話した言葉を消すだけで動画が切れる——文字起こし編集ツールの仕組み

ポッドキャストを録り終えたあと、最初の5分を聞き返してみます。「えーっと」「あの」が続き、同じ話を二度していて、途中で10秒ほど無言の間がある。これを音声編集ソフトで切るとなると、波形を目で追いながら、消したい場所を探しては切り、また探しては切る作業になります。1時間の音源なら、編集だけで半日が飛ぶことも珍しくありません。

ここで発想を変える道具があります。音声を波形ではなく、文字起こしされた文章として扱う編集ツールです。代表的なものがDescript（デスクリプト）で、WindowsとMacのアプリ、そしてブラウザから使えます。無料プランでは毎月1時間まで文字起こしができます。

文字を消すと、音が消える

仕組みはこうです。まず音声ファイルか動画ファイルを読み込ませます。しばらく待つと、話した内容が文字起こしされて画面に並びます。ここまでは、よくある文字起こしサービスと同じです。

違うのはこの先です。文字起こしの各単語には、音声の中のどの瞬間に発音されたかという情報が結びついています。だから文字をマウスで選んで削除キーを押すと、その言葉が発せられた区間だけが音声と映像から取り除かれます。前後の音は自動でつなぎ合わされ、不自然な空白やプツッという切れ目は残りません。

つまり編集の対象が、聞き取れない波形から、読める文章に変わるわけです。「この話、長いな」と思ったら、その段落を丸ごと選択して消す。それだけで、対応する数十秒が音声から消えます。

手作業を減らす補助機能

文字ベースの編集に加えて、話し言葉の編集で面倒になりがちな部分を自動で処理する機能も用意されています。

• フィラーワードの一括削除：「えー」「あの」「まあ」といったつなぎ言葉や、長すぎる沈黙を検出してまとめて取り除けます。全部消すか、一部だけ残すかは自分で選べます。
• 言い直しの修正：言い間違えた箇所を文字で正しく打ち直すと、その部分だけ元の話し手の声で読み上げ直した音声を生成できます。録り直しのためにマイクの前に戻る必要はありません。
• 音の整え：スマートフォンで録った音でも、部屋の反響を抑えて聞き取りやすく整える機能があります。

どれも「編集を楽にする」ための補助で、判断そのものを任せるものではありません。どの言葉を残し、どこを削るかは、結局のところ作り手が決めます。

向いている場面と、そうでない場面

この方式が力を発揮するのは、話の内容そのものを整えたいときです。インタビュー、対談、講義の録画、会議の記録など、長い発話から要点を残して短くしたい作業に向いています。逆に、音楽の演奏や効果音の細かい調整、映像の色や構図を詰める作業は、従来の編集ソフトの領分です。

注意したいのは、映像の場合です。話し手が大きく首を振っている場面で、連続して多くの文を削ると、頭の位置が急に飛んで見えることがあります。滑らかにつなぐ補助機能を使うか、削る量を調整する必要があります。音声だけなら気にならない切れ方でも、映像では目につく、という点は覚えておくと役立ちます。

もう一つ、声を合成する機能を使うときの前提です。自分の声を読み上げに使うには、本人確認と同意の手続きが求められます。これは、他人の声を無断で複製することを防ぐための仕組みです。便利さの裏側に、こうした歯止めがあることは知っておいて損はありません。

編集の入り口が変わる

音声編集というと、波形とにらめっこする職人的な作業という印象があるかもしれません。文字ベースの編集は、その入り口を「聞く作業」から「読む作業」に移します。読みながら直せるなら、編集を始めるまでの心理的な壁はずいぶん低くなります。

まずは短い音声で試してみてください。5分の録音を読み込ませて、冒頭の「えー」を消す。それだけで、この道具が何をしているのかが手に取るように分かります。