音声文字起こしツール

「誰が何を言ったか」がわかる音声文字起こし

テキストだけの文字起こしは、役に立つのは半分です。インタビュー記事を書くなら、どの発言が相手のものか知る必要があります。ポッドキャストを編集するなら、その瞬間を探すタイムスタンプが要ります。YouTube に上げるなら、ぴったり合う字幕が必要です。この音声文字起こしツールは 1 回のアップロードで 3 つすべてを返します。言葉、各行の開始時刻、そして司会とゲストを区別する話者ラベルです。

しくみはこうです。録音はまずブラウザ内で、音声認識に必要十分なモノラル・16 kHz の音声に変換され、元ファイルのごく一部のサイズになります。1 時間の動画でも、パソコンを出る前に数十 MB になり、映像そのものはアップロードされません。約 8 分を超える録音は、言葉の途中ではなく静かなところで分割され、1 つずつ文字起こしされたあと、正しいタイムスタンプでつなぎ直されます。

MP3 の文字起こし、動画の文字起こし、ボイスメモのメモ化

ブラウザで再生できる形式なら何でも入力できます。音声は MP3、iPhone のボイスメモの M4A、WAV、AAC、OGG、FLAC、動画は MP4、MOV、WEBM。ICレコーダー、スマホの録音アプリ、Zoom や Teams の録画、カメラの映像、画面録画のほとんどをカバーします。MP3 の文字起こしもほかの形式と同じ料金で、音声 5 分ごとに 1 クレジット。30 分のインタビューなら 6 クレジット、3 分のボイスメモなら 1 クレジットです。

話者ラベルとその限界

認識エンジンは声の変化を聞き分け、各区間に S1、S2 などのラベルを付けます。誰が誰かわかったら、エディタで名前に置き換えてください。話者分離は交互に話す場面でいちばんよく働き、話がかぶると 2 人が 1 つのラベルにまとまることがあります。分割して処理したファイルでは、チャンクごとにラベルを分けて保持する（S1、S1·2）ので、分割の境目で話者を取り違えることはありません。検索と置換で簡単に整えられます。

同じアップロードから字幕も

音声文字起こしのたびに SRT と VTT も作成されます。長い文は読みやすい字幕の長さに分けられ、各行が発話に合わせてあるので、YouTube Studio、Premiere Pro、DaVinci Resolve、CapCut、学習プラットフォームにそのまま読み込めます。短いクリップに字幕を付けたいだけでも、公開前に原稿を読んで確認できるので、信頼できる字幕づくりのいちばんの近道です。

話し声ではなく歌詞を取り出したいなら、歌声向けに調整し同期 LRC を書き出せる歌詞文字起こしを。文字起こしを別の声や言語の新しいナレーションにしたいなら、AI音声生成ツールかAI吹き替えをお使いください。

きれいな文字起こしにするコツ

• マイクは話し手の近くに。背景音楽よりも距離のほうが精度に響きます。
• 短いクリップ、強いなまり、専門用語が多い場合は言語を手動で選びます。
• 正確な話者ラベルがほしいなら、同時に話すのは避けましょう。
• 通話録音は、アプリが対応していれば双方を別トラックに録って個別に文字起こしを。
• 長い無音や音楽のイントロはアップロード前にカットして、クレジットを節約。
• 公開前に名前と数字を確認しましょう。どの音声文字起こしツールでもいちばん間違えやすい部分です。

制限・プライバシー・返金

長さとサイズ

1 ファイル最長 30 分。とても長いファイルはブラウザのメモリを多く使うので、スマホでは 20 分を超えるファイルを先に分割するのがおすすめです。

言語

18 言語：日本語、英語、中国語、韓国語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、アラビア語、ヒンディー語、ロシア語、トルコ語、インドネシア語、ポーランド語、オランダ語、タイ語、ベトナム語。自動検出も可能です。

プライバシー

アップロードされるのは圧縮した音声だけで、動画は端末に残ります。文字起こしは自分のアカウントでのみ表示されます。

失敗したジョブ

文字起こしに失敗するとクレジットは自動返却され、中断したジョブはページに戻ると再開します。