著者:whispertranscribe.ai 編集部 · 最終更新:2026年11月 · 読了目安:12分
MP3を文字起こしするには、AI文字起こしツールにファイルをアップロードし、録音で話されている言語を選んで、結果をDOCX、TXT、SRTなどで書き出します。Microsoft Wordのトランスクリプト機能を使う方法、聞きながら自分で入力する方法、OpenAIの無料モデルWhisperを自分のパソコンで動かす方法もあります。どの方法でも、元のMP3の音質によって文字起こしの精度には限界があります。
この記事では、4つの方法の手順、MP3のビットレートとサンプリングレートの見方、音質のチェックリスト、長時間の録音や複数の話者に対応するコツ、3段階の校正手順を紹介します。
MP3を文字起こしする基本手順
多くの場合、オンラインツールが最も手早い方法です。MP3をそのまま読み込み、話者ラベルを付けて、編集できるファイルを出力します。すでにMicrosoft 365を契約しているならWord、短い音声なら手入力、音声を端末の外に出せない場合はローカルのWhisperが向いています。
- ファイルを確認する。 30秒ほど再生し、声がはっきり聞こえるか確かめます。
- アップロードして設定する。 録音で話されている言語を選び、複数人が話している場合は話者検出をオンにします。
- 校正して書き出す。 人名や数字を直し、文書ならDOCXかTXT、字幕ならSRTかVTTでダウンロードします。
どの方法を選ぶとよいか
音声の量、話者ラベルの要否、音声をどこまで外部に送信できるかの3点で選びます。Microsoftの仕様は2026年11月に確認しました。
| 方法 | 費用 | 話者ラベル | 音声の送信先・保存先 | 向いている用途 |
|---|---|---|---|---|
| 1. オンライン文字起こしツール | 無料で試せるサービスが多く、大量に使う場合は有料プラン | ほとんどのツールで対応 | サービス提供元のサーバー | インタビュー、ポッドキャスト、講義、日常業務 |
| 2. Microsoft Wordのトランスクリプト機能 | Microsoft 365に含まれる。音声のアップロードは月300分まで | 対応(話者1、話者2など) | Microsoftのサーバーに送信され、ファイルは自分のOneDriveに保存 | すでにWordを使っていて、ときどき文字起こしをする場合 |
| 3. 手入力で文字起こし | 無料だが、作業に何時間もかかる | 自分で付ける | 自分の端末内 | 短い音声、発言を一語一句正確に引用したい場合 |
| 4. パソコン上でWhisperを実行 | 無料、オープンソース | 公式ツールには機能なし | 自分の端末内 | 機密性の高い音声、コマンド操作に慣れた人、一括処理 |
始める前に:60秒でMP3をチェック
MP3は非可逆圧縮形式です。米国議会図書館の形式解説によると、人の耳に聞こえにくい音の情報を省くことで、128 kbit/sのMP3はCD音質の音声の約11分の1のサイズになります。失われた情報は元に戻せないので、まず手元の音声の状態を確認します。
Windowsでは プロパティ → 詳細、Macでは 情報を見る を開きます。FFmpegをインストールしていれば、次のコマンドでコーデック、サンプリングレート、チャンネル数、ビットレート、再生時間を確認できます。
ffprobe -v error -select_streams a:0 -show_entries stream=codec_name,sample_rate,channels,bit_rate -show_entries format=duration -of default=noprint_wrappers=1 interview.mp3
短いサンプルMP3を使い、FFmpeg 7.1でこの構文が動くことを確認しました。出力には sample_rate=44100 や bit_rate=128000 などの行が含まれます。項目の見方は次のとおりです。
| 項目 | 何を表すか | 文字起こしへの影響 |
|---|---|---|
| bit_rate | 圧縮後に残った1秒あたりのデータ量 | ビットレートが非常に低いと音の細部が失われる。後から復元はできない |
| sample_rate | 1秒間に音を測定した回数 | Googleは音声認識に16,000 Hz以上を推奨している |
| channels | モノラル(1)またはステレオ(2) | ステレオのままで問題ない。Whisperは読み込み時にモノラルにまとめる |
| duration | 録音の長さ | 1ファイルあたり、または利用時間の上限に達するか判断できる |
MP3のビットレートは文字起こしの精度に影響するか
影響することがあります。Google Cloudの音声認識のベストプラクティスでは、MP3などの非可逆コーデックは精度を下げる可能性があり、雑音や反響が重なるとその影響が大きくなると説明しています。最低限必要なビットレートの公表値はないので、精度を左右する要因の一つとして考えてください。ビットレートの高さより、マイクの近くではっきり録れた声の方が大切です。
手元にある最も音質のよいファイルを使います。元のWAVやFLACが残っていれば、それを選びます。96 kbpsのファイルを320 kbpsでエンコードし直したり、WAVで保存したりしても、ファイルが大きくなるだけで、失われた音の情報は戻りません。
音声認識に必要なサンプリングレートは?
音声認識には通常、16 kHzで十分です。OpenAIが公開しているWhisperのコードでは、すべての音声をFFmpegで読み込み、モノラルに変換して16,000 Hzに再サンプリングしてからモデルに渡します(GitHubのwhisper/audio.py)。Googleのガイドも、自分で再サンプリングしないよう勧めています。たとえば8,000 Hzで録音された通話音声も、サンプリングレートを上げずにそのまま送ります。
一般的なMP3の44.1 kHzや48 kHzなら十分です。アップロード前にサンプリングレートを変える必要はありません。
音質チェックリスト
大切な録音を文字起こしする前に確認します。
- 冒頭と途中を再生する。 言語は想定どおりか、全員の声が聞こえるかを確かめます。
- 音量を確認する。
ffmpeg -i interview.mp3 -af volumedetect -f null -で平均音量と最大音量を確認できます。最大値が0 dBに近いとクリッピングが起きている可能性があり、ひずんだピークを元に戻すのは困難です。 - 強いノイズ除去は避ける。 Googleのガイドでは、音声認識前のノイズ除去処理は通常、認識精度を下げると説明しています。
- 人名、略語、専門用語を控える。 後で校正するときに使います。
- 元ファイルを残す。 文字起こしの確定までは削除しません。
方法1:オンライン文字起こしツールにMP3をアップロードする
長いMP3を手早く編集可能なテキストにするなら、オンラインツールが便利です。モデルは提供元のサーバーで動くため、インストールは不要です。ここでは whispertranscribe.ai を使います。whispertranscribe.aiはOpenAIのWhisperモデルを利用したWebベースのAI文字起こしツールです。130以上の言語に対応し、最大5 GB、10時間の音声や動画をテキストに変換できます。他のツールでもメニュー名は異なりますが、基本的な手順は同じです。
手順1:MP3の文字起こしページを開いて言語を選ぶ
MP3の文字起こしページを開き、Step 1 で話されている言語を選びます。130以上の言語に加え、英語(インド)などの地域による違いや、音質の悪い録音用の Noise / Low-Quality Audio/Video オプションもあります。
手順2:MP3をアップロードする
Step 2 でファイルをドラッグ&ドロップするか、端末からファイルを選びます。ファイルサイズは最大5 GBで、プランでは最長10時間の録音に対応します。WAV、M4A、FLAC、MP4、MOVも利用できます。
手順3:必要に応じて話者検出をオンにする
インタビューや会議、ポッドキャストでは Enable Speaker Detection(話者検出を有効にする) をオンにすると、発言ごとに話者のラベルが付きます。
手順4:文字起こしを始める
Transcribe MP3 to text をクリックします。音声が明瞭な場合、精度は最大99%に達します。背景の雑音、強いアクセント、複数人の発言の重なりがあると精度は下がるので、後で校正する時間を見込んでおきます。
手順5:文字起こしをエクスポートする
文書や分析に使うならDOCX、PDF、TXT、CSV、タイミング付きの字幕が必要ならSRTやVTTでダウンロードします。最初から字幕が目的なら、MP3からSRTへの変換ツールで直接字幕ファイルを作成できます。
プランを選ぶ前に、アカウント登録なしで無料で試せます。有料プランは年払いで月額9.99米ドルからです。詳しくは料金ページをご覧ください。大きな動画ファイルは音声・動画からMP3への変換ツールで先に軽くできます。Google DriveやDropboxにあるMP3なら、URLから文字起こしにそのまま渡せます。
注意点: オンラインツールでは、音声が提供元のサーバーにアップロードされます。機密性の高い録音の場合は、先にプライバシーポリシーを確認するか、方法3または4を選んでください。
方法2:Microsoft Wordのトランスクリプト機能を使う
Microsoft 365を利用していれば、WordでMP3を文字起こしできます。Microsoftサポート(2026年11月確認)によると、この機能は.mp3、.wav、.m4a、.mp4に対応し、話者を区別します。
- Microsoft 365にサインインし、Web版Word(新しいMicrosoft EdgeまたはChrome)、あるいはWindows版Word for Microsoft 365で文書を開きます。
- ホーム → ディクテーション のドロップダウンから、トランスクリプト を選びます。
- トランスクリプトのウィンドウで 音声をアップロード を選び、MP3ファイルを指定します。
- 処理中はウィンドウを開いたままにします。Microsoftによると、処理には最長でファイルの再生時間と同程度かかることがあります。
- 内容を確認します。任意の箇所を最大2倍速で再生でき、テキストを編集したり、「話者1」の名前をまとめて変更したりできます。
- すべてをドキュメントに追加 を選んで文字起こしを文書に挿入し、DOCXで保存します。
把握しておきたい制限: Microsoft 365でアップロードできる音声は月300分までです。1つの文書に保持できる文字起こしは1件で、アップロードした音声はOneDriveの「Transcribed Files」フォルダーに保存されます。Microsoftによると、Windowsデスクトップ版は現時点では法人向けテナントに限られます。ヘルプにSRTやVTTへの書き出しは記載されておらず、字幕よりも文書作成に適しています。
方法3:MP3を聞きながら手入力する
手入力なら無料で、録音を端末の外に出さずに済みます。ただし時間がかかるため、短い音声、一語一句正確に引用したい箇所、自動文字起こしで誤認識があった箇所に向いています。
- 再生速度を落とせるプレーヤーでMP3を開きます。 ショートカットで少し巻き戻せるものを選び、隣に空の文書を開きます。
- 再生速度を0.75倍程度に設定します。 短いフレーズを聞く、一時停止する、入力する、必要なら巻き戻す、という流れを繰り返します。
- 話者が交代するたびにラベルを付けます。 たとえば
INTERVIEWER:やMARIA:と記します。W3Cの文字起こしに関するガイドでは、ポッドキャストの文字起こしは、話者名を示した簡単な段落形式でも構わないと説明しています。 - 聞き取れない箇所に時刻を入れます。 後から聞き直せるよう、
[inaudible 00:14:32]のように残します。 - 最後に通常速度で再生しながら読み合わせます。 同じ読みの別の語を入力していないか確認します。
ツールで下書きを作り、大切な箇所だけこの手順で確認してもよいでしょう。
方法4:自分のパソコンでWhisperを動かす
Whisperは、OpenAIが公開しているオープンソースの音声認識モデルです。OpenAIの論文によると、68万時間分の多言語音声で学習しています。手元のパソコンで動かせば無料で、ファイルをアップロードする必要もありません。セットアップにはPythonとFFmpegが必要で、パソコンの性能によっては処理に時間がかかります。
公式リポジトリの手順に沿ってインストールします。
pip install -U openai-whisper
FFmpegもインストールし、PATHを通しておきます。次のコマンドで文字起こしを実行します。
whisper interview.mp3 --model turbo --language English --output_format srt
プレーンテキストが必要なら --output_format txt を指定します。このオプションを省くと、TXT、VTT、SRT、TSV、JSONを一度に出力できます。CPUで実行する場合は、--fp16 False を追加すると警告を回避できます。公開されているパブリックドメインの短い音声を使い、openai-whisper 20250625と tiny モデルでコマンドの構文を確認しました。
| モデル | パラメーター数 | VRAMの目安(OpenAIによる) | largeに対する相対速度(OpenAIによる) |
|---|---|---|---|
| tiny | 3,900万 | 約1 GB | 約10倍 |
| small | 2億4,400万 | 約2 GB | 約4倍 |
| medium | 7億6,900万 | 約5 GB | 約2倍 |
| turbo(既定) | 8億900万 | 約6 GB | 約8倍 |
| large | 15億5,000万 | 約10 GB | 1倍 |
OpenAIによると、turbo は精度の低下を最小限に抑えたlarge-v3の最適化版です。翻訳用の学習は行われていません。
公式ツールでできないこと: 話者ラベル、編集機能、DOCXやPDFへの書き出しはありません。OpenAIは、認識性能が言語によって大きく異なるとも説明しています。不足する機能の一部はコミュニティのプロジェクトで補えますが、それぞれにセットアップが必要です。
長いMP3、複数人の会話、他言語の録音に対応するには
長時間の録音
アップロード前に上限を確認します。whispertranscribe.aiのプランでは最大10時間、5 GBのファイルを扱えます。Wordは月合計5時間までです。上限がさらに短いツールを使うなら、FFmpegで再エンコードせずにMP3を1時間ごとに分割できます。
ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3
文の途中で分割されることがあるので、文字起こしを結合するときは前後を確認します。授業や講演の場合は、講義の文字起こしも参照してください。
複数の話者
話者検出をオンにし、共有する前に自動で付いたラベルを実際の名前に置き換えます。人が互いの話をさえぎったり、声が似ていたりするとラベルがずれやすいので、話者ごとに発言をいくつか確認します。次に録音するときは、一人ずつ専用のマイクを用意するとよいでしょう。
他の言語やアクセント
特に冒頭に音楽が流れるファイルでは、自動検出に任せず、話されている言語を指定します。whispertranscribe.aiには、英語、スペイン語、フランス語、ドイツ語、ヒンディー語、ロシア語、ポルトガル語、日本語、イタリア語、オランダ語が混在する録音向けの Multilingual Mix オプションがあります。英語以外のMP3から英語のテキストが必要なら、文字起こしと翻訳を別々に行う代わりに、音声を英語に翻訳を使えます。
MP3の文字起こしを3段階で校正する
AIの文字起こしで誤りやすい箇所はある程度決まっています。多くの場合、録音を最初から最後まで聞き直す必要はありません。
1回目:音声を再生せず、検索で直す。 人名や用語のリストを使って検索・置換し、表記の誤りをまとめて修正します。
2回目:誤りやすい箇所を聞く。 次の箇所に移動し、元の音声と照らし合わせます。
| 確認箇所 | 起きやすい誤り | 確認方法 |
|---|---|---|
| 数字と日付 | 「fifteen(15)」と「fifty(50)」の取り違え、小数点の脱落 | 引用する数値を一つずつ聞き直す |
| 人名とブランド名 | 聞こえたまま綴られている | 用語リストと照合する |
| 発言が重なる箇所 | 2つの文がつながる、片方が落ちる | 通常速度で聞き、続いて速度を落として聞く |
| 話者が交代する箇所 | 別の人の発言として記録される | 話者が変わった直後の1行目を確認する |
| 小さい声や遠くの声 | 単語が抜け落ちる | 該当箇所だけ音量を上げる |
| 最初と最後の数分 | 雑談、音楽、言語の誤判定 | 必要に応じて削除または修正する |
3回目:文書として読む。 音声を流さずに一度通読し、意味が通らない部分を聞き直します。それでも聞き取れない箇所は、推測で埋めずに [unclear] と記します。
どの形式で書き出すべきか
書き出した後の用途に合わせます。文書ならDOCXかTXT、動画に重ねて表示するならSRTかVTTが適しています。
| 形式 | 主な用途 |
|---|---|
| DOCX | 編集、報告書、記事、ポッドキャストの番組メモ |
| レイアウトを固定した状態での共有や保管 | |
| TXT | 他のアプリへの貼り付け、AIでの要約 |
| CSV | 表計算ソフトでの処理、研究データの分析 |
| SRT | YouTubeや動画編集ソフト、プレーヤーで使う字幕 |
| VTT | HTML5のWeb動画プレーヤーで使う字幕 |
スマートフォンの音声メモを文字起こしする場合も、音声メモの文字起こしページで同じ書き出し形式を使えます。
よくある質問
MP3を無料で文字起こしできる?
できます。自分で入力すれば無料です。OpenAIのオープンソースWhisperを自分のパソコンで動かす場合も、セットアップにかかる時間と機材を除けば、利用料はかかりません。無料で始められるオンラインツールも多数あります。whispertranscribe.aiならアカウント登録なしで無料で試せるため、手元の録音がどの程度文字起こしできるかを確認できます。無料枠は通常、長さや機能に制限があります。継続して使うなら有料プランを比較してください。whispertranscribe.aiは年払いで月額9.99米ドルからです。
MP3ファイルの文字起こしにはどれくらい時間がかかる?
AIツールなら、通常は音声の再生時間よりかなり短く済みますが、ファイルやサービスによって異なります。Microsoftによると、Wordのトランスクリプト機能は、最長でファイルの再生時間と同程度かかることがあります。手元でWhisperを動かす場合は、機材とモデルによって変わります。小さいモデルほど速い反面、認識の誤りが増えます。手入力では録音の数倍の時間がかかるので、手作業は短い音声に限る人が多数です。
MP3をWAVに変換すると文字起こしの精度は上がる?
上がりません。WAVで保存しても、高いビットレートで再エンコードしても、ファイルが大きくなるだけです。非可逆圧縮形式のMP3を作成した際に失われた音の細部は戻りません。元のWAVやFLACが残っていれば、そちらを文字起こししてください。なければMP3をそのままアップロードします。Whisperなどの音声認識エンジンは内部で16 kHzのモノラルに再サンプリングするため、事前にサンプリングレートを変えても効果はありません。
複数人が話すMP3を文字起こしするには?
話者検出に対応するツールを選び、処理前に機能をオンにします。発言ごとに「話者1」などの番号付きラベルが付くので、後から実際の名前に変えられます。Microsoft Wordのトランスクリプト機能とwhispertranscribe.aiはいずれも話者ラベルに対応しますが、Whisperの公式コマンドラインツールにはこの機能がありません。話者が互いの発言をさえぎった箇所は、ラベルの取り違えが起きやすいため、聞き直してください。
MP3をWord文書に変換できる?
できます。オンラインツールでMP3を文字起こししてDOCXで書き出すのが最も手早い方法です。DOCXはWordやGoogleドキュメントで開けます。Microsoft 365を使っているなら、Wordの「ホーム」「ディクテーション」「トランスクリプト」「音声をアップロード」の順に選んでMP3を送信し、「すべてをドキュメントに追加」を選びます。Microsoft 365でアップロードできる音声は月300分までです。
MP3から文字起こし文書ではなく、字幕を作れる?
作れます。DOCXやTXTではなく、SRTまたはVTTで書き出してください。どちらも行ごとの表示時刻が記録されるため、動画プレーヤーや編集ソフトが適切なタイミングで字幕を表示できます。whispertranscribe.aiでは文字起こし後にSRTやVTTで書き出せるほか、MP3からSRTへの変換ツールも使えます。Whisperのコマンドラインツールでも、出力形式のオプションを指定すればSRTとVTTを作成できます。
試してみませんか? whispertranscribe.aiのMP3をテキストに変換するツールにファイルをアップロードしてください。別の形式であれば、無料の音声文字起こしツールを使えます。どちらも130以上の言語に対応し、話者ラベルを付けてDOCX、PDF、TXT、CSV、SRT、VTTで書き出せます。
参考資料
- 米国議会図書館:MP3(MPEG Layer III Audio Encoding)
- Google Cloud:Speech-to-Text APIにデータを渡す際のベストプラクティス
- Microsoftサポート:録音を書き起こす
- OpenAI:GitHubのWhisper(READMEと
whisper/audio.py) - Radfordほか、OpenAI:Robust Speech Recognition via Large-Scale Weak Supervision(大規模な弱教師あり学習による堅牢な音声認識)
- W3C Web Accessibility Initiative:文字起こし
