インタビューの逐語記録を読めば、言葉は捉えられます。しかし、難しい答えの前の長い間、デリケートなトピックが出たときに沈む声、急に速くなる話しぶり、一拍の沈黙のあとでようやく始まる答えは失われます。質的研究では、あることがどのように言われるかが、何が言われるかと同じくらい意味を運ぶことがよくあります——そして音声分析は、何時間もの音声の中からそうした瞬間を再び見つけ出す手助けをします。
このガイドは、質的研究者のために音声分析を説明します：何を測定するか、どう機能するか、逐語記録ベースの分析をどう補完するか、自動の感情ラベルがなぜインタビュー研究に向かないか、そして倫理的責任がどこにあるか。周辺の分析プロセスについては、質的データ分析ガイドをご覧ください。
音声分析とは何か？
音声分析とは、発話の声の、非言語的な性質——声の高さ、音量、ペース、ポーズ、ターンテイキング——を計算によって記述することです。インタビュー録音に適用すると、質的知見にパラ言語的な層を加えます。つまり、書かれた逐語記録では平板化してしまう話し方を、タイムスタンプ付きで記録するのです。
それはパラ言語を研究します：文字通りの言葉を除く発話のあらゆるもの。2人が「私は大丈夫」をまったく違う言い方で口にすることがあり、音声分析はその違いを目に見える、測定可能なものにします——ただし、それが何を意味するかという問いは研究者の手に残ります。
質的研究で声がなぜ重要か
質的研究は意味を扱い、意味の一部は話し方の中に宿ります。ポーズは不快感のしるしかもしれませんし、慎重に考えているしるしかもしれません。声の高さの上昇は興奮や強調、あるいは疑問を示しえます。速いペースは熱意や緊張を伝えることもあれば、単に何度も語ってきた話であるだけのこともあります。同じ手がかりが複数の読み方を許すからこそ、話し方はそれ自体を答えとしてではなく、文脈の中で解釈する価値のある瞬間を指し示すものとして扱うのが最善です。
音声分析が測定するもの
プロソディ：声の高さと音量
発話の音楽的な性質：声の高さの水準（その話者の典型的な高さ）、声の高さの幅（声がどれだけ上下するか。異なる声を公平に比較できるよう、しばしば半音単位で表されます）、イントネーション（フレーズの旋律）、そして音量。通常の録音から得られる音量は相対的なもので、マイクとマイクまでの距離に左右されます。そのため、同じ話者の中では意味を持ちますが、録音をまたいだ比較には向きません。
話速と有音時間
どれだけ速く話すか（1秒あたりの語数。中国語や日本語などの言語では1秒あたりの文字数）、そして発話ターンのうちどれだけが沈黙ではなく音で満たされているか。会話の中での変化——ゆっくりになっていく声、急な加速——は、通常、絶対値よりも多くを物語ります。
ポーズ、応答潜時、非流暢性
ターン内の沈黙、答え始めるまでの間、フィラー（「えー」「あの」）、そして笑い。これらの指標には、文字起こしから得られる単語レベルのタイミング——各単語がいつ始まり、いつ終わるかの記録——が必要です。それがなくても、ツールは声の高さ、ペース、音量を記述できますが、ポーズやフィラーを信頼できる形で記述することはできません。
会話の構造
誰がどれだけ話すか（発話シェア）、ターンがどう入れ替わるか、答えがどれくらい続くか。インタビューでは、これはインタビュアー自身のチェックにもなります：発話時間の40%を占めるモデレーターは、参加者に十分な余地を与えていません。
どう機能するか
このパイプラインは音を記述へと変えます：音声は声の高さ、有声性、音量の連続したトラックに変換され、逐語記録が音声と整列されて各ターンにそのトラックの該当区間が割り当てられ、各ターンが同じ話者自身の基準と比較されます。話者ごとの基準が重要なのは、220 Hzがある声にとってはごく普通の高さでも別の声にとっては高い音であり、またマイクもそれぞれ異なるからです。話者のふだんの話し方からはっきり外れたターン——その人の平常より大きい、速い、高い、あるいは長いポーズが先行する——は、タイムコード付きの聞き直す価値のある瞬間の一覧になります。
音声分析 vs. 逐語記録分析
| 観点 | 逐語記録分析 | 音声分析 |
|---|---|---|
| 捉えるもの | 言われた言葉 | 言葉がどう言われたか |
| 強み | 内容、テーマ、言語の意味 | 声の高さ、ペース、音量、ポーズ、ターンテイキング |
| 見落とすもの | トーン、ポーズ、タイミング | 意味内容——そして話し方がなぜ変わったか |
| 最適な役割 | 主たる分析 | 聞き直すべき瞬間を指し示す補完的なレイヤー |
両者はライバルではなくパートナーです。音声分析が最も役立つのは、そのシグナルが逐語記録ベースのコーディングに重ねられ、あなたの解釈に取って代わるのではなく、注意を向けるべき先を示すときです。
研究での活用例
- 話し方の変化を見つける——長いインタビューの中で、参加者がふだんの声の高さ、ペース、音量から外れるターンをすばやく特定する。
- 言葉と話し方——強い言葉遣いなのに平板な話し方のターン、あるいはその逆のターンを、聞き直すべき瞬間としてマークする。
- デリケートなトピックの研究——特定の質問の前に現れる長いポーズや遅い応答に気づく。
- インタビュアーの実践——発話シェアを確認し、参加者が話し続けられるだけの沈黙をインタビュアーが残しているかをチェックする。
- フォーカスグループ——誰がどれだけ話し、ターンが話者間でどう配分されているかを見る。
音声感情認識が試みること——そしてQualiTaTiがそれを行わない理由
音声感情認識（SER）は、音響的特徴を「怒り」「ストレス」「自信」といったラベルに対応づけようとします。実験室で演じられた発話では印象的に見えることもありますが、自然な会話ではその妥当性は限られています。自然な発話を対象とした最近のベンチマークでは、最良のシステムでも感情カテゴリー全体でmacro-F1が約0.43にとどまり、同種の発話にラベルを付ける人間の聞き手どうしの一致も中程度にすぎません（Cohen's kappaで約0.3〜0.4）。根本的な問題は、ひとつの音響的変化——より大きく、より速いターン——が、怒り、興奮、強調、あるいは参加者がマイクに身を乗り出しただけのことを反映しうる点にあります。
法的な線引きもあります。EUのAI法（EU AI Act）第5条1項(f)は、限られた医療・安全上の用途を除き、職場や教育の場で人の感情を推測するAIシステムを禁止しています——そして多くのインタビュー研究は、まさにそうした場で行われます。この二つの理由から、QualiTaTiは話し方を記述し、その解釈をあなたに委ねます。
強みと限界
強み：文字起こしで失われる情報を取り戻し、長い録音にもスケールし、引用や再確認ができる一貫したタイムスタンプ付きの話し方の記録を提供します。
限界：結果は音声の品質に左右され、処理された音声（ビデオ通話やブラウザ録音でのノイズ抑制や自動ゲイン制御）では音量が平板化します。話し方の規範は個人、文化、言語によって異なるため、話者を他人とではなくその人自身と比較してください。ポーズ、応答潜時、フィラーの指標には、単語レベルの文字起こしタイミングが必要です。そして記述的な指標は、ある人がなぜそのように話したのかを決して教えてはくれません。
音声をテーマ分析と統合する
実践的なワークフローは、聞き直す価値のある瞬間をコード化された逐語記録の上に配置することです。あるテーマがはっきりした話し方の変化と重なるとき——参加者が、あなたがコード化したトピックに差しかかったちょうどその時にペースを落とし、間を置くとき——聞き直す理由と、もう一本の証拠の筋が得られます。声のシグナルは丁寧な聴取の道しるべとして使いましょう：フラグの立った瞬間の音声に戻り、逐語記録、フィールドノート、その参加者について知っていることとあわせて、文脈の中で解釈します。
倫理
- 同意——参加者は、自分の声が文字起こしされるだけでなく、話し方について分析されることを知っておくべきです。
- 過大な主張を避ける——「ふだんより大きな声」や「長いポーズ」を、参加者が何を感じていたかについての言明に変えてはいけません。
- 文化的・個人的な差異——声の高さ、ペース、ポーズの規範は人や言語によって異なります。基準は話者ごとに設けるべきです。
- プライバシー——音声録音は個人データであり、生体データにもなりえます。安全に保管・処理しましょう。
- 法的な制限——EUのAI法のもとでは、職場や教育の場で声から感情を推測することは禁止されています。そうした機能を提供するツールを使う前に、自分の研究の場を確認してください。
ツール
専用のプラットフォームが音響処理を代行します。QualiTaTiのVoice Analyticsは、人がどのように話したか——声の高さの水準と幅、話速、有音時間、相対的な音量——を各話者自身の基準と比べて記述し、発話シェアを要約し、単語レベルの文字起こしがあるアップロード録音についてはポーズ、応答潜時、フィラー、笑いも加えます。コード化された逐語記録と整列できる「聞き直す価値のある瞬間」を一覧にし、PDFレポートまたはターンごとのCSVを書き出します。各録音はそれぞれ単独で分析されます。感情・ストレス・自信のラベル付けは意図的に行いません。それらの瞬間の解釈はあなたに委ねられます。
実例
- 録音して文字起こしする——デリケートな健康トピックについての15件のインタビューでクリアな音声を収録し、文字起こしする。
- 音声分析を実行する——各インタビューについて、話者ごとの話し方の指標と、聞き直す価値のある瞬間の一覧（ふだんより大きい、速い、高い。単語レベルのタイミングがあれば長いポーズも）を得る。
- 逐語記録をコード化する——いつもどおりテーマを練り上げる。
- 整列する——それらの瞬間をコード化された逐語記録の上に配置し、話し方の変化が特定のテーマと重なる箇所を記録する。
- 解釈する——それらの瞬間の音声に戻り、丁寧な聴取で確かめ、声の証拠を引用とあわせて報告する。
要点
- 音声分析は、あることがどのように言われたか——声の高さ、音量、ペース、ポーズ、ターンテイキング——を記述し、逐語記録が失う情報を取り戻します。
- 各話者をその人自身の基準と比較しましょう。絶対値は声とマイクに左右されます。
- その出力は聞き直す価値のある瞬間の一覧であり、感情についての判定ではありません。
- 自動感情認識は自然な発話では精度が低く、EUのAI法のもとで職場や教育の場では禁止されています。
- 声は個人データです——同意、プライバシー、過大な主張に慎重に対処しましょう。
よくある質問
音声分析とは何ですか？
音声分析とは、発話の非言語的な性質——声の高さ、音量、ペース、ポーズ、ターンテイキング——を計算によって記述するもので、インタビュー分析にパラ言語的な層を加えます。
音声分析はインタビューで何を測定できますか？
声の高さの水準と幅、相対的な音量、話速と有音時間、発話シェア、そして文字起こしに単語レベルのタイミングがある場合は、ポーズ、応答潜時、フィラー、笑いです。各ターンを話者自身の基準と比較して、聞き直す価値のある瞬間を見つけることができます。
音声分析は文字起こしとどう違いますか？
文字起こしは言われた言葉を捉え、音声分析はそれがどう言われたかを捉えます。逐語記録分析は内容とテーマを扱い、音声分析は強調、ペース、ポーズ、ターンテイキングを加えます——両者は組み合わせたときに最もよく機能します。
音声分析で感情を検出できますか？
それができるとうたうツールは、自然なインタビュー音声では信頼できません：自然な発話のベンチマークで最良のシステムでもmacro-F1は約0.43で、人間の評定者どうしの一致も中程度にすぎません（kappaで約0.3〜0.4）。さらにEUのAI法は、職場や教育の場での感情推測を禁止しています。そのためQualiTaTiは話し方を記述し、感情のラベル付けは行いません。
音声分析をテーマ分析とどう組み合わせればよいですか？
聞き直す価値のある瞬間を、コード化された逐語記録の上に配置します。はっきりした話し方の変化がコード化されたテーマと重なる箇所では、音声に戻ってその瞬間を文脈の中で解釈します。
声を分析することに倫理的な懸念はありますか？
あります。声は個人データであり、生体データにもなりうるため、声の分析についてインフォームド・コンセントを得て、録音を安全に保管し、話し方の指標に感情を読み込むことを避け、人の話し方における個人差や文化差を考慮してください。