会議の録音で話者が混ざる原因と対策｜議事録が使える形になる

「議事録は上がってくるのですが、発言者の欄が全部同じ人になっていて、結局こちらで音声を聞き直しています」「決めた人と、やると言った人が入れ替わっていて、翌週まで誰も気づきませんでした」。——導入から半年ほど経った現場から、判で押したように出てくる2つです。文字は合っているのに使えない、という状態がここにあります。これは認識の精度が足りないという話ではありません。話した内容を文字にする処理と、誰の声かを切り分ける処理は別々に動いていて、後者は録音のとり方でほとんど決まります。マイクを置いた時点で上限が決まってしまうので、後から機能で取り返すことができません。この記事では、なぜ混ざるのかを原因ごとに分け、録音の側でできること、そして出てきた発言者ラベルを誰が何分で直すのかまでを、議事録が使える形になるところまで整理します。

発言者が混ざった議事録は、読めても使えない

議事録は読むための文書ではありません。決まったこと、やる人、期限を後から参照するための記録です。発言者が崩れると、この3つのうち2つが同時に壊れます。文章としては通っているので、壊れていることが読んだだけでは分かりません。

壊れ方は具体的です。反対意見を述べた人が、賛成した人として記録される。確認の質問をしただけの人が、担当者として残る。社外の参加者の発言が、自社の発言として残る。いずれも文章の日本語は正しいので、校正では見つかりません。

気づくのが遅れるのも特徴です。誤字は目に付きますが、発言者の取り違えは目に付きません。読み手は、名前が書いてある以上その人が言ったものとして読みます。そして数週間後、実行の段になって「そんなことは言っていない」という形で表に出ます。見つかるのが遅いほど、巻き戻す範囲が広くなります。

話者分離とは、声の特徴を取り出して時間軸で束ねる処理

やっていることは単純です。音声から声の特徴を数値の並びとして取り出し、似たものどうしを束ねて「ここからここまでは同じ人」と判定します。2026年4月に公開された解説では、声紋の照合を簡易にしたものと考えて差し支えない、と説明されています。誰が話したかを当てているのではなく、同じ声かどうかをまとめているだけです。

文字にする処理とは独立して動きます。文字のほうは、前後の言葉の並びから欠けた部分を補えます。束ねる処理には補う材料がありません。音の中に手がかりが残っていなければ、そこで終わります。この非対称が、文字は合っているのに発言者が崩れる、という現象の正体です。

出てくるのは仮の番号です。話者1、話者2といった形で区切られ、実名への置き換えは人の作業になるのが一般的とされています。ここを機能と誤解して「自動で名前が入る」と期待したまま運用設計を組むと、置き換えの工数がどこにも積まれていない計画ができあがります。最初にここを確認します。

混ざる原因①：同時発話と相づち

2人の声が重なると、特徴が混ざり合って切り分けられません。そして会議では、議論が白熱した場面ほど声が重なります。いちばん記録したい場面が、いちばん崩れるという順番になっています。決定に至る直前の数分が、まとめて1人の発言として残る、という壊れ方が典型です。

相づちも効きます。「はい」「なるほど」のような1秒未満の短い発話は、検出から漏れるか、直前に話していた人に吸収されます。2026年4月公開の解説でも、1秒未満の短い発話の検出漏れが限界として挙げられています。

影響は見た目より大きくなります。相づちが吸われると、質問と回答の境目がずれます。「はい、それでいきましょう」が別人の発言として残れば、決定した主体が入れ替わります。進行の工夫は、機材の入れ替えより効くことがあります。1人ずつ話す、相づちは声に出さずうなずきで返す、といった運用だけで崩れる区間が減ります。

混ざる原因②：席の距離と1本のマイク、そして人数

マイクの構成が最も大きく効きます。1人に1本のマイクが最も精度が高く、会議用の1本マイクでは落ちる、という整理が2026年4月公開の解説で示されています。遠い席の声は小さく入り、部屋の反響を多く含みます。距離が違えば、同じ人の声でも別の特徴として記録されます。

人数も効きます。2人から3人では精度が高く、5人以上で落ちるとされ、6人以上になると別人を同じ話者として統合する誤りが増えるとされています。人数が増えるほど、声の特徴が近い人が同席する確率も上がります。逆に、男女が混ざっている会議や年齢差のある会議では精度が上がる傾向も示されています。

長さも見落とされます。推奨は30分以内とされ、長時間の会議では途中で話者ラベルが入れ替わる現象が起きます。2時間の会議を1本の音声で録ると、後半の精度は前半と同じではありません。議題ごとに区切って録るだけで、後半の崩れ方が変わります。

混ざる原因③：オンラインと対面が同じ会議に混ざる

いちばん崩れるのは、会議室に数人が集まり、残りがオンラインで参加する形です。会議室側の全員が1本のマイクを共有し、オンライン側は各自の端末から入るため、同じ会議の中で録音の条件が2種類になります。結果として、会議室側だけが極端に崩れます。

回り込みも起きます。オンライン側の声が会議室のスピーカーから流れ、それを会議室のマイクが拾います。同じ人の声が2つの経路から時間差で入るため、別人として扱われることがあります。音量も響き方も違うので、束ねる処理からは別の人に見えます。

対策の考え方は、条件をそろえることに尽きます。会議室にいる参加者も各自の端末から入り、マイク付きのイヤホンを使って、端末のスピーカーは切る。手間は増えますが、混在は、精度の低いほうに全体が引きずられます。全員が同じ条件で入っている会議のほうが、結果として直す時間は短くなります。

混ざり方には型がある。型ごとに直す手が違う

現場からの報告が「精度が悪い」で止まると、どこを直せばよいか決まりません。症状を型に分けておくと、録音側で直せるものと、人が直すしかないものが分かれます。

出ている症状	起きていること	録音側で直せるか	人が直す手間
全員が同じ話者になる	1本のマイクで全員が同じ距離・同じ響きになっている	直せる（マイクを分ける）	大（ほぼ全区間）
同じ人が途中から別人になる	長時間で声の調子や音量が変わっている	一部（議題ごとに区切る）	中（区間をまとめ直す）
別人が同じ人にまとめられる	人数が多く、声の特徴が近い人が同席している	一部（人数を伝える）	中（区間を分ける）
相づちが直前の人に吸われる	1秒未満の短い発話が検出から漏れている	進行で減らせる	小（境目だけ）
初めての参加者が既存の誰かになる	その人の声の手がかりが会議の前半にない	一部（冒頭に名乗りを入れる）	小（本人の区間だけ）

この表を先に配っておくと、報告の言葉が変わります。「精度が悪い」ではなく「2行目が出ている」と言われれば、次にやることが決まります。症状の名前を共有することが、原因の切り分けを早くします。1行目が出ている場合だけは、道具を替えても解決しません。録音の構成そのものを変える必要があります。

録音の側でできること。機材の置き方が後工程を決める

後工程で直せる量には限りがあります。音の中に手がかりが残っていなければ、聞き直しても人が判断できません。だから作業の順番としては、録音の側が先です。ここは費用もほとんどかかりません。

4つ目が最も費用対効果に優れます。設備の入れ替えも契約の変更も要らず、進行の型を1つ足すだけです。冒頭の30秒が、60分の聞き直しを減らします。試すなら、次の定例会議から始められます。

オンライン会議の音声を分けて受け取れる場合とそうでない場合

オンライン会議には2つの型があります。参加者ごとの音声が別々に記録される場合と、全員の音声が1本に混ぜられてから記録される場合です。前者なら、誰の発言かは最初から分かっているので、切り分けの処理そのものが要りません。後者は、対面で1本のマイクを使うのと同じ条件になります。

この違いは、道具の性能の差ではなく、音声をどの段階で受け取るかの差です。混ぜられた後の音声を受け取っている限り、どれだけ良い仕組みを使っても、会議室で1本のマイクを使ったときと同じ弱点をそのまま引き継ぎます。比べる前に、そもそも切り分けが必要な構成かどうかを確認します。

確認は実地で行います。仕様の説明だけで判断せず、実際の会議と同じ人数、同じ入り方、同じ録音の設定で1回試し、出てきた結果を見ます。録画と録音のどちらの機能を使うかで結果が変わることもあります。15分ほどの模擬的な会議で確かめるだけで、運用に入ってからの手戻りがなくなります。参加者には、この試行が何のためかを先に伝えておきます。

発言者ラベルを人が直す工程を、先に決める

最初に決めるのは、AIに判断させない範囲です。「この発言は誰のものか」を最終的に確定するのは、その会議に出ていた人です。出ていない人が音声だけを聞いて直すと、声は合っていても文脈を取り違える、という別の誤りが入ります。直す人は、その場にいた人に限ります。

次に、直す範囲を絞ります。全区間を直そうとすると終わりません。決定事項、担当、期限が出てくる区間だけを直し、それ以外はラベルを付けないままにします。付けないと決めた区間は、空欄ではなく「未確認」と明示します。空欄にすると、確認済みで発言がなかったのか、未確認なのかが区別できなくなります。

直す作業が現実的な時間で終わるには、記録を扱う側に3つの条件が要ります。同じ番号を一括で置き換えられること、再生位置と区間の対応が見えること、区間をまとめたり分けたりできること。この3つがないと、1区間ずつ音声を聞き直すことになり、作業時間が読めなくなります。

誰が何分で直すかを、運用の前に決める

工数の目安が出ています。2026年1月に更新された記事では、60分の会議で作業時間の約70%が「音声の聞き直し」に使われていた事例が挙げられています。同じ記事では、上位の仕組みでも話者の取り違え率は10%から15%程度は起こり得るとされています。

この数字は使えます。60分の会議で1割から1割5分が崩れるなら、崩れている区間は6分から9分に相当します。全部を直せば数十分ですが、決定事項の区間に限れば数分で終わります。直す時間を見積もらずに導入すると、議事録係の仕事が書くことから聞き直すことに変わるだけです。減らしたはずの時間が、別の作業に移っただけになります。

決めることは3つです。誰が直すか。いつまでに直すか。直さないと決めた区間をどう扱うか。3つ目が抜けると、直していない部分が確定した記録として流通します。当日中に直せないなら、翌営業日の何時までかを書き、それまでは「確認中」の印を文書の先頭に付けておきます。

決定事項と担当者を取り違えたときに起きることと、直す順番

直す優先順位は、議事録が参照される場面から逆算します。参照されるのは、決まったことを実行するとき、認識が食い違ったとき、後から経緯を確認するときの3つです。この順番が、そのまま直す順番になります。

区間の種類	取り違えたときに起きること	直す優先度
決定事項の発言	実行されない、または別の結論で実行される	最優先
担当と期限の割り当て	担当が抜け落ちる、または二重に着手される	最優先
反対意見・留保	合意したことにされ、後から覆る	高い
社外参加者の発言	自社の見解として記録され、対外的な食い違いになる	高い
雑談・補足の説明	実害は小さい	低い

社外の参加者が絡む取り違えは、特に重く出ます。相手の発言として残った内容が、実は自社の担当者の発言だった場合、その記録を根拠に次の話が進みます。相手にも共有する議事録では、社外参加者の発言区間だけは全件を確認します。件数としては多くないので、確認の負荷は限定的です。

反対意見が消える壊れ方も見落とされます。反対した人の発言が別人に付け替わると、記録の上では全会一致に見えます。後から異論が出たときに、記録が根拠として使えません。意思決定の記録としての価値は、反対意見が残っているかどうかで決まります。

社外の人の声を録るときの断り方

日本の実務では、会話の当事者の一方が同意していれば録音そのものは違法ではない、という整理が一般的です。ただし2026年5月に公開された解説でも指摘されているとおり、これは証拠としての扱いに関する整理であって、信頼関係や社内規程とは別の話です。上場企業や規模の大きい会社では、内部規程で事前の告知を義務づけている例があるとされています。

断り方には型があります。冒頭で、目的と使う範囲を言います。「議事録を正確に残すために録音させてください」「記録は社内での確認に使います」。この2文で足ります。あわせて、相手が断った場合の代替を先に決めておきます。手書きのメモに切り替える、録音は止めて要点だけ後で共有する、といった形です。決めていないと、断られた場で話が止まります。

伝えた事実は記録に残します。誰に、いつ、どの範囲で伝えたかを、議事録の冒頭に1行だけ書きます。後から言ったかどうかを争わないための1行です。社内の会議でも同じで、参加者が入れ替わる定例では、新しい参加者が入った回に必ず伝え直します。

音声を外部の仕組みに預けるときに確認する4つ

会議の音声には、氏名、所属、取引条件、未公開の計画が含まれます。文字起こしの結果も同じです。個人情報保護委員会が令和5年6月2日に公表した「生成AIサービスの利用に関する注意喚起等について」では、個人情報取扱事業者が個人情報を含む入力を行う場合、その内容が特定された利用目的の達成に必要な範囲内であることを十分に確認する必要があるとされています。あわせて、本人の同意なく個人データを含む入力を行い、その個人データが応答結果の出力以外の目的で取り扱われる場合には、法に違反する可能性があるとされ、機械学習に利用されないことなどを確認する必要があると示されています。

• 預けた音声と文字起こしが、提供元の学習に使われないことを、契約または公開されている仕様で確認する
• 保管される場所と期間を確認し、不要になった音声をいつ誰が消すのかを手順にする
• 社外の参加者が含まれる会議を対象にしてよいかを、取引先との契約ごとに確かめる
• 品質確認や委託先の点検で人が中身を見る場面があるかを確認し、あるなら参加者への説明に含める

確認した日付と該当箇所は記録に残します。仕様は改定されるので、半年後に同じ説明ができる状態にしておく必要があります。ここは自社の判断だけで進めず、法務および外部の専門家の確認を入れる領域です。範囲が決まるまでは、社外の参加者が入る会議を対象から外しておくのが安全です。

AIに判断させない範囲と、人が決める3つ

任せてよいのは、音声から文字を起こすこと、区間を切ること、仮のラベルを付けること、決定事項らしき文を抜き出す下書きを作ることです。いずれも下書きまでで、確定は含みません。抜き出しの精度を上げる方向に時間を使うより、下書きのまま人が確認する手順を整えるほうが、結果として早く回ります。

抜き出しには根拠を書かせます。「これが決定事項です」ではなく、「この区間のこの発言を根拠に、決定事項と判断した」という形です。根拠の区間を示せない抜き出しは採用しないという規則を先に置くと、確認する側は示された区間だけを聞けばよくなり、聞き直しの総量が減ります。根拠のない指摘を1つ残すと、全部を疑うことになります。

人が決めるのは3つです。発言者の最終的な確定。決定事項かどうかの確定。社外に共有してよいかどうかの確定。この3つを尋ねてはいけません。尋ねれば、確からしさが表示されないまま断定の形で返ってきます。誰の発言かは、その場にいた人の記憶と照らして初めて確定します。

ミニ用語解説

話者分離

音声の中で、いつ、誰が話したかを区切る処理です。何を話したかを文字にする処理とは別に動きます。声の特徴を数値として取り出し、似たものどうしを束ねます。誰かを当てているのではなく、同じ声かどうかをまとめているだけです。

発言者ラベル

切り分けた区間に付けられる仮の名前です。話者1、話者2といった番号で出ることが多く、実名への置き換えは人が行うのが一般的とされています。番号の数が実際の参加人数と合わないこと自体が、崩れている合図になります。

同時発話

2人以上の声が重なっている状態です。切り分けがいちばん崩れる場面で、議論が白熱した区間に集中します。記録として最も重要な区間と重なるため、実害が大きい割に、あとから直しにくいという性質があります。

話者の取り違え率

全体の時間のうち、誰の発言かを取り違えた時間の割合を表す指標です。2026年1月に更新された記事では、上位の仕組みでも10%から15%程度は起こり得るとされています。0%になる前提で運用を組まない、という目安に使います。

事前登録型と自動判定型

参加者の声をあらかじめ登録しておく型と、その場の音声だけから束ねる型があります。前者は初めての参加者に弱く、後者は人数が多いと統合の誤りが出ます。自社の会議に固定の参加者が多いか、外部の人が多いかで、出る症状が変わります。

進め方の失敗と、この記事で扱っていないこと

同じ失敗が繰り返されています。どれも導入の直後ではなく、記録が実際に参照される段になって表に出るものです。

• 文字の正確さだけを見て導入を決める。文字にする処理と誰の声かを切り分ける処理は別で、後者は録音の置き方でほとんど決まる
• 会議室の1本マイクとオンライン参加を混ぜたまま運用に入る。条件のそろっていない側が全体を引き下げ、会議室側だけが崩れる
• 2時間の会議を1本の音声で録る。長時間では途中で話者ラベルが入れ替わるため、後半の精度は前半と同じにならない
• 直す時間を見積もらずに運用へ入れる。議事録係の仕事が、書くことから音声を聞き直すことに変わるだけになる
• 直さないと決めた区間を空欄のまま配る。確認済みで発言がなかったのか、未確認なのかが区別できなくなる
• 社外の参加者が入る会議を、告知と契約の確認より先に対象にする。伝えた事実が残っていないと、後から争点になる

• 話者分離の仕組み、人数や声質による精度の傾向、マイク構成による差、会議の長さの目安、初めての参加者や1秒未満の発話に関する限界は、2026年4月25日に公開された解説記事の記載です。実際の精度は使う仕組みと会議の条件によって異なります
• 60分の会議で作業時間の約70%が音声の聞き直しに使われていたという事例、および話者の取り違え率が10%から15%程度は起こり得るという記載は、2026年1月5日に更新された記事の内容です。特定の条件での事例であり、自社で同じ数字が出ることを示すものではありません
• 録音環境と進行の工夫に関する記載は、2026年5月12日に公開された記事の内容です。録音の同意に関する一般的な整理と、内部規程で告知を義務づけている例があるという記載は、2026年5月1日に公開された解説記事の内容で、法律事務所による法的助言ではありません
• 個人情報を含む入力に関する記載は、個人情報保護委員会が令和5年6月2日に公表した「生成AIサービスの利用に関する注意喚起等について」の内容です。録音の可否、社外参加者への告知の方法、契約上の扱いについては、最新の公表資料を確認し、法務および外部の専門家の確認を経てください
• この記事は、会議の録音で誰の発言かが混ざる原因と、その直し方だけを扱っています。文字起こしそのものの精度をどう見るか、どの仕組みを使うか、料金の型をどう比べるかは、いずれも別の作業として整理する必要があります

まとめ

会議の録音で話者が混ざるのは、性能が足りないからではありません。録音された音の中に、切り分けるための手がかりが残っていないからです。文字にする処理は前後の言葉の並びから欠けた部分を補えますが、誰の声かを束ねる処理には補う材料がありません。この非対称があるために、文字は合っているのに発言者だけが崩れる、という状態が生まれます。崩れる原因は3つに整理できます。1つ目は同時発話と相づちで、2人の声が重なると特徴が混ざり、1秒未満の短い発話は検出から漏れるか直前の人に吸収されます。議論が白熱した区間ほど重なるので、いちばん記録したい場面がいちばん崩れます。2つ目は距離と人数で、1人に1本のマイクが最良、会議用の1本マイクでは落ちるとされ、2人から3人では高く5人以上で落ち、6人以上では別人を同じ人にまとめる誤りが増えます。会議の長さも効き、推奨は30分以内で、長時間では途中で話者ラベルが入れ替わります。3つ目はオンラインと対面の混在で、同じ会議の中に録音の条件が2種類できるうえ、スピーカーからの回り込みで同じ人の声が2つの経路から入ります。混在は精度の低いほうに全体が引きずられるので、全員を同じ入り方にそろえるほうが結果として早く終わります。録音の側でできることは費用がかかりません。入り方をそろえ、マイクとの距離をそろえ、空調と反響を減らし、そして冒頭で一巡して名乗る。この30秒があるだけで、後から番号と実名を突き合わせる作業が変わります。オンライン会議では、参加者ごとの音声を別々に受け取れるかを先に確認します。分かれて受け取れるなら、切り分けの処理そのものが要りません。混ぜられた後の音声を受け取っている限り、会議室の1本マイクと同じ弱点を引き継ぎます。出てきた発言者ラベルは、人が直す前提で組みます。直すのはその会議に出ていた人に限り、直す範囲は決定事項、担当、期限の区間に絞り、直さないと決めた区間は空欄ではなく未確認と明示します。60分の会議で作業時間の約70%が聞き直しに使われた事例があり、取り違え率は上位の仕組みでも10%から15%程度は起こり得るとされています。1割から1割5分が崩れる前提なら、全部を直すのではなく、優先度の高い区間から直すという判断になります。優先度は議事録が参照される場面から逆算します。決定事項と、担当と期限の割り当てが最優先。反対意見と社外参加者の発言がその次。反対意見が別人に付け替わると、記録の上では全会一致に見えてしまいます。社外の人を録るときは、冒頭で目的と使う範囲を伝え、断られた場合の代替を先に決めておき、伝えた事実を議事録の冒頭に1行残します。音声を外部の仕組みに預けるときは、学習に使われないこと、保管の場所と期間、社外参加者を含む会議を対象にしてよいか、人が中身を見る場面があるかの4つを確認し、確認した日付と該当箇所を残します。次の一手は道具を替えることではありません。直近の会議の録音を1本開き、決定事項が出ている区間だけを聞いて、発言者が合っているかを数えてみる。ここが合っているなら、いま直すべきは録音の置き方ではなく、直す工程の割り振りのほうです。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。