執筆:whispertranscribe.ai 編集部 · 最終更新:2026年11月 · 読了目安:15分 · カテゴリ:文字起こしツール
自分に合ったAI文字起こしソフトは、音声の取り込み方と必要な成果物で決まります。 多言語のファイルをアップロードするなら、whispertranscribe.aiやTurboScribeのようなファイル中心のツールを使いましょう。開催中の会議ならOtter.aiやFireflies.aiのような議事録ツール、字幕ならHappyScribeが候補です。機密性の高い音声なら、Whisperを手元の端末で動かします。
多くの比較記事は、どのツールも同じ作業をするかのように順位を付けています。しかし、会議のアクション項目をうまくまとめるボットも、3時間の講義が何本も入ったフォルダーには向きません。この記事では実際の用途を出発点に、評価の7項目、用途別の比較表、精度の数値の読み方、5ステップで試す方法を紹介します。(無料プランの比較や、Otter、TurboScribeからの乗り換えを検討している場合は、各記事にプラン別の比較表があります。)
比較記事の立場について。 この記事はwhispertranscribe.aiが公開し、ファイルのアップロードと多言語音声には自社ツールを第一候補に挙げています。他社ツールが適した用途や、自社の制約も明記しました。この記事のための精度測定は行っていません。精度は公開研究を、各社の製品情報は2026年11月に確認した公式ページを参照しています。
結論:用途別のおすすめAI文字起こしソフト
- ファイルのアップロード(取材、講義、録音):whispertranscribe.ai。5GB・10時間までのファイル、リンクの取り込み、130以上の言語に対応します。次点は、定額で大量に処理できるTurboScribeです。
- 開催中の会議:Otter.aiは6言語に対応し、Fireflies.aiはCRM連携に対応します。ボットとファイルのアップロードの両方を使い、58言語を扱うならNottaです。
- 翻訳字幕や音声情報付きの字幕:HappyScribe。字幕形式が豊富で、150以上の言語に対応します。必要に応じて人による校正も頼めます。
- 編集するポッドキャストや動画:Descript。文字起こしのテキストを編集すると、音声や動画にも反映されます。複数人で文字起こしを確認するならSonixも候補です。
- 多言語や複数言語が混じる音声:whispertranscribe.ai。130以上の言語に対応し、Multilingual Mixモードがあります。
- 機密音声やオフラインでの処理:OpenAI WhisperまたはMacWhisperを自分のパソコンで使います。人による確認が必須ならRevを選びます。
録音が手元にありますか? アカウント登録なしでwhispertranscribe.aiを試す。
AI文字起こしソフトを評価する7つの基準
すべてのツールを同じ7項目で確認し、用途に応じて優先度を変えます。価格の比較は最後です。プランが安くても、必要な長さや言語を扱えなければ、回避策にかかる手間のほうが高くつきます。
1. 音声をどう取り込むか?
取り込み方は、ファイルのアップロード、リンクの貼り付け、会議に参加するボット、ブラウザーやデスクトップの録音機能を使った端末での収録の4つです。月間の利用枠に加えて、1ファイルあたりの上限を見ましょう。Fireflies.aiはアップロード手順によると1回につき150分までですが、TurboScribeとwhispertranscribe.aiは10時間までのファイルを受け付けます。
2. 手元の音声でどの程度正確か?
「精度99%」は、ベンダーにとって最も条件の良い場合を示します。確認すべきなのは、実際のマイク、話者の発音、使われる語彙での精度です。後述の比較では、同じモデルでも結果にどれほど幅があるかを示します。
3. 話者を区別し、タイムスタンプを維持できるか?
取材や会議では、誰が話したかの表示で文字起こしの使いやすさが決まります。プランに話者識別が含まれるか、話者名を変更できるか、エクスポート後もタイムスタンプが残るかを確かめます。
4. 必要な言語や発音に対応しているか?
対応数はサービスによって大きく異なり、Otter.aiは6言語、Descriptは25、Sonixは54以上、Nottaは58、MacWhisperは100、HappyScribeは150以上です。対応言語数が多くても、すべての言語で同じ精度が出るとは限りません。OpenAIのWhisper READMEも、性能は言語によって大きく異なると説明しています。会話の途中で言語が変わる場合は、多言語が混じる音声に対応するモードを探しましょう。
5. 何を編集し、どの形式で出力できるか?
納品物が、顧客向けのDOCX、動画用のSRTやVTT、分析用のCSV、編集済みのエピソードのどれなのかを決めます。放送の現場ではSTLやEDLが必要な場合もあります。音声を再生しながらテキストを修正できるエディターかどうかも確認します。
6. 使用量はどう計算されるか?
月間の分数、まとめ買いできる時間枠、定額の「無制限」プラン、人による作業の分単位料金などがあり、別途ファイルの長さやアップロード回数の上限、ユーザーごとの料金もあります。表示価格よりも、課金の仕組みが用途に合うかが重要です。月に120分あればたまに使うには十分でも、40件のインタビューを行う研究には足りません。
7. データはどのように取り扱われるか?
音声の処理場所、ファイルの保存期間、コンテンツをAIモデルの学習に使うか、ベンダーが公表する認証を確認します。具体的な確認事項は後述のプライバシーチェックリストにあります。
用途別:各項目の重要度
| 評価項目 | アップロードしたファイル | 会議 | 字幕 | 取材とポッドキャスト | 多言語 | 機密音声 |
|---|---|---|---|---|---|---|
| 音声の取り込み方 | 高 | 高 | 中 | 中 | 中 | 高 |
| 手元の音声での精度 | 高 | 中 | 高 | 高 | 高 | 高 |
| 話者とタイムスタンプ | 中 | 高 | 中 | 高 | 中 | 中 |
| 対応言語 | 中 | 中 | 中 | 低 | 高 | 中 |
| 編集とエクスポート | 中 | 低 | 高 | 高 | 中 | 中 |
| 使用量の計算方法 | 高 | 中 | 中 | 中 | 中 | 低 |
| データの取り扱い | 中 | 高 | 低 | 中 | 中 | 高 |
これは編集部が付けた優先度で、測定値ではありません。
用途別AI文字起こしソフトの選び方:比較表
| 用途 | 選ぶ基準 | 第一候補 | ほかの候補 | 別の方法を検討すべき場合 |
|---|---|---|---|---|
| 取材、講義、録音のアップロード | 長時間ファイルの上限、リンク取り込み、出力形式 | whispertranscribe.ai | TurboScribe | 人が一語ずつ確認する必要がある |
| 開催中の会議 | カレンダー連携ボット、リアルタイムのメモ、要約 | Otter.ai | Notta | 会議で使う言語に対応していない |
| 営業や顧客との通話 | 通話後のCRM同期 | Fireflies.ai | Otter.ai | 150分を超える録音をアップロードする必要がある |
| 翻訳字幕と音声情報付きの字幕 | 表示タイミング、SRT/VTT、放送用の形式 | HappyScribe | whispertranscribe.ai、Sonix | プレーンテキストだけで足りる |
| 編集するポッドキャストや動画 | テキストからの編集、音声の補正 | Descript | Sonix | 文字起こしだけでよい |
| 研究や報道のインタビュー | 話者ラベル、引用箇所、確認にかかる時間 | whispertranscribe.ai | Sonix、Rev | 引用が確認なしで公開される |
| 多言語や言語の切り替え | 対応言語一覧、多言語が混じる音声のモード | whispertranscribe.ai | HappyScribe、Notta | 必要な言語がベンダーの一覧にない |
| 機密音声やオフラインでの処理 | 手元の端末で処理できること | OpenAI Whisper、MacWhisper | Rev | ソフトウェアの導入や保守ができない |
| 法的な記録や公開する引用 | 人による確認 | Rev | HappyScribeの人による校正 | 予算が限られている(人による作業は1分$1.99から) |
会議にはボット、それ以外にはファイル向けツールというように、2種類を使い分けるチームも多くあります。
精度の表示と単語誤り率(WER)の読み方
単語誤り率(WER)は精度の標準的な指標です。Microsoftの音声認識ドキュメントでは、人が丁寧に作った正解の文字起こしの単語数で、置き換え・脱落・挿入された単語の合計数を割ると説明しています。「精度99%」はおおむねWER 1%、つまり100語に1語の誤りに相当します。WERは録音の条件に大きく左右されます。
同じモデルでもスコアに大きな差がある
Whisperの研究論文は、同じWhisper Large V2モデルをさまざまなテストデータで評価したWERを報告しています(表2)。一部を抜粋します。
| テストセット(Whisper論文) | 音声の内容 | Whisper Large V2のWER |
|---|---|---|
| LibriSpeech test-clean | ノイズの少ないオーディオブックの朗読 | 2.7% |
| CallHome | 電話での会話 | 17.6% |
| CHiME-6 | 離れたマイクで録音した食事会の会話 | 25.5% |
| AMI SDM1 | 離れたマイク1台で録音した会議 | 36.4% |
| 表2のテストセット14件の平均 | 複数の種類 | 12.8% |
同じモデルでも、クリアな朗読音声では2.7%、離れたマイクの会議音声では36.4%でした。当社を含め、「最大99%」という表示は音声が明瞭なときの上限です。現在はさらに新しいモデルもあります。この数値は条件によるばらつきを示すもので、この記事に登場する製品のスコアではありません。
1時間のインタビューでは、WERの差がどう響くか?
テスト結果ではなく、説明用の例です。1時間のインタビューが約9,000語(1分あたり150語と仮定)だったとします。
| WER | 約9,000語のうち、誤り・脱落・挿入された語数 | 修正にかかる手間 |
|---|---|---|
| 2% | 約180語 | 軽い校正 |
| 5% | 約450語 | 名前や数字を慎重に確認 |
| 10% | 約900語 | 音声の大部分を聞き直す |
| 25% | 約2,250語 | 最初から起こすほうが速いことが多い |
Microsoftのガイドは、WERが5〜10%なら良好、20%は許容範囲、30%以上は低品質と説明しています。
WERだけでは分からない3つのこと
- 誰の発話で誤りが増えるか。 5つの商用音声認識システムを調べたPNAS掲載の研究では、黒人話者の平均WERは0.35、白人話者は0.19でした。実際に使う話者の音声で試しましょう。
- 話していない内容の生成。 Careless Whisperの研究によると、2023年にテストしたWhisper APIの文字起こしの約1%に、誰も話していない語句が丸ごと含まれていました。そのうち38%は有害な内容を含んでいました。長い間がある音声で多く見られたため、無音の箇所も確認します。
- どの誤りが重要か。 価格の数字を1桁間違えても、「えー」が1つ抜けても、WERでは同じように数えます。実際に生じる損失は大きく違います。
アプリでなくモデルを比較するには、再現可能なWERを公開するOpen ASR Leaderboardを参照してください(論文)。評価対象はモデルで、エディターやアップロード上限がある製品ではありません。
おすすめのAI文字起こしツール10選:それぞれの得意分野
以下の料金と上限はすべて、2026年11月に各サービスの公式ページで確認しました。プランは頻繁に変わるので、購入前に確認してください。
1. whispertranscribe.ai:アップロードするファイルと多言語音声
whispertranscribe.aiは、OpenAIの音声認識モデルWhisperを利用した、ブラウザーで使える文字起こしツールです。
向いている用途: MP3やM4AからMP4、MOV、MKVまで、1ファイル5GB・10時間まで対応します。URLから文字起こしする機能で、YouTube、Vimeo、Google Drive、Dropboxのリンクを使えます。130以上の言語を扱い、その多くでNoise / Low-Quality Audioモードが使えます。話者が途中で言語を切り替える場合はMultilingual Mixモードを使えます。音声の英訳も可能です。話者識別、タイムスタンプ、DOCX、PDF、TXT、CSV、SRT、VTTへのエクスポートに加え、AI字幕生成機能があります。会議では、オンライン画面録画で画面、マイク、システム音声を収録でき、ボットは参加しません(すべての機能)。
注意点: 会議ボット、カレンダーからの自動参加、人による文字起こしや校正、API、デスクトップアプリ、カスタム用語リストはありません。文字起こしの分数に利用枠があり、無制限ではありません。処理はクラウドで行われます。明瞭な音声での精度は最大99%で、背景雑音、発話の重なり、強いなまりがあると下がります。
料金: 年払いで月額$9.99から(料金を見る)。アカウントなしで無料で試せます。
2. TurboScribe:大量のファイルをまとめて処理
TurboScribeはWhisperを使った、定額制のファイル文字起こしサービスです。
向いている用途: Unlimitedプランでは、1人が使う場合の総使用量に上限がありません。1ファイル10時間または5GBまで、一度に50ファイル、98以上の言語に対応します。Restore Audio機能と、DOCX、PDF、TXT、SRT、VTT、CSVへのエクスポートが使えます。
注意点: サポートページには、APIや自動アクセスを提供しないと記載されています。公式サイトには会議録音や人による確認の案内もありません。無料プランでは1日に3ファイル、各30分までです。当社との比較はTurboScribeの代替ツールページを参照してください。
料金: 年払いで月額$10、月払いで$20(TurboScribe)。
3. Otter.ai:対応する6言語での会議
Otter.aiはAI会議アシスタントです。NotetakerがZoom、Google Meet、Teamsの通話に参加し、録音、文字起こし、要約を行います。
向いている用途: リアルタイム文字起こし、アクション項目付きの要約、会議をまたいで使えるAI Chat、Proのチーム用語集が使えます。
注意点: 対応言語は英語、スペイン語、フランス語、ドイツ語、日本語、中国語の6つです。ファイルの取り込みはBasicで1アカウントにつき通算3回、Proでは月10回です。1回の会話の上限はBasicで30分、Proで90分です。プライバシーポリシーには、個人を特定できないように処理した録音と文字起こしをAIの学習に使うと記載されています。Otter.aiの代替ツールページで詳しく比較しています。
料金: Basicは無料で毎月300分。Proは年払いで1ユーザーあたり月額$8.33、月払いで$16.99です(Otterの料金)。
4. Fireflies.ai:営業や顧客との通話
Fireflies.aiは、通話にボットを参加させ、要約をCRMに送るAI議事録ツールです。
向いている用途: Zoom、Meet、Teamsなどを録音でき、Chrome拡張機能を使えばボットなしでも録音できます。料金ページには連携機能とAPIアクセスが記載され、データはAIの学習には一切使わないと説明されています。
注意点: FAQによると、主な対応言語は英語で、ほかの100以上の言語はベータ版です。アップロードする音声は1ファイル150分かつ500MBまでです。無料プランの保存枠はチームあたり400分です。
料金: Proは年払いで1席あたり月額$10、月払いで$18。Businessは年払いで月額$19、月払いで$29です(Firefliesの料金)。
5. Notta:ファイルのアップロードもする多言語会議
Nottaは、会議ボット、アプリ、ファイルのアップロードを1つのアカウントにまとめたツールです。
向いている用途: 58言語の文字起こしに対応し、Proでは1回5時間までの録音、月1,800分、アップロード月100回が使えます。二言語文字起こしの追加オプションもあります。料金FAQによると、NottaはSOC 2 Type IIおよびISO 27001の認証を取得しています。
注意点: 無料プランでは1回の会話につき3分までです。有料プランを解約すると各文字起こしの最初の3分しか表示できないため、先にエクスポートしてください。
料金: Proは年払いで月あたり$8.17(年額$97.99)。Businessは年払いで1席あたり月額$16.67です(Nottaの料金)。
6. Descript:編集するポッドキャストや動画
Descriptは音声と動画の編集ツールです。文字起こしから文を削除すると、その部分が収録素材からも削除されます。
向いている用途: つなぎ言葉の削除、Studio Soundでの音質改善、8人以上の話者識別に対応します。ゲストごとに別トラックで録音した場合は、マルチトラックの文字起こしもできます。
注意点: 文字起こしは25言語に対応します。取り込みや録音を行った全素材を「メディア時間」として計上します。単に文字起こしが必要な場合には機能が多すぎることがあります。
料金: 無料プランでは月60分の素材を扱えます。Hobbyistは年払いで1人あたり月額$16、月10時間までです(Descriptの料金)。
7. HappyScribe:字幕とローカライズ
HappyScribeは、会議の議事録作成機能を備えた文字起こし、字幕、翻訳プラットフォームです。
向いている用途: 150以上の言語で文字起こしと字幕を作成し、80以上の言語にAIで翻訳できます。用語集やスタイルガイド、Proで15以上の出力形式を利用でき、VTT、STL、XML、FCPXML、EDLに対応します。人による校正は1分$2.00からです。料金ページにはSOC 2 Type 2およびGDPRへの準拠が記載されています。
注意点: 文字起こし、字幕、翻訳で同じ利用枠を共有します。Basicは月120分で、追加分は1分$0.20です。Basicの出力形式はTXT、SRT、PDF、DOCXに限られ、無料枠は初回のみの10分間です。
料金: Basicは年払いで月額$8.50(月払い$17)。Proは年払いで月額$19(月払い$29)です(HappyScribeの料金)。
8. Sonix:チームで文字起こしを確認
Sonixは編集機能を中心としたブラウザーベースの文字起こしサービスです。
向いている用途: 54以上の言語、話者ラベル、カスタム辞書、文字起こしの横断検索、ユーザー権限、APIアクセスが機能一覧に掲載されています。SOC 2 Type 2の報告書を公開し、EnterpriseプランではHIPAA準拠、BAA、DPAにも対応します。
注意点: 音声の時間数で利用量が決まります。Coreには月5時間が含まれ、追加は1時間$10、追加のユーザー枠は1席につき月$25です。
料金: 都度払いは1時間$10、Coreは月$25(年額$275)。30分の無料試用枠があります(Sonixの料金)。
9. Rev:人による文字起こしの確認が必須の場合
RevはAIと人による文字起こしを提供し、現在は法務・調査チームを主な対象としています。
向いている用途: 人による文字起こしは、12時間以内の納品と99%以上の精度が保証されています。法務向けの書式では1ページ$2.25〜$2.50です。RevはSOC 2 Type IIへの準拠を掲げ、顧客データを外部の大規模言語モデルの学習に使わないとしています。
注意点: 無料のAIプランは英語のみで月45分。37以上の言語を使うにはProが必要です。人による作業の費用は、1分$1.99なら1時間で$119.40になります。
料金: 人による文字起こしは1分$1.99から。Essentialsは年払いで1席あたり月額$25.49、月払いで$29.99です(Revの料金)。
10. OpenAI WhisperとMacWhisper:機密音声やオフラインでの処理
OpenAI Whisperは、自分の機器で動かせるオープンソースの音声認識モデル(MITライセンス)です。MacWhisperはローカルモデルで文字起こしを行うMac用アプリです。
向いている用途: 音声は自分のパソコンに留まり、時間による使用量の計算はありません。MacWhisperには話者識別、一括文字起こし、SRT、VTT、DOCXへのエクスポート、ボットなしの会議録音があり、100言語に対応します。
注意点: WhisperにはPythonとコマンドラインが必要です。READMEにはlargeモデルで約10GBのVRAMが必要と記載されています。処理速度、セキュリティ、バックアップは自分で管理します。MacWhisperはmacOS専用です。
料金: Whisperは無料です。MacWhisperにも無料版があり、Proは€64の買い切りライセンスです(MacWhisper)。
プライバシーとデータ利用のチェックリスト
機密情報をアップロードする前に、宣伝文句ではなく、プライバシーポリシー、セキュリティページ、利用規約の記載を確認します。以下は一般的な情報で、法的助言ではありません。医療、法務、学生に関する記録は、所属先のコンプライアンス担当者に確認してください。
| 確認すべきこと | なぜ重要か | 確認先 |
|---|---|---|
| 音声や文字起こしはAIモデルの学習に使われるか? | 顧客のコンテンツで学習を行うベンダーもある | プライバシーポリシー |
| どの第三者が音声を処理するか? | 多くのツールが外部のAI事業者に音声を送る | 再委託先の一覧またはプライバシーポリシー |
| 元のファイル、音声のコピー、文字起こしはいつまで保存されるか? | それぞれで保存期間が異なる場合がある | 保存期間に関する項目 |
| バックアップも含めてファイルを削除できるか? | 削除後もバックアップに残ることがある | ヘルプセンター、セキュリティページ |
| 人が自分のコンテンツを確認することはあるか? | 人による品質確認があると、誰かが音声を聞く | プライバシーポリシー、利用規約 |
| データの保存先はどこか? | 保存する国や地域が定められている組織もある | セキュリティまたは信頼性の情報ページ |
| SOC 2報告書、ISO 27001、HIPAA BAA、DPAのうち、ベンダーは何を公開しているか? | 所属先が特定の文書を求めることがある | 信頼性の情報ページ、営業窓口への文書の請求 |
| ワークスペースで誰が文字起こしを閲覧・共有できるか? | 公開共有リンクは情報漏えいの原因になりやすい | 管理・共有設定 |
| 録音について全員の同意を得ているか? | 録音の同意に関するルールは場所によって異なる | 米国の州別通話録音法 |
当社の場合: whispertranscribe.aiのプライバシーポリシーによると、アップロードされた元のファイルは処理後に削除し、抽出したMP3は既定で30日間保存します。録音や文字起こしをAIモデルの学習に使うことも、人が確認することもありません。通信時はTLS 1.3、保存時はAES-256を使い、AIサービス事業者としてOpenAIを記載しています。SOC 2、ISO 27001、HIPAAの文書は公開していません。必要な場合は、公開しているベンダーを選んでください。
AI文字起こしソフトを試す5つの手順
無料枠は比較テストに適しています。1時間ほど集中して試せば、合わない年間プランを契約せずに済みます。
- 手元の音声から3つのテスト用クリップを作る。 同意を得て録音した素材のうち、代表的な録音で最も明瞭なもの、雑音や発話の重なり、電話音声など条件が最も厳しいもの、固有名詞、数値、専門用語、または別の言語を多く含むものを、それぞれ5分ずつ用意します。
- 各クリップのうち2分間を手入力し、比較用の正解を作る。 正解がなければ、印象だけで判断することになります。
- 同じクリップを2つか3つのツールで試す。 使用言語をそろえ、話者識別をオンにするなど、設定を合わせます。処理時間も記録します。
- 簡単なWERの計算と、見逃せない問題の確認を行う。 正解と突き合わせ、置き換え、脱落、挿入された単語を数え、正解の単語数で割ります。名前や数字、話者の切り替わり、無音の箇所に誰も話していない内容が入っていないかは、別に確認します。
- 出力を試し、普段の利用量で月額を見積もる。 実際に使う形式で出力し、使うアプリで開き、修正にかかる時間を測ります。ファイルの上限や超過分の料金も含め、毎月の利用時間を各プランに当てはめて比較します。
コピーして使える評価表
| 確認項目 | ツールA | ツールB | ツールC |
|---|---|---|---|
| 明瞭なクリップのWER(%) | |||
| 難しいクリップのWER(%) | |||
| 名前と数字の正解数(10件中) | |||
| 話者切り替えの正解数(10件中) | |||
| 無音の箇所に話していない内容が入っているか(はい・いいえ) | |||
| 音声5分あたりの修正時間(分) | |||
| 使うアプリで問題なく開けたか(はい・いいえ) | |||
| 通常の月にかかる費用 |
自分の比較結果を記入するためのテンプレートです。
よくある質問
おすすめのAI文字起こしソフトは何ですか?
すべての作業に最適なツールはありません。ファイルのアップロードと多言語音声には、130以上の言語と10時間までのファイルに対応するwhispertranscribe.aiをおすすめします。開催中の会議にはOtter.aiかFireflies.ai、字幕にはHappyScribe、ポッドキャストや動画の編集にはDescriptが向いています。人による確認が必要ならRev、機密音声ならOpenAI WhisperかMacWhisperが候補です。契約する前に、候補を2つに絞り、自分の録音で試してください。
AI文字起こしソフトの精度はどの程度ですか?
明瞭な音声なら100語あたり数語の誤りで済む場合もあれば、雑音の多い会議でははるかに増えることもあります。Whisperの論文では、同じモデルの単語誤り率が、明瞭なオーディオブックの朗読で2.7%、離れたマイク1台で録音した会議で36.4%でした。各社の「最大99%」という表示は明瞭な音声での数値です。手元のファイルで試し、名前や数字は必ず確認しましょう。
単語誤り率(WER)とは何ですか?
単語誤り率は音声認識の精度を示す標準的な指標です。人が丁寧に作った正解の文字起こしとAIの出力を比較し、置き換え・脱落・挿入された単語を数え、正解の単語数で割ります。WER 5%は100語あたり約5語の誤りを意味します。Microsoftの音声認識ドキュメントでは、5〜10%は良好、30%以上は低品質と説明しています。
AI文字起こしソフトで機密録音を扱っても安全ですか?
事前の確認が必要です。ベンダーのプライバシーポリシーで、AIの学習、第三者による処理、保存期間、人による確認について確認してください。SOC 2報告書やHIPAAの事業提携契約(BAA)など、所属先に必要な文書も求めます。音声をパソコンの外に出せない場合は、OpenAI WhisperやMacWhisperをローカルで実行します。これは一般的な情報で、法的助言ではありません。
AI文字起こしソフトは話者を区別できますか?
はい。この記事で紹介したツールの多くは、ダイアライゼーションとも呼ばれる話者識別に対応しています。「話者1」「話者2」などと発話にラベルを付け、あとから名前を変更できます。発話が重なる、声が似ている、離れた1本のマイクを共有するといった場合は、精度が下がります。ポッドキャストではゲストを別々のトラックに録音すると役立ちます。Descriptはマルチトラックのセッションを文字起こしできます。引用する前に、話者の切り替わりを抜き取りで確認してください。
人による文字起こしはまだ必要ですか?
必要な場合もあります。裁判所への提出、発言の直接引用、医療や法務の記録に使うなら、人による確認に費用をかける価値があります。Revでは精度99%以上の保証が付く人による文字起こしが1分$1.99から、HappyScribeでは人による校正が1分$2.00からです。メモ、研究のコーディング、下書きであれば、多くの場合はAIの文字起こしを自分で確認すれば十分です。
処理が難しいファイルでwhispertranscribe.aiを試す
当社ツールでも5ステップの試用を行ってみてください。5GBまでのファイルのアップロード、リンクの貼り付け、ブラウザーでの録音ができ、130以上の言語とDOCX、PDF、SRT、VTTのエクスポートに対応します。アカウント登録なしで無料で始める、またはプランを比較する。
関連記事: おすすめの無料文字起こしソフト · Otter.aiの代替ツール · TurboScribeの代替ツール · Whisper AIとは? · MP3を文字起こしする方法 · Zoom会議を文字起こしする方法 · SRTファイルとは?
参考資料
- 精度に関する研究:Whisper論文(arXiv 2212.04356)、GitHubのOpenAI Whisper、Microsoft LearnのWER解説、Koeneckeら、PNAS 2020、Careless Whisper、FAccT 2024、Open ASR Leaderboard
- 2026年11月に確認したベンダーの資料:TurboScribe、TurboScribeサポート、Otterの料金、Otterのプライバシーポリシー、Firefliesの料金、Firefliesのアップロード手順、Nottaの料金、Descriptの料金、HappyScribeの料金、Sonixの料金、Revの料金、MacWhisper
