話者分離

話者分離（スピーカー・ダイアライゼーション）は、1つの録音に含まれる複数の話者を区別して、発言の区間ごとに「話者A」「話者B」といったラベルを付ける処理です。文字起こし（STT）が「何を言ったか」を扱うのに対し、話者分離は「誰が言ったか」を扱います。

しくみ

典型的な流れは次のとおりです。

• 音声区間の検出：無音や雑音を除き、人が話している区間を見つける。
• 声の特徴の抽出：区間ごとに、声質を数値化したベクトル（話者埋め込み）を作る。
• クラスタリング：似た声の区間を同じ人としてまとめる。

最近は、これらを一体化したモデルや、STT と同時に処理するサービスも増えています。結果は、「0:12〜0:25 話者A、0:25〜0:31 話者B」のような時間付きの区切りとして出力され、文字起こしと組み合わせると、発言者つきの議事録になります。

具体例

• 会議の録音から、発言者ごとに分かれた議事録を作り、LLM に要約や決定事項の整理をさせる。
• インタビュー記事の起こしで、聞き手と話し手を自動で分ける。
• コールセンターで、オペレーターと顧客の発言を分けて分析する。

使うときの注意・よくある誤解

• 「話者A」は誰かを教えてくれるわけではありません。 区別するだけで、本名との対応は人が付けるか、事前に声を登録する必要があります。声から個人を特定する機能は、プライバシーへの配慮が特に必要です。
• 同時に話す、相づちが多い、声が似ている、話者の数が多いといった条件では、精度が下がります。話者の人数が分かるなら、あらかじめ指定できるサービスもあります。
• 1つのマイクで全員を録音すると難しく、参加者ごとにマイクを分けた録音（チャンネル分離）ができれば、ほぼ確実に分けられます。
• 途中で話者の割り当てが入れ替わったり、1人が2人に分かれたりする誤りがあるため、重要な記録では確認が必要です。
• 機能の有無や追加料金は、サービスにより異なります。

関連する考え方

土台となる音声認識、声の複製を扱うボイスクローンとは目的が異なります。議事録づくりの流れでは、話者分離で区切り、STTで文字にし、LLMで要約する、という3つの組み合わせが定番です。

運用のくふう

会議の冒頭で各自が名前を名乗る、発言の前後に間を置く、といった運用の工夫でも結果は安定します。ラベルと実際の名前を後から対応づける作業は、議事録の確認時にまとめて行うと効率的です。