MP3文字起こし（MP3をテキストに変換）

Q: 長いMP3の一部だけを文字起こしできますか？

はい。**詳細設定**の**開始位置**と**終了位置**に、秒または分:秒で入力します(例:12:30〜18:00)。その区間だけが文字起こしされるため、長いインタビューから1つの答えだけが欲しいときに早く済みます。

Q: MP3が95 MBを超えています。どうすればよいですか？

音声認識に高いビットレートは必要ありません。[音声圧縮](/compress-audio)でファイルを64 kbpsのモノラルに再エンコードしてから、小さくなったファイルをアップロードしてください。長い録音の容量が数分の1になり、文字起こしの精度は落ちません。

Q: 話者を区別できますか？

**話者ラベル**をオンにすると、声が切り替わるところに「話者1」「話者2」のようなラベルが付きます。名前までは分からないので、あとでWordなどでラベルを実際の名前に置き換えてください。

講義、インタビュー、会議、ポッドキャストのMP3をアップロードすると、話された内容を検索・編集・引用できるテキストとして受け取れます。メモにはテキスト、編集にはWord、動画と言葉のタイミングを合わせたいときはSRTやVTTを選んでください。

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

文字起こし

話されている言語

出力

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。

このツールの使い方

1
MP3をアップロード
MP3ファイルをドロップします。1回に最大20ファイル、1ファイルあたり95 MBまで追加できます。M4A、WAV、MP4などの他の音声・動画ファイルも使えます。
2
言語と出力形式を設定
話されている言語は自動検出になっており、最初の30秒を聞いて判定します。録音が音楽で始まる場合は、言語を自分で選んでください。出力は最初はテキストです。必要に応じてWord、PDF、SRT、VTTに切り替えられます。
3
文字起こししてダウンロード
文字起こしを押して、文字起こし結果をダウンロードします。該当箇所を探したい場合や話者を区別したい場合は、先に詳細設定でタイムスタンプまたは話者ラベルをオンにしてください。

MP3を文字起こしすると、何分もの聞き取りが数秒で読める文章になります。単語の検索や引用のコピーができ、音声を再生できない相手にもテキストで渡せます。

MP3を文字起こしする理由

ボイスレコーダー、スマホの録音アプリ、ポッドキャストのツールの多くがMP3で書き出すため、手元にあるのはたいていMP3です。学生は録音した講義を文字にしてノートで勉強し、記者はインタビューから正確な発言を拾い、研究者はフォーカスグループを分析します。ポッドキャスターは文字起こしを公開して、検索エンジンで見つけてもらえるようにし、耳が聞こえない方や聞こえにくい方にも読んでもらえるようにしています。

出力形式によって、その後にできることが変わります。テキスト (TXT)はどこにでも貼り付けられます。Word (DOCX)はそのまま編集やコメント入れができます。PDFは変更したくない文字起こしに向いています。SRTとVTTはタイミング付きの字幕ファイルで、JSONは開発者向けにすべての単語を時刻つきで一覧にします。

録音が動画に入っている場合は、動画をそのままアップロードすれば音声トラックが文字起こしされます。動画が大きすぎてアップロードできないときは、先にMP4をMP3に変換して音声を取り出してください。

1回あたりのファイル数: 20
1ファイルあたり: 95 MB
言語(自動検出を含む): 33
アップロードが削除されるまで: 30分

MP3文字起こしの精度を左右する要素

話者の重なり: 2人が同時に話すと最も難しくなります。パネルディスカッションや食卓での録音では、話が重なるところで最も多くの単語が抜け落ちます。
背景音: 音楽、車の音、エアコンの音は話し声と競合します。高価なマイクよりも、静かな部屋のほうが重要です。
電話・通話の録音: 従来の電話回線は狭い周波数帯域しか伝えないため、子音がぼやけます。通話録音では修正が増えると考えてください。
言語設定の誤り: 音楽で始まるファイルや途中で言語が切り替わるファイルでは、自動検出が誤判定することがあります。話されている言語を自分で設定すれば解決します。

MP3をタイムスタンプ付きSRT字幕に変換

SRTファイルの2つの字幕

1
00:00:01,200 --> 00:00:04,050
番組へようこそ。

2
00:00:04,300 --> 00:00:07,900
今日は自宅での録音についてお話しします。

SRTはWindows用の字幕ツールSubRipに由来し、最も広く対応している字幕形式です。番号、ミリ秒の前にカンマを置いた開始時刻と終了時刻、そして字幕テキストで構成されます。VTT(WebVTT)はW3Cが定めたWeb動画プレーヤー向けの形式で、カンマの代わりにピリオドを使います。どちらもプレーンテキストなので、聞き間違えた単語は好きなエディターで直せます。

字幕の行は、初期設定で42文字で折り返されます。これは、ラテン文字を使うほとんどの言語についてNetflixなどのプロ向け字幕スタイルガイドで使われている上限です。字幕ファイルではなく文書に時刻の目印を入れたい場合は、TXT、Word、PDFのままタイムスタンプをオンにしてください。各段落の前に[01:15]のような目印が入ります。すでに字幕があってテキストだけが欲しい場合は、SRTをTXTに変換すれば番号と時刻が取り除かれます。

MP3文字起こしに関するよくある質問

MP3の文字起こしはどのくらい正確ですか？

ファイル形式よりも、録音の状態に大きく左右されます。マイクの近くで1人がはっきり話している音声なら、非常に高い精度で文字起こしできます。電話の通話、騒がしいカフェ、複数人が同時に話す録音では誤りが増えます。引用する前に、必ず一度は文字起こし結果を読んで確認してください。

長いMP3の一部だけを文字起こしできますか？

はい。詳細設定の開始位置と終了位置に、秒または分:秒で入力します(例:12:30〜18:00)。その区間だけが文字起こしされるため、長いインタビューから1つの答えだけが欲しいときに早く済みます。

YouTube字幕にはどの出力形式を選べばよいですか？

SRTかVTTです。どちらも各行に開始時刻と終了時刻が入っており、YouTube Studioで字幕ファイルをアップロードするときもどちらも使えます。1行あたりの文字数は42のままにしておくと、1つの字幕が画面上で短い2行に収まります。

JSON出力には何が含まれますか？

すべての単語が開始時刻と終了時刻つきで出力されます。開発者が、インタラクティブな文字起こしの作成、音声内の検索、正確な単語位置でのクリップ切り出しに使います。読むだけならTXTかWordのほうが便利です。

MP3が95 MBを超えています。どうすればよいですか？

音声認識に高いビットレートは必要ありません。音声圧縮でファイルを64 kbpsのモノラルに再エンコードしてから、小さくなったファイルをアップロードしてください。長い録音の容量が数分の1になり、文字起こしの精度は落ちません。

話者を区別できますか？

話者ラベルをオンにすると、声が切り替わるところに「話者1」「話者2」のようなラベルが付きます。名前までは分からないので、あとでWordなどでラベルを実際の名前に置き換えてください。