音声文字起こし（音声をテキストに変換）
インタビュー、講義、会議、ボイスメモをアップロードすると、文字起こしされたテキストを受け取れます。音声認識が話された内容を句読点付きで書き起こします。タイムスタンプや話者ラベルも付けられ、文書としても動画用の字幕としても出力できます。
音声文字起こし
またはMP3, WAV, M4A … ファイルをここにドロップ ·
1ファイルあたり最大95 MB· 最大20ファイルまで· 30分後に削除
ファイルは当社のサーバーで処理され、30分後に削除されます。
この文字数を超える字幕の行は分割されます。42 が放送で一般的な基準です。
任意です。秒 (例: 75) または分:秒 (1:15) で指定します。空のままだと先頭から文字起こしします。
任意です。開始時刻と同じ形式で指定します。空のままだと最後まで文字起こしします。
このツールの使い方
- 1
音声または動画をアップロード
MP3、M4A、WAV、AAC、FLAC、OGG、Opus、AMRなどの音声ファイル、またはMP4、MOV、MKV、WebM、AVIの動画を追加します。1回に20ファイル、1ファイルあたり95 MBまで対応しています。
- 2
言語と出力形式を選ぶ
話されている言語は初期設定で自動検出になっています。出力を、テキスト、Word、PDF、SRTまたはVTT字幕、単語ごとのタイミング付きJSONから選びます。
- 3
文字起こししてダウンロード
文字起こしを押します。ボタンには選んだ出力形式も表示されます。文字起こし結果を開き、人名や数字を確認してからダウンロードしてください。
音声のテキスト変換（文字起こし）は、録音された話し声を文章にする処理です。ファイルをアップロードし、話されている言語を自動検出のままにするか言語を選び、出力を選んで文字起こしを押してください。
音声文字起こしの仕組み：音声認識とは
音声認識は、録音を短い区間ごとに聞き取り、それぞれを周波数のパターンに変換し、学習済みのモデルがその音を最も生みそうな単語を判断します。最近のモデルは大量の書き起こし済み音声から学習しているため、10年前のディクテーションソフトよりはるかに多様な声やアクセントに対応できます。句読点や大文字は文の流れから予測されます。単語だけが欲しいときは句読点をオフにしてください。
言語の設定は重要です。自動検出は先頭30秒を聞いて、ファイル全体に1つの言語を使います。録音が音楽、ジングル、無音で始まる場合や、途中で言語が切り替わる場合は、話されている言語を自分で選んでください。対応は33言語で、英語、スペイン語、アラビア語から、ヒンディー語、タミル語、日本語、ウクライナ語まで含まれます。
利用場面はさまざまです。スマートフォンで録ったインタビューを持つ記者、講義を録音した学生、会議の書き出しデータを扱うチーム、字幕が必要な動画クリエイターなどです。よく使われる2種類のファイルには専用ページがあります。レコーダーやポッドキャストのファイルならMP3文字起こし、iPhoneのボイスメモならM4A文字起こしです。動画ファイルはそのまま使えるので、先に音声を取り出す必要はありません。
文字起こしと字幕の出力形式
| 出力 | 内容 | 開けるアプリ |
|---|---|---|
| テキスト（TXT） | 段落ごとの文章。タイムスタンプと話者ラベルは任意 | テキストエディタ、メモアプリ、メール |
| Word（DOCX） | 書式付きで、そのまま編集・共有できる文字起こし | Word、Google Docs、Pages、LibreOffice |
| 記録用に固定された文字起こしのコピー | PDFリーダー、ブラウザ | |
| 字幕（SRT） | 開始・終了時刻付きの番号付き字幕 | YouTube、動画編集ソフト、VLC |
| Web字幕（VTT） | HTML5動画で使われるW3C形式のWebVTT字幕 | Webプレーヤー、YouTube、オンライン講座のプラットフォーム |
| JSON（単語タイミング） | すべての単語と開始・終了時刻 | スクリプト、検索インデックス、編集ツール |
タイムスタンプ・話者ラベルなどの文字起こしオプション
- タイムスタンプ
- タイムスタンプをオンにすると、TXT、Word、PDFの文字起こしで各段落の先頭に[01:15]のような時刻が入り、録音内の該当箇所をすぐに探せます。
- 話者ラベル
- 話者ラベルは、インタビュー、会議、ポッドキャストなどで話している人を「話者1」「話者2」のように区別します。ラベルはあとで名前に置き換えてください。
- 句読点とフィラー
- 句読点は初期設定でオンです。フィラー（えー、あの等）を削除をオンにすると、「えー」「あの」などの言いよどみが取り除かれます。
- 1行あたりの文字数
- SRTとVTTでは、1行あたりの文字数で長い字幕を分割します。初期値は42で、Netflixの字幕ガイドラインがラテン文字の多くの言語に使う上限です。20～80の範囲で指定できます。
- 文字起こしする範囲
- 開始位置と終了位置で、処理を一部分に限定できます。秒数（75）または分:秒（1:15）で指定します。
オンライン文字起こしの制限
- 1回に処理できる録音ファイル数
- 20
- 音声・動画ファイル1つあたり
- 95 MB
- 対応言語（自動検出を含む）
- 33
- ファイルと文字起こしが削除されるまで
- 30分
文字起こしの精度を上げるコツ
間違っている単語や抜けている単語が多い
誤りの多くは、背景ノイズ、マイクとの距離、同時に話す人たちが原因です。可能なら話者の近くで録音し、話されている言語が合っているか確認してください。
文字起こしの言語が違う
自動検出が先頭30秒の音楽や別の言語を拾った可能性があります。話されている言語を自分で選んで、もう一度文字起こししてください。
字幕が長すぎて画面で読みにくい
スマートフォンで見る人向けに、1行あたりの文字数を32～37に下げてください。各字幕がより短い行に分割されます。
人名や専門用語の表記が間違っている
珍しい単語はどのモデルでも苦手です。Wordやテキストの出力で一度検索して置換してください。たいてい全体で同じ誤り方をしています。
音声文字起こしに関するよくある質問
登録不要・無料で音声を文字起こしできますか？
はい。録音ファイルをアップロードして文字起こしを押すだけです。アカウント登録、お試し期間、クレジットカードは不要です。ファイルは処理の30分後に自動的に削除されるため、結果ができたらダウンロードしてください。
文字起こしツールの良し悪しは何で決まりますか？
公平に比較するなら、自分の録音に近い条件での精度、対応言語、出力形式、アップロード後のファイルの扱いを確認してください。このツールは33言語と自動検出、字幕を含む6種類の出力、話者ラベル、タイムスタンプに対応し、30分後に自動削除されます。
文字起こしできる言語は？
33言語で、話されている言語から選べます。英語、スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語、ロシア語、アラビア語、トルコ語、ヒンディー語、ベンガル語、タミル語、テルグ語、マラーティー語、グジャラーティー語、ウルドゥー語、日本語、韓国語、中国語、インドネシア語、ベトナム語、タイ語、ポーランド語、ウクライナ語、オランダ語、スウェーデン語、ギリシャ語、ヘブライ語などです。自動検出では、先頭30秒から1ファイルにつき1言語を判定します。
動画の音声から字幕を作成できますか？
はい。動画ファイルをそのままアップロードし、出力でSRTまたはVTTを選ぶと、時間情報付きの字幕ファイルができます。YouTube、動画編集ソフト、HTML5プレーヤーで読み込めます。字幕形式をあとで変えたい場合は字幕変換をご利用ください。
3時間の録音を文字起こしするには？
ファイルは95 MBまでです。128 kbpsのMP3なら約1時間40分に相当します。開始位置と終了位置で範囲を分けるか、先にファイルを小さくしてください。音声を音声圧縮で64 kbpsのモノラルにすると、約3.5時間分が上限内に収まります。
文字起こし結果を英語に翻訳できますか？
いいえ。文字起こしは話されている言語のまま出力されます。先に文字起こしをしてから、そのテキストを翻訳サービスに貼り付けてください。音声から直接訳すより、整ったテキストを訳すほうが結果が良く、引用の確認用に原文も手元に残ります。
MP3の文字起こしと動画の文字起こしは違いますか？
違うのはアップロードするファイルだけです。MP4やMOVの音声トラックも、MP3やM4Aも、同じ音声認識で処理されます。MP3文字起こしとM4A文字起こしは、これらのファイル形式向けにこのツールを設定したプリセットです。
「えー」「あの」などのフィラーも文字起こしされますか？
初期設定では残ります。研究インタビューなど、発言をそのまま記録したい場合があるためです。読む、引用する、公開するなど、読みやすい文字起こしが必要なときはフィラー（えー、あの等）を削除をオンにしてください。
音声を文字起こしツール一覧
指定された条件にぴったり合うものを選んでください。以下のページはすべて同じツールで、初期設定だけが異なります。