著者:whispertranscribe.ai 編集部 · 最終更新:2026年11月 · 読了目安:13分
音声文字起こしツールは、録音した発話を編集・検索できるテキストに変換します。オンライン版はブラウザで使えます。ファイルをアップロードすると、提供元のサーバーで音声認識モデルが処理し、文字起こしをダウンロードできます。ファイルの上限、対応言語、話者ラベル、出力形式、プライバシー規約を基準に選びます。
紹介ページでは同じように見えても、扱える録音の長さが10倍違ったり、録音がAIの学習に使われたりすることがあります。この記事では、各社の公開情報で確認できる点、6サービスの比較、5ステップの使い方、音声の準備、よくある問題と対処法、プライバシーポリシーの6つの確認項目を紹介します。
掲載順と検証範囲。 この記事はwhispertranscribe.aiが公開し、自社のツールを最初に掲載しています。他社の数値は各社のページにリンクし、2026年11月に確認しました。この記事のための精度比較テストは実施しておらず、テストスコアも掲載していません。
オンライン音声文字起こしツールで何ができる?
音声ファイルやリンクを入力すると、通常はタイムスタンプ付きのテキストが返り、多くのツールでは話者ラベルも付きます。現在の主流はニューラルネットワークを使った音声認識です。たとえば、whispertranscribe.aiとTurboScribeはいずれもOpenAIのWhisperモデル群を使っています。whispertranscribe.aiはWebベースのAI文字起こしツールで、130以上の言語の音声や動画を文字に変換します。アップロードできるのは最大5 GB、10時間です。
どのツールでも基本の流れは共通しています。
- MP3、WAV、M4Aなどのファイルを アップロード するか、リンクを貼り付けます。
- 録音で話されている言語 と、話者検出などのオプションを設定します。
- 校正して書き出します。 文書ならDOCX、PDF、TXT、字幕ならSRT、VTTを選びます。
向いている場面。 録音済みの音声があり、話者ラベルやタイムスタンプが必要で、クラウドでの処理に問題がない場合です。 別の方法が向いている場面。 音声を端末の外に出せない場合はオフラインツールを使います。一語一句を人が確認する必要があれば、人による文字起こしサービスが適しています。話しながらテキストを入力する用途には、スマートフォンやパソコンに備わっている音声入力を使います。
音声文字起こしツールを選ぶための8つの確認項目
「高速」「高精度」「安全」といった表現を見たら、対象条件や上限が明記されているか確認します。以下の表に、よく記載されている場所と注意点をまとめました。
| 確認項目 | 見るポイント | 主な掲載場所 | 注意が必要な記載 |
|---|---|---|---|
| 1. ファイルの容量と時間の上限 | サイズ(GB)と長さ(時間)の両方 | 料金ページ、アップロードのヘルプ | 片方しか書かれていない、またはアップロード後に初めて無料枠の上限がわかる |
| 2. 対応言語 | 対象言語と地域の違い、必要に応じて多言語混在モード | 対応言語一覧 | 対応数だけが示され、内訳がない |
| 3. 話者検出 | 利用するプランが対応し、ファイル上限も変わらないか | 機能一覧、アップロードのヘルプ | 有効にすると扱える録音が短くなる |
| 4. 出力形式 | 使うプランに必要な形式が含まれるか | 料金の比較表 | DOCXやSRTの案内があっても無料枠の欄にはない |
| 5. プライバシー規約 | 保存期間、削除、AIの学習、人による確認、関与する第三者の名称 | プライバシーポリシー、セキュリティのFAQ | 安全性をうたうだけで、保存期間や学習への使用について記載がない |
| 6. アカウント登録 | アカウント作成やカード入力の前に手元のファイルを試せるか | 無料ツールのページ、料金のFAQ | 「無料」の試用なのにカードが必須 |
| 7. 課金方法 | 月間利用分数、時間パック、適正利用条件つきの定額「無制限」 | 料金ページ、FAQ | 利用量に波があると、使わなかった時間枠が失効する |
| 8. 精度の表示 | 「明瞭な音声の場合」などの条件が明記されているか | 製品ページ、FAQ | パーセンテージだけで、条件や出典がない |
とくに見落としやすい点が2つあります。 ファイルの上限は複数あること。 1 GBまで送れても3時間で制限されることや、利用分数とは別にアップロード件数が決まっていることがあります。もう一つは、「無料」の範囲がサービスごとに大きく違うこと。 短いファイルが1日3件までの場合もあれば、10分の試用が1回限りの場合もあります。バナーより、料金比較表の無料枠を確認してください。
オンライン音声文字起こしツール6選の比較(2026年11月確認)
各社の公開情報をもとに、利用者の多い6つのツールを比較します。「記載なし」は、確認したページで該当情報が見つからなかった項目です。
| ツール | ファイルの上限(サイズ/長さ) | 対応言語 | 話者ラベル | 出力形式 | 無料で始める方法 | 利用者のコンテンツをAI学習に使うとの記載 | 有料プランの開始価格 |
|---|---|---|---|---|---|---|---|
| whispertranscribe.ai | 5 GB/10時間 | 130以上 | 対応 | DOCX、PDF、SRT、VTT、TXT、CSV | アカウント登録なしの無料ページ | 使用しない(プライバシーポリシー) | 年払いで月額9.99米ドル |
| TurboScribe | Unlimitedは5 GB/10時間、Freeは30分 | 98以上 | 対応 | PDF、DOCX、SRT、VTT、CSV、TXT | 無料枠、カード不要 | 使用しない(セキュリティのFAQ) | 年払いで月額10米ドル |
| HappyScribe | 音声ツールページには「ファイルサイズの上限なし」と記載。利用時間は分単位でカウント | 150以上 | 対応 | FreeはTXT、SRT。Proは15以上の形式 | 無料プランに登録、カード不要 | 登録時に同意した場合のみ(プライバシーポリシー) | 年払いで月額8.50米ドル |
| Notta | 音声は1 GB/5時間(話者識別を使用すると3時間)、Freeは3分 | 58 | 対応 | 書き出しはProの機能 | 無料プラン、カード不要 | 記載なし | 年払いで月額8.17米ドル |
| Otter.ai | 5 GB。1会話あたりBasicは30分、Proは90分 | 6 | 対応 | BasicはMP3、TXT。ProではPDF、DOCX、SRTも対応 | 無料のBasicプラン | 個人を識別できないように処理した録音や文字起こしを使用(プライバシーポリシー) | 年払いで1ユーザーあたり月額8.33米ドル |
| Rev | 記載なし | Freeは英語。Essentialsは英語とスペイン語。Proは37以上 | 記載なし | 料金ページに記載なし | 無料プラン | 顧客データを外部の大規模言語モデルの学習に使わせないと記載 | 年払いで1席あたり月額25.49米ドル |
whispertranscribe.ai
向いている用途。 長い録音や英語以外の音声。最大5 GB、10時間のファイルを扱い、地域別の設定を含め130以上の言語に対応します。会話の途中で言語が切り替わる録音にはMultilingual Mixを使えます。多くの言語ではNoise / Low-Quality Audio/Videoモードも選べます。
注意点。 クラウド専用で、オフラインモード、アプリ、API、人による校正サービスはありません。カスタム辞書もないため、人名や専門用語は自分で確認が必要です。無料で使用できる分数の固定値は公開されていません。長い文字起こしを全文表示する際に、プランの変更を求められる場合があります。
ほかの5サービスの特徴
- TurboScribe は、定額で大量に処理したい人に向いています。Unlimitedは1人で利用する場合に全体の上限がなく、Whisperを使っています。無料枠は1日3ファイル、各30分までです。アカウントは共有できません。
- HappyScribe は、字幕制作や、人による校正を追加する可能性があるチーム向けです。人による校正は1分2.00米ドルからです。有料プランではAIの利用時間が分単位で計算され、Basicには月120分が含まれます。無料枠は1回限りの10分間の試用です。
- Notta は、会議の記録とモバイルアプリも使いたい人に向いています。無料枠では1会話が3分までで、書き出しはProの機能です。話者識別を有効にすると、音声の上限は5時間から3時間になります。
- Otter.ai は、対応する6言語でのリアルタイム会議に向いています。Basicでファイルを取り込めるのは通算3回です。プライバシーポリシーには、本人を識別できないように処理した録音や文字起こしを、Otter独自のAIの学習に使う旨の記載があります。
- Rev は、人による文字起こしが必要になる法務・調査チームに向いています。人による文字起こしは1分1.99米ドルからです。無料プランは英語に限られ、AIの利用枠は月45分です。有料プランは利用席ごとの料金です。
各サービスをさらに詳しく比較したい方は、AI文字起こしソフトの比較とTurboScribeの代替ツールをご覧ください。
オンライン音声文字起こしツールの使い方5ステップ
以下は、whispertranscribe.aiの無料の音声文字起こしツールを使った手順です。他のツールでも、画面の表示名は異なりますが操作の順番は同じです。
手順1:音声をアップロードする
「Drag & drop or browse file」と表示される欄にファイルをドラッグします。主な音声・動画形式に対応しています(下の比較表を参照)。YouTube、Vimeo、Google Drive、Dropboxに録音がある場合は、いったんダウンロードする必要はありません。URLから文字起こしにリンクを貼り付けます。
手順2:録音で話されている言語を選ぶ
自動検出に任せず、言語を指定します。ツールのページによると、一部の言語には複数の選択肢があり、結果が期待に届かなければ別の選択肢を試せます。話者に合わせてポルトガル語(ブラジル)のような地域設定を選び、音質の悪い録音ではNoise / Low-Quality、会話の途中で言語が切り替わる場合はMultilingual Mixを使います。
手順3:オプションを設定して文字起こしする
インタビュー、会議、ポッドキャストでは、Enable Speaker Detection(話者検出を有効にする) をオンにし、Convert audio to text をクリックします。明瞭な音声での精度は最大99%です。周囲の雑音、強いアクセント、発言の重なりがあると精度は下がります。
手順4:音声を聞きながら校正する
録音を再生しながらテキストを読み、音声認識が間違えやすい箇所を確認します。
- 固有名詞。 人名、社名、地名、製品名。
- 数字。 金額、日付、パーセンテージ、電話番号。
- 話者が交代する箇所。 「はい」のような短い返答が別の話者の発言になることがあります。
- 発言の重なりや笑い声。 言葉が抜けたり、別の発言とつながったりすることがあります。
- 無音や音楽だけの箇所。 同じ行の繰り返しや、実際にはない発言がないか確認します。
手順5:用途に合う形式で書き出す
書き出し後の用途に合わせます。文書にはDOCXかPDF、別の場所へ貼り付けるならTXT、表計算や調査データのコーディングにはCSV、字幕にはSRTかVTTが適しています。
アカウント登録なしで始められます。継続利用のプランは年払いで月額9.99米ドルからです。 料金ページ
音声の準備チェックリスト:アップロード前に精度を上げる
ツールを切り替えるより、音声を明瞭にする方が文字起こしの改善につながります。次の項目は、Googleの音声認識エンジン用にまとめられたものですが、他のツールにも広く当てはまります。 Google Cloudの音声データに関するベストプラクティス
録音する前
- マイクを話者の近くに置く。 周囲に雑音があるときは、とくに意識します。
- 可能なら録音アプリの自動ゲイン調整とノイズ抑制をオフにする。 Googleはノイズ除去とAGCを無効にするよう推奨しています。
- 大きな音でもクリッピングしないよう音量を設定する。 ピークがひずむと後から修復できません。
- 16,000 Hz以上で録音する。 通常、スマートフォンやレコーダーはこの条件を満たしています。
- 形式を選べるなら音の情報を失わない形式を使う。 GoogleはFLACまたは非圧縮音声(LINEAR16)を推奨し、MP3、M4Aなどの非可逆コーデックでは精度が下がる可能性を指摘しています。
アップロードする前
- 元のファイルをアップロードする。 MP3をWAVにしてもファイルが大きくなるだけで、失われた情報は戻りません。Googleは再サンプリングも避けるよう案内しています。8,000 Hzで録った電話の音声はそのまま送ります。
- 冒頭と途中を30秒ずつ聞く。 言語が合っているか、全員の声が聞こえるかを確かめます。
- 長い前奏や無音部分を短くする。 そのような箇所では、モデルが同じ文を繰り返したり、発言にないテキストを出したりすることがあります。
- 大きすぎる動画ファイルから音声を取り出す。 アップロードに時間がかかるなら、音声・動画をMP3に変換するツールを使います。
- 人名や用語を控える。 後で校正するときに照合します。
文字起こしに適した音声形式は?
一般的な形式はどれも文字起こしできます。違いは、圧縮後に音の細部がどれだけ残っているかです。可逆形式はマイクが拾った情報をそのまま保ち、非可逆形式は容量を抑えるために一部の情報を省きます。
| 形式 | 圧縮方式 | 主な入手元 | 文字起こし時のポイント |
|---|---|---|---|
| MP3 | 非可逆圧縮 | ポッドキャスト、ダウンロード音源、古いレコーダー | 明瞭な会話なら十分。変換せずにそのままアップロードします。 MP3の文字起こし |
| WAV | 通常は非圧縮PCM。内部のコーデックは異なる場合がある(米国議会図書館) | フィールドレコーダー、音声編集ソフト | 音質は良い一方、容量が大きい。長時間の録音ではファイル上限に注意 |
| M4A / AAC | 非可逆圧縮(AAC) | iPhoneのボイスメモ、多くのAndroid用レコーダー | そのままアップロードできます。スマートフォンからの操作は音声メモの文字起こしを参照 |
| FLAC | 可逆圧縮(RFC 9639) | アーカイブ、音声の書き出し | 音質を落とさずにWAVより小さくできます。自分で書き出し形式を選べる場合に適しています |
| ALAC | 可逆圧縮 | Apple Musicのライブラリ、一部のApple製アプリからの書き出し | FLACと同様に音質を保つAppleの形式 |
| AIFF | 通常は非圧縮 | Macの音声アプリ、GarageBandからの書き出し | WAVと同じように扱う |
| CAF | コンテナ形式。可逆・非可逆の両方を格納可能 | Appleのアプリや開発者向けツール | そのままアップロード |
| OGG | コンテナ形式。VorbisやOpus(非可逆圧縮)が入ることが多い | Web音声、ゲーム、一部のメッセージアプリ | そのままアップロード |
| OPUS | 音声と音楽向けの非可逆圧縮。6~510 kbit/sに対応(RFC 6716) | メッセージアプリの音声メモ、VoIP通話 | 容量が小さく、多くの場合は文字起こしに十分な明瞭さがある |
| AMR | 狭帯域音声向けの非可逆圧縮 | 古い通話録音機器やボイスレコーダー | 古い電話音声では精度が下がりやすい。アップサンプリングは避ける |
MP4、MOV、M4V、MKV、AVI、WMV、WEBM、MPG、MPEGといった動画ファイルにも対応し、ツールはその音声トラックを読み込みます。動画を主に扱うなら動画をテキストに変換するツールを使えます。
よくある問題と対処法
文字起こしがうまくいかない原因の多くは、言語設定か元の音声にあります。
| 問題 | 考えられる原因 | 試すこと |
|---|---|---|
| 文字起こしの内容が意味不明、または別の言語になっている | 設定した言語が違うか、自動検出が短い冒頭部分から誤判定した | 正しい言語か地域設定を選んでやり直す。複数言語が混ざるならMultilingual Mixを使う |
| アップロードを受け付けない | ファイルの容量か長さがサービスの上限を超えている | 上限を確認する(whispertranscribe.aiは5 GB、10時間)。録音を分割するか、動画を音声に変換する |
| 「音声が検出されない」と表示される | ファイルの破損、無音トラック、想定外のチャンネルに音声が入っている | 端末で再生してみる。録音アプリから書き出し直す |
| すべて同じ話者の発言になる | 話者検出がオフだったか、声がよく似ている | 話者検出をオンにしてやり直し、校正時にラベルの名前を変更する |
| 同じ文の繰り返しや、話していない内容が出る | 長い無音、音楽、強い雑音 | 該当箇所を短くし、Noise / Low-Qualityの選択肢を試す |
| 人名や専門用語の表記が誤っている | モデルがあまり見たことのない語がある | 人名や用語の一覧を使って検索・置換する |
| 文字起こしが一部しか表示されない | 無料枠の制限 | 長いファイルを送る前に料金ページでプランの制限を確認する |
オンライン音声文字起こしは安全か:プライバシーポリシーの6つの確認点
オンラインツールでプライバシーを守れるかは、明文化された方針と、利用者がどのように共有するかによります。インタビュー、顧客との通話、個人的な録音をアップロードする前にプライバシーポリシーを読み、漠然とした安全性の説明より、確認できる具体的な記載を探してください。明記されている約束なら、提供元に遵守を求める根拠になります。以下は一般的な情報で、法的助言ではありません。
6つの質問と、whispertranscribe.aiの方針をまとめます(2026年11月確認)。 プライバシーポリシー
| 確認すること | 重要な理由 | whispertranscribe.aiの回答(プライバシーポリシーによる) |
|---|---|---|
| 1. 処理が終わると元ファイルはどうなるか | 元ファイルが会話の最も完全な記録だから | アップロードした元の音声・動画は処理が終わると自動的に削除される |
| 2. ほかに何が、どのくらい保存されるか | 文字起こしと抽出した音声では保存ルールが異なる場合がある | 処理中に抽出したMP3は既定で30日後に削除される。文字起こしには固定の期限がなく、利用者が削除する |
| 3. 自分のデータはAIモデルの学習に使われるか | 自分の発言が、ほかの人も利用するモデルに影響するおそれがある | 使用しない。ポリシーでは自社や第三者のモデルの学習、ファインチューニング、評価に使用しないと記載 |
| 4. 人が音声を聞いたり、テキストを読んだりするか | 人による品質確認がある場合、誰かが音声を聞くことになる | 録音や文字起こしを人が確認することはない |
| 5. どの外部企業が関与するか | 関与する企業が増えると、データの送信先も増える | AIサービス提供元としてOpenAI、分析ツールとしてFirebase、Mixpanel、Google Analyticsを掲載 |
| 6. すべて削除できるか。削除後に復元されることはあるか | 利用者が自分で削除でき、完全に消去されることが重要だから | ファイル、文字起こし、抽出したMP3はいつでも削除でき、アカウント削除も依頼できる。削除は恒久的で、復元に使えるバックアップはない |
ポリシーには、通信中はTLS 1.3、保管中はAES-256で暗号化することも記載されています。所属組織が特定の認証や署名済みの契約書を求める場合は、提供元に書類を確認し、提示できるサービスを選んでください。どのツールを使う場合も、法律で求められるときは録音した相手の同意を得てください。
どの音声文字起こしツールを選ぶべきか
録音の種類に合わせて選びます。
- 長時間のファイルや多言語の録音。 whispertranscribe.aiやTurboScribeのように、1ファイルの上限が大きく、対応言語が幅広いサービスを選びます。
- 短い音声メモや音声入力で作る下書き。 音声をテキストにするページか、端末に備わっている音声入力で足りることがあります。
- 毎週のオンライン会議。 必要な言語に対応していれば、Otter.aiやNottaなどの会議アシスタントが向いています。
- 法務の記録や誤りが許されない引用。 RevやHappyScribeのような人による文字起こしサービスを選ぶか、AIの下書きを人が丁寧に校正します。
- 端末から出せない音声。 Whisperを使ったオフラインアプリが候補です。 無料の文字起こしソフト比較
その他の項目は機能一覧で確認できます。
よくある質問
オンライン音声文字起こしツールはどれがおすすめ?
録音に合った上限設定のツールを選びます。長時間や多言語の録音には、大きなファイルに対応し、言語一覧が明記されたサービスを探してください。whispertranscribe.aiは130以上の言語に対応し、1ファイルあたり最大5 GB、10時間です。TurboScribeには定額プランがあります。オンライン会議にはOtter.aiやNottaが向いています。一語一句を確認する必要があれば、Revなど、人による文字起こしを提供するサービスを選びます。
音声をオンラインで無料で文字起こしできる?
多くのツールを無料で試せますが、使える範囲は大きく異なります。2026年11月の確認では、TurboScribeの無料枠は1日3ファイル、各30分までで、Nottaの無料枠は1会話あたり3分まででした。HappyScribeは1回限りの10分の試用です。whispertranscribe.aiではアカウント登録なしで試せます。長いファイルを送る前に、最新の無料枠をページで確認してください。
オンライン音声文字起こしの精度はどのくらい?
最近のツールは明瞭な音声なら高精度です。周囲の雑音、マイクとの距離、強いアクセント、発言の重なりがあると精度は下がります。whispertranscribe.aiでは明瞭な音声で最大99%です。精度の測り方はサービスごとに異なるため、公表されている数値は条件の良いときの目安にします。手元の音声を短く切り出して試し、人名、数字、専門用語を確認するのが確実です。
音声をオンラインツールにアップロードしても安全?
提供元のポリシーに、必要な点が明記されているかによります。元ファイルの扱い、複製の保存期間、AIの学習に使うか、人が確認するか、どの第三者が処理するか、削除が恒久的かを確認してください。whispertranscribe.aiのポリシーでは、元ファイルは処理後に削除され、コンテンツは学習に使われないとしています。端末の外に出せない音声には、オフラインツールを使ってください。これは法的助言ではありません。
文字起こしに適した音声形式は?
音の情報を最もよく保つのは、WAVやFLACなどの可逆形式です。自分で録音や書き出しの形式を選べるなら、これらを使います。MP3やM4Aがすでにある場合は、そのままアップロードします。非可逆形式をWAVに変換すると容量が増えますが、失った情報は戻りません。ファイル形式よりも、話者の近くで録音し、クリッピングや周囲の雑音を抑える方が重要です。
音声文字起こしツールで話者を区別できる?
多くのツールで可能です。「話者検出」「話者認識」「話者ダイアライゼーション」などと呼ばれ、文字起こしの各部分に話者ラベルを付けます。whispertranscribe.aiでは、処理を始める前にEnable Speaker Detectionをオンにします。声が似ている場合や発言が重なった箇所では取り違えが起きやすいため、校正時に話者が交代するところを確認し、ラベルを実際の名前に変更してください。
手元の録音を文字にしてみませんか? whispertranscribe.aiの無料の音声文字起こしツールにアップロードしてください。130以上の言語から選び、話者検出をオンにし、DOCX、PDF、TXT、CSV、SRT、VTTで書き出せます。有料プランは年払いで月額9.99米ドルからです。
参考資料
- OpenAIのWhisper GitHubリポジトリ
- Google CloudのSpeech-to-Textでの音声データ提供に関するベストプラクティス
- 米国議会図書館のWAVE音声ファイル形式(fdd000001)
- IETFのRFC 9639:Free Lossless Audio Codec(FLAC)
- IETFのRFC 6716:Opus音声コーデックの定義
- 2026年11月に確認した各社の資料。TurboScribe、TurboScribeのセキュリティFAQ、HappyScribeの料金、HappyScribeの音声文字起こし、HappyScribeのプライバシーポリシー、Nottaの料金、Nottaのファイル取り込み上限、Nottaの対応言語、Otterの料金、Otterのファイル取り込みヘルプ、Otterのプライバシーポリシー、Revの料金
