コールトランスクリプションとは？企業向け実践ガイド

その仕組みはいくつかの段階を経ます。まず、システムが音声をキャプチャします。これは、後で文字起こしするための録音か、リアルタイム文字起こしのためのストリーミングのいずれかです。次に、モデルが会話をテキストに変換し、結果をタイムスタンプや話者タグでフォーマットして、誰がいつ話したかを示します。一部の文字起こしでは、非言語音声のタグも含まれることがあります。最後に、テキストがユーザーに提供され、ユーザーはそれを編集して保存できます。一部のモデルはCRM（顧客関係管理ソフトウェア）と統合され、文字起こしを直接該当する顧客ファイルに分類します。

企業が利用する理由

組織は様々な目的で文字起こしを利用します。テキストは内部データベースに格納されることが多く、チームメンバーは各やり取り全体を再読することなく、特定の情報を検索できます。営業チームやカスタマーサービスチームは品質管理にも活用します。マネージャーは会話を再読して、期待が満たされているかを確認し、改善点を見つけることができます。

また、文字起こしは、HIPAA、GDPR、SEC規制などの厳格な基準が適用される企業にとって、証拠書類としても機能します。これらの文書は、特に監査時において、顧客やパートナーとのやり取りにおける義務遵守の実証に役立ちます。

録音後の文字起こしとリアルタイム文字起こし

2つのアプローチがあります。記事によると、終了した録音に対して行う録音後の文字起こしは、最もコストが低く精度が高いソリューションであり、重要な会議やコンプライアンス文書作成に適しています。継続的なストリーミングモデルに依存するリアルタイム文字起こしは、通話終了時点で利用可能なメモを提供します。また、非ネイティブスピーカーや難聴者が、やり取り中に議論についていくのを助けることもできます。

ElevenLabsは、自社のモデル「Scribe v2 Realtime」について、90以上の言語で約150ミリ秒のレイテンシーで文字起こしが可能と発表しています。同社は、これはモデルの推論時間のみであり、エンドツーエンドの遅延は、ユーザーの所在地や使用するアクセスポイントの種類などの要因によって変化すると説明しています。

同意と合法性

文字起こしの合法性は、通話が行われる場所の適用される法律に依存します。一部の国や州では、単一の当事者の同意のみを要求する一方で、他の地域では全参加者の同意を義務付けています。通話が複数の管轄区域にまたがる場合、記事は最も厳しい規則を適用することを推奨しています。最も簡単な方法は、通話開始時に全参加者に通知することであり、通常、会話の継続は暗黙の同意とみなされます。

録音が合法であれば、文字起こしを保存することも一般的に合法です。ただし、GDPRやCCPAなどの法令は、機微なデータの保存期間を制限する場合があります。記事は、これは法的助言ではなく、適切な戦略を策定するにはプライバシー保護に特化した弁護士に相談することを提案していると明記しています。