ブログに戻る
ベストプラクティス•2026-10-07•約9分 読了

電話の文字起こし方法|通話の精度が落ちる理由と5つの手段・CRM 連携

電話の文字起こし方法|通話の精度が落ちる理由と5つの手段・CRM 連携
TL
Team Laxis
Laxis チーム @ Laxis

電話の文字起こしは、会議の文字起こしよりずっと難しい作業です。ウェビナーの録画なら、最新の文字起こしツールでほぼ完璧なテキストになります。ところが先週火曜日の商談の電話を同じツールにかけると、名字の半分は間違い、金額はずれ、途中のどこかで2人の話者が1人にまとめられてしまいます。ソフトも話し手も同じなのに結果がこれほど違う原因は、AI モデルの性能とはほとんど関係がありません。

通話の文字起こしは普通の文字起こしの一種として扱われがちですが、実際には別の分野と考えたほうが近いものです。会話がマイクに直接入るのではなく電話回線を通った瞬間に、音質、話者の分離、ファイルの保存場所について当たり前だと思っていた前提が、すべて変わります。通話を文字起こしする方法は、電話システムや CRM の通話機能、電話 API、会議アシスタント、コンタクトセンター向けスイート、人手によるサービスの5つです。音声をテキストに変える一般的な仕組みは、文字起こしの仕組みの記事で解説しています。この記事で扱うのは、電話ならではのつまずきどころです。

電話の文字起こしが会議より難しい理由

最大の原因は、電話網が音声の一部を捨てていることです。従来の電話は狭帯域で、音声は 8 kHz でサンプリングされます。そのため、およそ 3.4 kHz を超える成分は、録音機に届く前にすべて失われます。この帯域はおまけではありません。英語でいえば「s」と「f」、「th」と「v」を聞き分ける手がかりがあり、歯擦音が「fifteen」と「fifty」を区別できるだけの情報を運んでいるのも、この帯域です。16 kHz でサンプリングした広帯域の音声にはこの成分が残りますが、電話回線では残りません。

現在の音声認識システムは、学習データの大半が広帯域の音声です。8 kHz の音声を入力すると、ほとんどのシステムはまずアップサンプリングします。アップサンプリングでファイルの形式は整いますが、失われた成分は戻りません。もともと情報がなかった以上、補われた周波数帯にも情報はないのです。

この影響は数字にはっきり表れます。公開されているベンチマークが当てにならないのはこのためです。サンプリングレート以外の条件をそろえた比較研究でも、狭帯域というだけで精度が下がることが確認されています。実際の通話ではさらに、コーデックによる圧縮、モバイル回線、発言の重なり(クロストーク)、背景の雑音が加わり、実運用のコールセンター音声のエラー率は、ベンチマークのランキングに載る数字の数倍になることが多いと報告されています。ベンダーのベンチマークはほぼ例外なく、クリーンな広帯域の録音で測定されています。うたわれている精度は、電話音声にとっては予測値ではなく上限と考えてください。

圧縮も精度を下げる要因です。今も電話網で主に使われているコーデック G.711 は、もともと狭帯域の設計です。G.722、Opus、EVS は広帯域以上の音声を運べるので音質ははっきり良くなりますが、効果があるのは通話のすべての区間が対応している場合だけです。携帯電話から参加する人が1人でもいると、会話全体がいちばん低い品質に引きずられます。両端が扱える形式に、ネットワークが変換(トランスコード)しなければならないからです。

30秒でできる診断法。 録音した通話を音声編集ソフトで開き、周波数の表示(スペクトラム表示)に切り替えます。3.4 kHz あたりでエネルギーがぷつりと途切れ、平らな線になっていれば、その音声は狭帯域です。文字起こしのベンダーをいくら替えても改善しません。改善するのは、通話の経路を変えたときです。携帯回線の代わりに VoIP を使う、スピーカーフォンをやめてヘッドセットにする、といった変更です。

1チャンネル録音と2チャンネル録音:話者分離を左右する違い

通話音声と会議音声のもう1つの違いは、録音がいくつのトラックに分かれているかです。これは、ツールを導入する側の多くが考えている以上に重要です。

通話には2つの区間(レッグ)があります。録音がこの2つを別々に記録していれば(たとえば発信者を左チャンネル、オペレーターを右チャンネルに)、話者の分離は機械学習で推定するまでもなく、ファイルの構造で決まります。チャンネル1の言葉はすべて一方の人、チャンネル2の言葉はすべてもう一方の人のものなので、2人が同時に話しても、文字起こしには正しく話者ラベルが付きます。

2つの区間を1本のモノラルトラックにまとめてしまうと、この確実さは失われます。ソフトは声の高さ、音色、話すタイミングだけを頼りに話者を聞き分けなければなりません。クリーンな広帯域の音声なら、これでもそれなりにうまくいきます。ところが狭帯域の電話回線では、声の違いを聞き分けるための周波数そのものが削られているため、精度はかなり落ちます。しかも電話の会話には、話者の分離を失敗させる場面がつきものです。相手の表情が見えないため、対面よりもずっと頻繁に相手の話をさえぎってしまうからです。

コンタクトセンター向けのプラットフォームが何年も前から2チャンネル録音を標準にしているのは、まさにこのためです。一方、多くのビジネスフォンや、一般向けの録音アプリのほとんどは、今も2人の声を混ぜた1本のファイルしか出力しません。文字起こしツールが自社の通話に向いていないと判断する前に、どちらの形式の録音を渡しているかを確認してください。

PSTN・VoIP・Web 会議:通話の品質はいちばん弱い区間で決まる

ビジネスの通話が通る経路は3つあり、録音の品質もそれぞれ異なります。

PSTN(固定電話網)と携帯電話は従来からの経路で、例外なく狭帯域です。携帯電話ではさらに独自の圧縮が加わります。品質としてはこれが最低ラインです。VoIP はずっと良くなる可能性があります。Opus や G.722 を使ったソフトフォン同士の通話は、本当の意味で広帯域だからです。ただしそれは、両端の端末と途中のすべての中継点が広帯域のコーデックで接続できた場合に限られます。経路が混在する通話では、品質が下がります。Zoom、Google Meet、Microsoft Teams などのWeb 会議ツールは、全員がアプリから参加していれば、端から端まで広帯域です。会議の文字起こしが通話の文字起こしよりずっと読みやすい本当の理由は、ここにあります。

この点は実務にも影響します。6人がノートパソコンから、1人がダイヤルイン番号から参加する Teams 会議では、問題は1人の音質だけにとどまりません。多くの場合、ダイヤルインの参加者だけがほかの全員より明らかに不正確に文字起こしされ、その人がほかの人と重なって話した部分はおそらく失われます。いつも電話で参加する関係者がいるなら、その記録に頼る前に、この点を知っておくべきです。

通話を文字起こしする5つの方法

唯一の正解はなく、それぞれに一長一短があります。どの方法が合うかは、今期どのエンジンがわずかに正確かよりも、文字起こしを最終的にどこに残す必要があるかで決まります。

方法電話音声での精度費用の形文字起こしの保存先向いているケース
電話システムや CRM の通話機能まずまず。たいていモノラルで、自社の用語に合わせた調整はほとんどないシート料金に含まれるが、条件がある。HubSpot が文字起こしするのは、Sales Hub か Service Hub の Professional または Enterprise のシートでかけた通話だけ。Starter はアカウントあたり月500分の通話時間付きで、無料アカウントではほぼ、またはまったく使えない連絡先や取引のレコードに自動で記録営業担当がすでに CRM から発信している
電話・CPaaS の API上限がいちばん高い。エンジンを選べ、2チャンネル録音も指定できる従量課金の積み上げ。たとえば Twilio は文字起こしを分単位で課金し、録音と通話そのものは別項目で請求されるコードを書いて保存した場所エンジニアがいて、特殊な要件がある
会議アシスタントアプリ経由の通話には強く、ダイヤルインの区間には弱いユーザーごとの月額制で、無料枠があることが多いツール内のワークスペース。対応していれば CRM にも同期通話の大半を Zoom、Meet、Teams で行っている
コンタクトセンター向けスイート電話音声ではトップクラス。標準で2チャンネル録音、狭帯域向けに調整済み高額。Five9 の音声プランは同時接続ユーザーあたり月約 $159 で最低50シート、Genesys Cloud CX 4 は定価 $240プラットフォーム内。通話中はリアルタイムのオペレーター支援も会議ではなく大量の通話をさばいている
人手またはハイブリッドのサービス音質が本当に悪い音声では最も高い1件あたりの費用が最も高く、納品も最も遅い納品されたファイルを自分で振り分ける裁判所や規制当局がその通話記録を読む

価格は2026年時点で公開されている定価です。特にコンタクトセンター向けの契約は、利用規模が大きければ定価を大きく下回る価格で交渉されるのが一般的です。

多くのチームは精度の列を気にしすぎて、保存先の列を軽く見がちです。コンタクトセンター向けスイートは電話音声に対する技術的には正しい答えですが、週4回の初回ヒアリングを Google Meet で行う12人の会社には向かない買い物です。こうしたチームでは、費用の面でも、本当に大事な点、つまり結果が CRM に届くかどうかという点でも、たいてい会議アシスタントが有利です。Laxis の AI 会議アシスタントもこの種類のツールで、Zoom、Google Meet、Microsoft Teams の会議を記録し、ほかの方法で録音した通話の MP3、WAV、M4A ファイルもアップロードできます。Business プランでは、要約とアクションアイテムを HubSpot や Salesforce に自動で送れます。ただし注意点は、この種類のツールすべてに共通です。会議や会話を前提に作られていて、コンタクトセンター規模の通話量は想定していません。1日に4,000件の通話を文字起こしするなら、そのために設計されたプラットフォームを選んでください。この種類のツールを比べているなら、AI 議事録ツールのまとめ記事で詳しく紹介しています。

リアルタイム文字起こしと通話後の文字起こしの違い

リアルタイムの文字起こしと通話後の文字起こしは、同じ機能に見えて、中身はまったく違います。

ストリーミング型の文字起こしは、話してから1〜2秒以内にテキストを返します。リアルタイムのオペレーター支援、コンプライアンスのアラート、画面上の翻訳ができるのはこのおかげです。その代わり、精度は下がります。ストリーミング型のシステムは、文の終わりを聞く前に推測を確定させなければなりません。音声が届くにつれて前の言葉を修正はしますが、文脈全体を踏まえて判断することはできません。通話後の処理なら、それができます。録音全体を使い、前後の文脈をどちらも参照できるため、一般に精度が高く、1分あたりの費用も安くなります。

大切なのは、どちらか一方を選ぶものと考えないことです。リアルタイムの出力は、通話中に必要なことのために使います。通話後の出力は、記録、要約、CRM への入力など、あとで誰かが読むもののために使います。両方に対応したプラットフォームは多く、同じ通話から、ざっくりしたリアルタイムのテキストと、整った最終版の文字起こしの両方を作ることもできます。

ベンダーを替えるより効く、安上がりな改善策が2つあります。 1つ目は、自社の製品名、競合の名前、SKU の形式、営業担当がよく言い間違える名字を、カスタム語彙に登録することです。固有名詞は電話の文字起こしで最も目立って間違えやすい部分で、手助けなしに正しく推測できるモデルはありません。2つ目は、全員にヘッドセットを使ってもらうことです。壁の硬い部屋でスピーカーフォンを使うと反響が加わり、反響はどんな訛りよりも早く話者の分離を狂わせます。

元が取れるかどうかはワークフローで決まる

通話の文字起こしソフトを選ぶとき、誰もが精度を比べます。しかし、導入の元が取れるかどうかを決めるのはワークフローです。

誰も開かないツールの中にある文字起こしには、価値がありません。正しい連絡先と商談に紐づき、その顧客のほかの履歴と一緒に検索できる文字起こしは、商談の進め方を変えます。この2つの差は、データをどう流すかという仕組みの問題です。エンジンを比べる前に、ここを決めておきましょう。

差を生むポイントは3つです。1つ目に、文字起こしは保存されるだけでなく、レコードに紐づいている必要があります。連絡先、会社、進行中の取引が、電話番号やカレンダーの招待から自動で特定される状態です。2つ目に、読める形に要約されている必要があります。顧客の反論を探すために40分の逐語記録をスクロールする人はいません。実際に使われるのは、要約と、担当者名付きの約束事のリストです。3つ目に、人の手を介さずに届く必要があります。営業担当が貼り付けを忘れないことを前提にしたワークフローは、3週目あたりで人知れず止まってしまいます。

ほとんどの構成がつまずくのは、この3つ目の条件です。CRM 内蔵の通話機能や、CRM と同期するアシスタントが、精度の数字以上に役立つのはこのためです。たとえば Laxis は、担当者付きのアクションアイテムを抽出し、Business プランでは、誰も文字起こしを開かなくても結果を HubSpot や Salesforce に同期します。処理は端末上ではなくクラウドで行われるため、導入を決める前に自社のポリシーと照らし合わせておきましょう。

精度の目安と、低コストで確かめる方法

公表されている精度の数字で選ぶのはやめましょう。実際の録音を5本用意し、候補のツールすべてにかけてください。回線の悪い録音、訛りの強い録音、先方の購買担当が自社の AE(アカウントエグゼクティブ)の話にかぶせてくる録音などです。数えるのは、実害につながる誤りだけです。数字の間違い、名前の間違い、誰が何に合意したかの取り違えなどです。つなぎ言葉の誤字は気にしなくて構いません。

期待値もそれに合わせて設定します。2人ともヘッドセットを使ったクリーンな VoIP 通話なら、優れたシステムは会議音声と同じ水準の精度を出します。道路の騒音が入り、モデルがあまり学習していない訛りのある携帯通話では、文字起こしは内容を思い出す助けにはなっても、発言の引用には使えません。同じベンダーでも同じ日にこの両方が起こり得ます。ベンダーが1つの数字を責任を持って示せないのは、まさにこのためです。

1つだけ欠かせないことがあります。運用を始める前に、録音の同意をきちんと取ることです。ルールは国や地域によって異なり、罰則も現実にあります。通話を録音する方法のガイドでは、具体的な手順と同意のルールを、全員の同意を求める米国の州も含めて解説しています。

まとめ:ボトルネックは録音の取り方に移った

通話の文字起こしで起きた大きな変化は、モデルの性能向上ではありません(実際に向上してはいますが)。ボトルネックが移ったことです。過去10年の大半は、言葉を正しく認識することが課題でした。今の課題は、電話網が何十年も捨て続けてきた周波数帯と、録音の取り方に関する一連の判断です。1チャンネルか2チャンネルか、アプリかダイヤルインか、広帯域か、ネットワークがつないだなりの品質か。こうした選択は電話システムを設定する担当者が行い、たいていは文字起こしのことなど誰も話題にしません。

つまりこれは、いちばん安い改善策が何かを買うことではない、珍しいケースです。必要なのは、自社の電話システムの担当者と話し、2つの質問をすることです。両方の区間を別々に録音できるか。より多くの通話を広帯域の経路に乗せられるか。この2つが解決すれば、まともなエンジンならほぼどれでも十分に使えます。

よくある質問

電話・通話の文字起こしとは何ですか?

通話の文字起こしとは、電話や VoIP の会話を、検索できるテキストに変換することです。通常は話者ごとにラベルが付き、各行にタイムスタンプが入ります。普通の音声ファイルの文字起こしとの大きな違いは、音声が圧縮された電話回線を通ってきている点と、録音が2人の声を混ぜた1本のファイルで届くことも、2つの区間に分かれて届くこともある点です。

電話の文字起こしの精度はどのくらいですか?

ベンダーが公表している数字より、はっきり低い精度を想定してください。公表値はクリーンな広帯域の録音で測ったものだからです。狭帯域の音声はそれだけで精度が下がり、実際の通話ではさらに圧縮、発言の重なり、雑音が加わるため、電話音声のエラー率は公称値の数倍になることがあります。2チャンネル録音とカスタム語彙で、その多くを取り戻せます。

電話の通話は自動で文字起こしできますか?

はい、できます。ほとんどのビジネスフォン、通話機能を内蔵した CRM、コンタクトセンター向けプラットフォームは、録音をオンにすれば自動で文字起こしします。電話 API を使って開発すれば、テキストをリアルタイムで受け取ることもできます。実際の制約は、技術よりライセンスであることがほとんどです。多くのプランでは、文字起こしが有料の上位シートや、月ごとの利用時間枠に限られているからです。

商談の通話を文字起こしするいちばん良い方法は何ですか?

誰も手作業でコピーしなくても、文字起こしが正しい CRM レコードに届く方法を選んでください。具体的には、CRM への記録機能を内蔵したダイヤラーか、Zoom、Google Meet、Teams での通話なら HubSpot や Salesforce と同期する会議アシスタントのどちらかです。精度の数字そのものより、営業担当が実際に開いて使うかどうかのほうが重要です。

通話をリアルタイムで文字起こしできますか?

はい、できます。ただし、リアルタイムの文字起こしと通話後の文字起こしは、実質的に別の製品です。ストリーミング型のシステムは1〜2秒以内にテキストを返し、音声が届くにつれて前の言葉を修正しますが、この先の発言が見えないため、精度には限界があります。通話後の処理は録音全体を使えるので、たいてい精度が高く、費用も安く済みます。

通話の文字起こしはどこに保存すべきですか?

使う人がふだん仕事をしている場所です。営業などの売上を担うチームなら CRM で、別のツールに置いておくのではなく、連絡先と進行中の商談に紐づけておきます。規制のある業界のチームは、そのうえで保存期間とアクセス制御を設定します。フォローアップを書くときに誰も見つけられない文字起こしは、コストを減らすどころか、無駄なコストになっています。

関連製品

Laxis AI セールスエージェント

調査とアウトリーチを自動化。

  • 最初の挨拶の前に、すべての見込み客をリサーチ
  • アウトリーチを自動化し、商談をブッキング
  • CRM は常に最新、手入力は不要
無料で試す

無料で始められます。クレジットカードは不要です。

詳細を見る ▷