは人手の文字起こしで。

プロジェクトがデイリーの段階で、まだ文字起こしのワークフローを選んでいないなら、まず10分のインタビューを1本ConvertAudioToTextに通してみてください。そのテストで、お使いの音声条件に対して精度が十分か、書き出し形式が既存のパイプラインに合うかが分かります。レビューを読むよりも、その方が良いツール選定の判断材料になります。

1分あたり課金と定額課金の文字起こしのコスト構造を詳しく知りたい方は、無制限プランと従量課金プランの文字起こし料金をご覧ください。

FAQ

ドキュメンタリーのペーパーエディットに最も適した文字起こし形式は何ですか?

ペーパーエディットに最も有用なのは、単語レベルのタイムスタンプ付き文字起こしです。ドキュメント上でストーリー構成を組み立てた後、映像を巻き戻すことなくタイムコードで正確なクリップを取り出せます。SRTはこの用途には理想的ではありません。SRTのキュー構造は表示用に設計されており、編集用ではないためです。多くの編集者はペーパーエディットの段階ではプレーンテキストまたは話者ラベル付きの文字起こしを書き出し、字幕納品用のSRTは別途生成します。

ドキュメンタリーのインタビュー音声に対するAI文字起こしの精度はどのくらいですか?

ブームマイクやラベリアマイクで録音した、クリーンな一人話者のインタビュー音声であれば、最新のエンジン(Whisper Large-v3、Deepgram Nova-3、AssemblyAI Universal)は通常88〜93%の単語精度に達します。会話の重なり、強いアクセント、ノイズを含むアーカイブ録音、同時発話者が4人を超える場合には精度が下がります。アーカイブ映像や集団ディスカッションを含むシーンでは、修正の工程を見込んでおいてください。

映画祭やストリーミング配信プラットフォームが求める字幕形式は何ですか?

FilmFreewayなどのプラットフォームに提出する映画祭スクリーナーには、SRTが広く受け入れられています。DCP納品の場合、字幕はサイドカーファイルとしてではなく、パッケージ自体に埋め込まれます。大手ストリーミングへの納品では、NetflixはTTML1/IMSC1(.xmlまたは.ttml)を求め、Amazon Prime VideoはDFXP/TTMLとSRTを受け入れます。米国の放送納品では通常SCCが使われます。ほとんどの字幕仕上げツールはSRTからこれらの形式へ変換できるため、まずSRTで文字起こしし、その後下流で変換するのが実用的なワークフローです。

Premiere ProやFinal Cut Proと直接連携できる文字起こしツールはどれですか?

Lumberjack Builder NLEはXMLを使ってPremiere ProとFinal Cut Proに直接書き出せるため、テキストベースの編集を手作業で組み直すことなく、シーケンスとしてNLEに取り込めます。DescriptはXML編集シーケンスをPremiereに書き出します。Reductは、ハイライトした文字起こし箇所を直接タイムラインに取り込むためのNLE連携を提供しています。これらの統合により、文字起こしのタイムコードをもとにクリップを手作業で探してタイムラインに配置する手間が省けます。

法的にデリケートなインタビューにはAIと人手のどちらの文字起こしを使うべきですか?

法的手続き、証言録取(デポジション)、訴訟関連のドキュメンタリー制作に使われるインタビューには、人手による文字起こしが適切な選択です。AIエンジンは、法的文脈で重要となる固有名詞、数字、名前に微妙な誤りを生じることがあり、認定された人手の文字起こしに伴う説明責任もありません。Revの人手サービスは公開価格によると1分あたり1.99ドルからです。編集用映像の大部分については、AIでもペーパーエディットには十分な精度があり、その料金の何分の一かで済みます。

出典

• Rev料金(2026年7月時点で確認)：https://www.rev.com/pricing
• Happy Scribe料金(2026年7月時点で確認)：https://www.happyscribe.com/pricing
• Descript料金(2026年7月時点で確認)：https://www.descript.com/pricing
• TurboScribe料金(2026年7月時点で確認)：https://turboscribe.ai/pricing
• AssemblyAI料金(2026年7月時点で確認)：https://www.assemblyai.com/pricing
• Reduct ドキュメンタリーのペーパーエディット:https://reduct.video/blog/paper-edits-for-documentary-filmmakers/
• Lumberjack Builder NLE連携：https://www.lumberjacksystem.com/builder-nle-2/
• Netflix字幕納品要件：https://www.gothamlab.com/netflix-subtitle-delivery-requirements-complete-guide/
• 映画祭字幕納品ガイド:https://www.gothamlab.com/film-festival-subtitle-requirements-the-complete-guide-for-2026/