音声翻訳とは?録音を文字起こしして翻訳する方法

whispertranscribe.ai 編集部 · 最終更新 2026年11月 · 読了の目安 12分

この記事で扱う音声翻訳は、ある言語の録音から、別の言語のテキストを作ることです。方法は2つあります。録音を元の言語で文字起こししてから、そのテキストを翻訳する方法と、モデルが音声から直接、翻訳先の言語でテキストを出力する方法です。前者は内容を確認しやすく、後者は手早く下書きを作れます。

両方の仕組みと起こりやすい問題を説明したうえで、多言語のSRT・VTT字幕を含む4つの実践方法を紹介します。翻訳品質を左右する要因、翻訳後のチェックリスト、プロの翻訳者に依頼する方が安全な場面も取り上げます。

音声を文字起こしして翻訳する手順

多くの録音では、まず元の言語で文字起こしし、誤りを修正してから翻訳します。英語だけが必要で、急いで内容を把握したいなら、音声を直接英語にするツールで下書きを作れます。どちらの方法でも、公開や判断に使う内容は、両方の言語が分かる人に確認してもらいましょう。

  1. 音声の言語で文字起こしする。 自動判定に任せず、話されている言語を自分で選びます。
  2. 原文の文字起こしを修正する。 人名、数字、専門用語を優先します。
  3. 翻訳して確認する。 テキストを翻訳し、元のテキストと音声の両方と照らし合わせます。

音声からテキストへの翻訳とは?

言語Aで話された音声から、言語Bのテキストを作る処理です。一般的な文字起こしでは、音声とテキストは同じ言語です。一般的な翻訳は、すでにあるテキストを出発点にします。音声からテキストへの翻訳はその両方を組み合わせるため、処理の組み合わせ方によって結果の確認しやすさが変わります。

カスケード方式と直接翻訳の違い

研究分野では、音声認識の後にテキストを翻訳する方法をカスケード方式と呼びます。もう一方が直接翻訳(エンドツーエンド音声翻訳)です。1つのモデルが音声を翻訳先の言語のテキストに変換します。OpenAIのWhisperでも直接翻訳できますが、出力は英語に限られます。

文字起こししてから翻訳(カスケード方式) 音声から直接翻訳
利用者が行う手順 2ステップ。元の言語で文字起こしし、その後で翻訳 1ステップ。音声を入力すると翻訳先の言語で出力
翻訳先の言語 テキスト翻訳ツールが対応する言語 限られることが多い。Whisperの翻訳タスクは英語のみ
元の言語のテキスト 手元に残る 通常は生成されない
誤りを見つける段階 2つの手順の間に、元の言語のテキストを確認できる 出力を録音と照らし合わせる必要がある
後で翻訳し直す場合 修正済みの文字起こしを再利用 音声をもう一度処理するか、英語の出力を翻訳
適した用途 調査、公開、多言語字幕、発言の引用 録音の内容を英語で素早く把握

各方式で起こりやすい問題

カスケード方式では、前の段階の誤りが翻訳に引き継がれます。たとえば、話者が「fifteen(15)」と言った箇所が「fifty(50)」と文字起こしされると、翻訳は文法的に正しくても、数字は間違ったままです。翻訳の前に文字起こしを修正すれば、この問題は小さな手間で防げます。

直接翻訳には、確認に使える元の言語のテキストがありません。出力だけでは聞き間違いと訳し間違いを区別できないため、確認する人は音声に戻る必要があります。内容が誤っていても自然な文章に見えることがあり、誤りを見つけにくい点にも注意が必要です。

どの方法を選べばよいか

テキストの用途と、必要な翻訳先の言語数で選びます。

用途 適した方法 理由
外国語の録音の内容を素早く把握したい 方法2。音声から直接英語にする 1ステップで読める下書きが得られる
記事やレポートで発言を引用する 方法1を使い、重要な引用には方法4も併用 実際の発言を確認できる
2つ以上の言語で字幕が必要 方法3。原語のSRTまたはVTTを作り、字幕の文面だけ翻訳 すべての言語で同じ表示時刻を使える
調査インタビューを分析・引用する 方法1 発言への分類コードの付与や引用を元の文字起こしに対応させられる
契約書、裁判資料、医療記録、移民手続きの書類 方法4で資格のある翻訳者に依頼 誤りが実際の不利益につながる

方法1:元の言語で文字起こししてから翻訳する

幅広い用途で使える方法です。修正済みの文字起こしを原本とし、どの言語への翻訳もそこから始めます。

ステップ1:話されている言語で文字起こしする

文字起こしツールにファイルをアップロードし、処理を始める前に言語を指定します。whispertranscribe.aiはOpenAIのWhisperモデルを使ったブラウザー上の文字起こしツールです。130以上の言語から選べます。地域別の設定や、音声が聞き取りにくい場合のNoise / Low-Quality Audio/Videoモードもあります。スペイン語の音声や中国語の音声など、よく使う言語には専用ページがあります。話者が言語を切り替える場合は、Multilingual Mixが英語、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、オランダ語に対応します。

録音がGoogle Drive、Dropbox、Vimeo、YouTubeのいずれかにある場合は、ダウンロードする代わりにURLから文字起こしできます。インタビューや会議では、話者識別を有効にします。

ステップ2:元の言語の文字起こしを修正する

文字起こしの誤りはすべての翻訳に引き継がれるため、先に修正します。まず人名、製品用語、略語を検索し、残す予定の数値は音声を聞き直して確認します。明瞭な音声での文字起こし精度は最大99%です。背景の雑音、強いアクセント、発言の重なりがあると精度は下がるため、見直しの時間を確保しておきましょう。

ステップ3:修正したテキストを翻訳する

文字起こしをDOCXまたはTXTで書き出し、テキスト翻訳ツールで処理します。先にファイル形式の制限を確認してください。以下は2026年11月時点の情報です。

  • Google翻訳は、Google翻訳ヘルプによると、.docx、.pdf、.pptx、.xlsx形式で最大10 MBの文書を翻訳できます。PDFは300ページ以下に限られます。対応形式の一覧には字幕ファイルが含まれていません。
  • DeepLの対応ファイル形式には、DOCX、PDF、TXTが記載されています。SRTとVTTも記載されていますが、Pro Individual、Pro Team、Pro Business、APIの各プランに対応し、字幕ファイル1つにつき150 KBまたは200 KBの上限があります。DeepLの無料アカウントはTXTに対応していません。

ツールが補足情報を受け付ける場合は、誰が話しているか、想定する読者、どの程度フォーマルな訳文にするかを伝えます。

ステップ4:原文と翻訳を並べて保管する

原文と訳文は、interview-04_es_v2.docxとinterview-04_en_v2.docxのように対応するファイル名で、セットにして保存します。訳文の一部に疑問が出たとき、元の発言を確認できます。

方法2:音声を直接英語のテキストにする

翻訳先が英語で、主な目的が録音の理解や要約なら、直接翻訳で手順を1つ省けます。

「音声を英語に翻訳」ページを使う

whispertranscribe.aiの音声を英語に翻訳するページでは、ほかの言語で話された音声を英語のテキストに変換できます。ページはこの機能を英語への翻訳として案内しており、出力は英語のため、複数の翻訳先言語の一覧はありません。

  1. 音声の言語を選ぶ。 ステップ1では、翻訳先ではなく録音で話されている言語を選びます。ページの案内では、正しく選ぶと英訳の精度が上がり、結果に満足できない場合は別の設定を試せます。
  2. ファイルをアップロードする。 ステップ2では、MP3、WAV、M4A、MP4、MOV、MKVなど、一般的な音声・動画形式を受け付けます。
  3. 話者識別を有効にする。 複数の話者がいる場合に使います。翻訳時にも話者識別を利用できるとページに記載されています。
  4. Translate audio to Englishを選ぶ。 英語のテキストを確認し、書き出します。

出力は作業用の下書きとして扱ってください。翻訳品質は保証されません。元の言語の文字起こしも必要なら、通常の文字起こしも実行します。

オープンソースのWhisperをパソコンで使う

OpenAIのWhisperリポジトリには、英語を出力する翻訳タスクの使い方が記載されています。

whisper japanese.wav --model medium --language Japanese --task translate

READMEの注意点は2つあります。既定のturboモデルは翻訳用に学習しておらず、--task translateを指定しても元の言語を返します。翻訳にはmediumまたはlargeを使います。また、直接翻訳の出力は英語のみです。ドイツ語の音声からフランス語のテキストを作る場合は、別にテキストの翻訳が必要です。

Whisperの論文によると、学習データには、さまざまな言語から英語への音声翻訳データが125,000時間含まれていました。評価に使われたCoVoST2のデータで学習していない状態で、WhisperはBLEUスコア29.1を記録しました。著者はこれを当時の最高水準と報告しています。BLEUが測るのは、機械の出力と参照訳の一致の度合いです。正しく訳された文の割合ではありません。同じ論文は、一部の学習データが豊富な言語では、Whisperがその言語向けに直接学習した従来のシステムに及ばず、学習データの量で品質を予測するのは、文字起こしに比べて翻訳の方がはるかに難しいとも報告しています。

方法3:多言語字幕を作る(SRTとVTT)

動画では、元の言語で字幕ファイルを1つ作り、各字幕の文面だけを翻訳します。表示時刻はすべての言語で共通です。

ステップ1:元の言語の字幕ファイルを作る

字幕生成ツールまたはMP4からSRTへの変換ツールを使い、話されている言語の字幕をSRTまたはVTTで書き出します。まずこのファイルの文面と表示時刻を直します。すべての言語のひな形になるためです。

ステップ2:構造を保ち、字幕の文面だけ翻訳する

SRTの各字幕には、番号、タイムコードの行、文面があります。変更するのは文面だけです。以下は架空の例です。

12
00:01:04,200 --> 00:01:07,900
La reunión empieza el 3 de mayo a las 15:00.
12
00:01:04,200 --> 00:01:07,900
The meeting starts on May 3 at 3 p.m.

字幕番号とタイムコードは同じままです。日付や時刻の表記は、翻訳先の読者に合わせます。文書ファイルしか受け付けないツールを使う場合は、字幕の文面を表にコピーし、翻訳した文面を元のファイルに字幕ごとに貼り戻します。前述のとおり、DeepLの有料Proプランでは、SRTやVTTを直接処理できます。

ステップ3:表示時間内に読める長さか確認する

翻訳すると原文より長くなり、元の言語では3.7秒で無理なく読めた字幕が、翻訳後は読み切れなくなることがあります。長い字幕は分割するか、表現を短くします。タイムコードを動かす場合は、音声と合うかを改めて確認します。

ステップ4:言語ごとに別のトラックとしてアップロードする

ファイル名には、talk.en.srtやtalk.es.srtのように言語コードを付け、サービス上で言語ごとに別の字幕トラックとしてアップロードします。切り替え可能なソフト字幕なら、視聴者が言語を選べます。

方法4:人が確認する工程を入れる

公開や引用、意思決定に使う内容は、両方の言語が分かる人に原文と訳文を照らし合わせてもらいます。機械翻訳は、誤訳があっても自然な文章に見えることがあります。

簡単なレビュー表を使うと、確認を効率よく進められます。以下は架空の記入例です。

字幕番号 原文 翻訳 判定 確認メモ
#37 Vamos a cerrar el trato el lunes We'll close the deal on Monday 問題なし —
#81 Eso no es moco de pavo That's not turkey snot 慣用表現 「That's no small thing」と訳す
#126 Facturamos 1,5 millones We invoiced 1.5 million 数値 話者に通貨を確認する

担当者には、固有名詞、数字、引用箇所、法律・医療用語、不明と印を付けた箇所を重点的に確認してもらいます。whispertranscribe.aiは人の手による文字起こしや翻訳を提供していません。自分で行うか、専門家に依頼します。

音声翻訳の品質に影響する要因

品質は、音声をテキストに変換するときと、テキストを別の言語に翻訳するときの2段階で決まります。両方に影響する要因もあります。

要因 文字起こしへの影響 翻訳への影響 対処法
音質(雑音、反響、マイクとの距離) 単語の聞き落としや聞き間違い 誤りがすべての言語に引き継がれる マイクの近くで録音し、最も音質のよい元ファイルを使う
アクセントと方言 地域特有の話し方で誤りが増える 地域の語彙を字面どおりに訳すことがある 地域別の設定があれば選ぶ
専門用語 聞こえた音のままのつづりになる 対応する訳語が誤っていたり、統一されなかったりする 用語集を用意し、原文の用語を直す
言語の組み合わせ 話されている言語によって精度が異なる よく使われる言語の組み合わせの方が良い結果が出やすい あまり使われない言語には十分な確認時間を取る
固有名詞 人名や地名が普通名詞に置き換わる 固有名詞が別の語に翻訳・変更される 作業前に名前をリスト化し、検索して修正する
言語の切り替え 文の途中で言語を誤判定する 複数言語が混じったテキストを正しく訳せないことがある 複数言語向けのモードを使い、言語ごとに印を付ける
発話の重なり 発言がまとめられたり、落ちたりする 話者の意図が伝わらなくなる マイクを分け、発言が遮られた箇所の話者ラベルを確認する

Googleの音声データを用意する際のベストプラクティスによると、MP3やM4Aなどの非可逆コーデックは認識精度を下げることがあり、非可逆コーデックを使った音声では、雑音や反響の影響がさらに大きくなります。OpenAIのREADMEでは、Whisperの認識性能は言語によって大きく異なるとしています。長い録音をまとめて処理する前に、短いサンプルで結果を確かめるとよいでしょう。

翻訳後のチェックリスト

翻訳するたびに、チームの外へ共有する前に次の点を確認します。

  • 数字。 すべての数値が実際の音声と合っています。小数点の表記に注意します。多くの欧州言語の「1,5」は、英語では1.5です。
  • 通貨と単位。 換算することを明記する場合を除き、通貨は話者が使ったものを残します。キロメートルを断りなくマイルに変えないようにします。
  • 名前と肩書。 人名、社名、地名には本人や組織が使うつづりを用い、名前を翻訳しません。
  • 日付と時刻。 日と月の順序は国によって異なります。03/04は4月3日にも3月4日にもなります。誤解を避ける必要があるときは、月を言葉で書きます。
  • 引用。 直接引用する箇所は、文字起こしだけでなく音声とも照らし合わせています。
  • 慣用表現とユーモア。 直訳になっている慣用表現を自然な言い方に置き換えるか、確認が必要な箇所として印を付けています。
  • 文化的な背景。 翻訳先の読者に伝わりにくい言及は、断りなく書き換えず、短い補足を添えています。
  • 言葉遣い。 túとusted、duとSieなど、親しみのある呼び方と丁寧な呼び方を話者の関係に合わせています。
  • 話者ラベル。 各行が正しい話者に割り当てられています。
  • 不明な箇所。 聞き取りや解釈に確信がない場合は推測せず、両方の言語で[unclear]と記しています。

プロの翻訳者に依頼すべき場面

誤訳が金銭、健康、法的な立場、信頼に関わる場合は、資格のある翻訳者に依頼してください。以下は一般情報であり、法的助言ではありません。要件は国、裁判所、機関によって異なるため、実際の提出先に確認してください。

用途 機械翻訳の出力だけでは足りない理由
移民手続きの書類 米国の規則(8 CFR 103.2(b)(3))では、米国市民権・移民局(USCIS)へ提出する外国語文書に完全な英訳を添付し、翻訳者が訳文の完全性と正確性、および翻訳に必要な能力を有することを証明する必要がある
裁判の証拠や証言録取 翻訳や翻訳証明を行える者について、裁判所が独自の規則を定めていることがある
契約書や合意書 1語の誤訳で義務が変わることがある
診察や医療記録 投薬量、症状、同意を正確に伝える必要がある
公開される引用や報道資料 発言の誤引用は信頼を損ない、法的責任につながることがある

社内メモ、調査の下書き、動画の内容把握など、誤りの影響が比較的小さい用途では、機械翻訳して自分で見直すだけで足りる場合が多いでしょう。

どのファイル形式で書き出せばよいか

次の作業に合わせて形式を選びます。whispertranscribe.aiでは、文字起こしをDOCX、PDF、TXT、CSV、SRT、VTTで書き出せます。

形式 向いている用途
DOCX Word、DeepL、Google翻訳での翻訳。コメントを付けた編集
TXT 翻訳ツールや別のアプリへの貼り付け
PDF 確定した訳文を固定した形式で保管
CSV 原文と訳文を並べたレビュー表や、調査での分類コードの付与
SRT YouTube、動画編集ソフト、動画プレーヤー用の字幕トラック
VTT Web上のHTML5動画プレーヤー用の字幕

よくある質問

音声の文字起こしと、音声からテキストへの翻訳はどう違いますか?

文字起こしは元の言語を保ちます。スペイン語の音声なら、スペイン語のテキストになります。音声からテキストへの翻訳では、スペイン語の音声を英語のテキストにするなど、別の言語で出力します。文字起こししてから翻訳する2段階の方法と、音声から翻訳先のテキストを直接出力する1段階の方法があります。2段階の方法では翻訳前に原文を修正できるため、確認しやすく、別の言語を追加するときにも原文を再利用できます。

Whisperで英語以外の言語に音声を翻訳できますか?

Whisperの組み込みの翻訳タスクは、英語のみを出力します。さまざまな言語の音声を入力できますが、翻訳結果は英語のテキストになります。英語以外に翻訳するには、まず元の言語で文字起こしし、テキスト翻訳ツールで翻訳します。OpenAIのREADMEによると、既定のturboモデルは翻訳用に学習していないため、翻訳を指定しても元の言語を返します。Whisperで翻訳する場合は、mediumまたはlargeモデルを使います。

先に文字起こししてから翻訳する方がよいですか?

公開、引用、複数言語への翻訳が目的であれば、多くの場合は先に文字起こしする方が適しています。修正できる原文が残るため、聞き間違えた人名や数値は原文で一度直せば済み、訳文ごとに直す必要がありません。録音の内容を把握するだけなら、音声から直接英語に変換する方が速く、用途にも合います。多言語字幕では、校正済みの原語SRTやVTTを出発点にするのが実用的です。

音声翻訳の精度はどのくらいですか?

音質、言語の組み合わせ、扱うテーマによって異なるため、どの条件にも当てはまる精度の数値はありません。明瞭な音声なら、文字起こしは高い精度で行えます。whispertranscribe.aiでは、明瞭な音声で最大99%の文字起こし精度が得られますが、雑音やアクセントがあると下がります。翻訳でも別の誤りが生じます。特に慣用表現、名前、専門用語を確認してください。一般的な言語の組み合わせでは、あまり使われない組み合わせより良い結果が出る傾向があります。数値、人名、引用は自分で確かめ、重要な内容は両方の言語が分かる人に見てもらいましょう。

タイムスタンプを保ったまま字幕を翻訳できますか?

字幕番号とタイムコードをそのまま残し、各字幕の文面だけを翻訳します。手作業で翻訳する、字幕テキストを翻訳ツールに貼り付けて訳文を戻す、字幕ファイルに対応したツールを使う、といった方法があります。DeepLはPro Individual、Pro Team、Pro Business、APIの各プランでSRTとVTTを対応形式に挙げています。Google翻訳の文書翻訳機能の対応一覧には、字幕形式がありません。翻訳後、長くなった文面が画面に出ている間に読めるか確認します。

法律や医療に関する録音を機械翻訳してもよいですか?

概要を把握するための下訳として使えます。最終版には、人の確認を経た訳文を使ってください。法律、医療、契約、移民関連の資料では資格のある翻訳者が必要になる場合があり、提出先によっては翻訳者による証明も求められます。たとえば米国の移民手続きでは、英訳が完全で正確である旨を翻訳者が証明します。国や機関によって要件が違うため、提出先に確認してください。この説明は一般情報であり、法的助言ではありません。


録音を翻訳したい方へ。 音声を英語に翻訳するページに録音をアップロードできます。字幕を作る場合や英語以外に訳す場合は、まず元の言語で文字起こしします。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(料金ページ)。whispertranscribe.aiは、API、人の手による文字起こし、会議用ボットを提供していません。

参考資料

録音を文字に起こしませんか?

whispertranscribe.ai で音声と動画を文字起こしできます。

文字起こしを始める ↗