動画をテキストに変換する方法|動画文字起こしガイド

whispertranscribe.ai 編集部 · 最終更新 2026年11月 · 読了の目安 13分

動画のテキスト変換ツールは、動画の音声トラックから話し声を認識し、編集や検索、字幕作成に使える文字起こしを返します。話されている言語を選び、ファイルをアップロードするかリンクを貼り付けます。複数の人が話している場合は話者識別を有効にし、DOCX、TXT、PDF、CSV、SRT、VTTなど、用途に合う形式で書き出します。

この記事では、動画の保存・再生場所に応じた4つの手順、動画で起こりやすい問題、用途ごとの書き出し形式を紹介します。主要ツールの料金も比較します。確認時点は2026年11月です。

動画のテキスト変換ツールが処理するもの

変換ツールが処理するのは映像ではなく音声です。MP4、MOV、MKVなどのコンテナ内にある音声ストリームを読み、音声認識を行って、発話のまとまりごとにタイムスタンプを付けます。スライドの文字、画面上のコード、映像に焼き付けた字幕は文字起こしに入りません。

文字起こしの品質は音声で決まります。視聴者が見るだけの情報は、あとから自分で補う必要があります。W3Cの文字起こしに関するガイドは、こうした視覚情報も含めたものを「説明付きの文字起こし」と呼んでいます。

動画がある場所に合わせて4つの方法から選ぶ

動画がいまある場所に合わせて、手順を選びます。

動画の状態 よくある例 適した方法 先に確認すること
端末にあるファイル スマートフォンの動画、カメラ映像、ZoomやOBSの録画、編集ソフトから書き出した動画 ファイルをアップロード 5 GBと10時間の上限内か。目的の発話が入った音声トラックか
リンクで開くオンライン動画 YouTube、Vimeo、Google Drive、Dropbox リンクを貼り付ける ログインせずにリンクを開けるか
現在画面に映っている動画 ウェビナー、製品デモ、ブラウザーのタブでの通話 画面を録画してから文字起こし システム音声やタブの音声を収録できるか
字幕がすでにある動画 自分がYouTubeに投稿した動画、字幕トラック付きのMKV 字幕を再利用。品質が低い場合は文字起こし 自動生成字幕か、編集済みの字幕か

1. パソコンやスマートフォンにある動画ファイル

編集ソフトや録画アプリから書き出した元ファイルをアップロードします。メッセージアプリで送ったコピーは、音声が再圧縮されていることがあります。whispertranscribe.aiの動画をテキストに変換するページは、最大5 GB、最長10時間のファイルに対応します。

2. YouTube、Vimeo、Google Drive、Dropboxのリンク

URLから文字起こしするツールは、YouTube、Vimeo、Google Drive、Dropboxのリンクに対応します。リンクは公開されている必要があります。処理できない場合は「公開リンクであり、ログインせずにダウンロードできるか確認してください」という案内が表示されます。

Google Driveでは、共有を開き、一般的なアクセスでリンクを知っている全員を選びます。Googleの共有ヘルプによると、この設定でログインせずにファイルを開けます。勤務先や学校のアカウントで制限されている場合は、ファイルをダウンロードしてアップロードします。YouTube専用のYouTube文字起こしページでも、同じようにリンクを貼り付けます。

3. 画面で再生中の動画

動画ファイルが手元になければ、先に録画します。ブラウザー上の画面録画ツールは、画面、Webカメラ、マイク、システム音声を収録し、文字起こし、AI要約、字幕を生成します。通話相手の声など、パソコンから出る音声も必要なら、システム音声を含める設定にします。設定しないと、自分のマイクの音だけが録音されます。

4. 字幕がすでにある動画

使える字幕テキストがあるか確認します。

  • 他の人のYouTube動画。 字幕がある場合は、動画の説明欄で文字起こしを表示をクリックすると、再生に合わせてテキストを読めます。YouTubeヘルプもこの手順を案内しています。自動生成字幕には話者ラベルがなく、名前を間違えることがあります。
  • 自分がYouTubeに投稿した動画。 YouTube Studioから字幕トラックをダウンロードできます。両方の方法はYouTube動画を文字起こしする方法で解説しています。
  • 字幕トラックを内包するファイル。 MKVとMP4では、テキスト字幕を別のストリームとして格納できます。FFmpegで一覧を表示し、取り出せます。
ffprobe -v error -show_entries stream=index,codec_type,codec_name -of compact input.mkv
ffmpeg -i input.mkv -map 0:s:0 subtitles.srt

編集部で作成したテストファイルに対し、FFmpeg 7.1.5で両方のコマンドを実行しました。1つ目でsubripストリームが表示され、2つ目でSRTとして保存できました。確認したのはコマンドの構文です。DVD字幕のような画像ベースの字幕は、この方法でテキストにできません。編集ソフトやタイムコードについては、SRT字幕を書き出す方法で詳しく説明しています。

whispertranscribe.aiで動画をテキスト化する手順

以下はwhispertranscribe.aiの動画をテキストに変換するページに沿った手順です。whispertranscribe.aiは、OpenAIのWhisperを使ったWeb上のAI文字起こしツールです。音声や動画を130以上の言語でテキスト化し、最大5 GB、最長10時間のアップロードに対応します。Webブラウザーで動くので、アプリのインストールは不要です。

  1. 話されている言語を選ぶ(ページのStep 1)。 130以上の言語が一覧にあります。English (India)のような地域別の設定、多くの言語で使えるNoise / Low-Quality Audio/Video、複数の言語を切り替える動画向けのMultilingual Mixが用意されています。
  2. 動画を追加する(Step 2)。 ファイルを枠にドラッグするか、ファイル選択画面から開きます。リンクの場合はURLから文字起こしを開き、Start URL Transcriptionをクリックします。
  3. Enable Speaker Detectionをオンにする。 インタビュー、パネル討論、会議では話者識別を有効にします。ナレーターが1人ならオフにします。
  4. 文字起こしを始める。 アップロード枠の下にある変換ボタンを使います。
  5. 見直して書き出す。 動画と照らし合わせて人名、数字、話者の切り替わりを確認し、表を参考に用途に合う形式でダウンロードします。

明瞭な音声での精度は最大99%です。BGM、室内の雑音、強いアクセント、声の重なりがあると精度が下がるため、校正の時間を確保してください。試す場合は無料文字起こしページをアカウント登録なしで使えます。プランを契約せずに処理・書き出しできる範囲はサイトで定められ、変更される場合があります。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)。

アップロードできる動画形式

アップロード欄には、音声形式と合わせて、MP4、MOV、M4V、MKV、AVI、WMV、WEBM、MPG、MPEGが記載されています。そのままアップロードできます。

コンテナ 主な入手元 アップロード前の確認
MP4 スマートフォン、Zoomの録画、多くの編集ソフト チャットアプリのコピーより、最終書き出しファイルを使う
MOV iPhoneのカメラ、QuickTime、Appleの編集アプリ 高画質で書き出すと容量が増える。5 GBを超える場合は音声を抽出する
M4V Apple系の書き出し、一部の変換ツール MP4と同じように扱う
MKV OBSの録画、複数トラックのあるファイル 発話が入っている音声トラックを確認する
AVI、WMV 古いカメラやWindowsソフト そのまま使える。古いファイルでは音声が聞き取りにくいことがある
WEBM ブラウザー上の録画ツールやWebツール そのまま使える
MPG、MPEG DVD、古いビデオカメラ、テレビの録画 そのまま使える。ノイズが多い場合がある

音声トラックが複数ある場合。 OBSではマイクごとに別のトラックで録音でき、映画には吹き替えトラックが入っていることがあります。ページには、どのトラックが文字起こしされるか記載されていません。必要なトラックをMP3で抽出し、アップロードします。たとえば、ffmpeg -i input.mkv -map 0:a:1 -vn speech.mp3は2番目の音声トラックを抽出します。

ファイルが大きすぎる場合。 動画からMP3に変換するツールは、動画をアップロードせずにブラウザー内で音声を取り出せると案内しています。変換したMP3は元の動画よりかなり小さくなります。

動画の文字起こしで起こりやすい問題と対処法

動画には、ボイスメモでは生じない問題もあります。以下は編集時の対処法で、編集部による精度テストの結果ではありません。

問題 動画で起こる理由 対処法
BGMが発話に重なる イントロ、補足映像、Vlogなどで声の下に音楽が流れる 編集ソフトで声だけを書き出して文字起こしする。難しければNoise / Low-Qualityを使う
話者が複数いる パネル討論、映像付きポッドキャスト、会議など 話者識別を有効にし、結果の「Speaker 1」「Speaker 2」を名前に変更する
画面共有でデモをする 重要な情報が画面にあり、キーボードやファンの音が大きい 画面の文字を手作業で補う。通知音を切り、マイクを口元に近づける
字幕と口の動きが合わない 文字起こし後に動画をトリミングしたり、再生タイミングを変更したりした 最終版から字幕を作り直すか、字幕編集ソフトですべてのタイムスタンプを調整する
録画が長い ウェビナー、講義、配信は数時間に及ぶ 10時間と5 GBの上限を守る。超えるファイルは分割するか音声を取り出す
言語が混在する バイリンガルのインタビューや、司会者が言語を切り替える動画 Multilingual Mixを使うか、動画を言語ごとに分ける

発話の下に音楽がある場合。 自分で作った動画なら、音楽をミュートした版を書き出します。タイムラインの長さは変わらないので、タイムスタンプは元の動画と一致します。言語設定の English (Songs & Lyrics) は、歌詞を認識するためのオプションです。BGMの上に話し声が重なる素材には向いていません。

画面録画の場合。 「ここをクリックして、これを入力します」という発言だけでは、テキストを読んでも操作が分かりません。校正時に「[Settings > Billing]」のように、画面で示した内容を角括弧付きで補います。

非常に長い動画

このページで10時間を超えるファイルを選ぶと、短くするよう求められます。FFmpegなら長い録画を再エンコードせずに分割できます。

ffmpeg -i stream.mp4 -c copy -f segment -segment_time 18000 -reset_timestamps 1 part_%02d.mp4

このコマンドは、5時間ごとの分割を指定しています。12秒のテスト動画を5秒ずつにする構文確認では、最初のファイルが約6秒になりました。再エンコードしない場合、切断位置がキーフレームになるためです。分割後の長さは目安で、各ファイルのタイムスタンプはゼロから始まります。

用途に合う書き出し形式

テキストを次に使う場所に合わせて形式を選びます。1つの文字起こしを複数回、別の形式で書き出せます。

形式 動画プレーヤー用の表示時刻 開けるツール 適した用途
DOCX なし Word、Google ドキュメント 記事、番組の概要、講座の配布資料に編集
PDF なし PDFリーダー全般 確定版として顧客へ渡す、または保管する
TXT なし テキストエディター、CMS、AIアシスタント 別の場所に貼り付ける、または要約する
CSV ページに記載なし Excel、Google スプレッドシート 発言を並べ替える、分類コードを付ける、引用箇所を検索する
SRT あり YouTube、Vimeo、Premiere、Resolve、VLC 動画サービスや編集ソフトの字幕にする
VTT あり HTML5 Webプレーヤー、Vimeo、YouTube 自社サイトの動画プレーヤーの字幕にする

字幕が主な目的なら、字幕生成ツールやMP4からSRTへの変換ツールのMaximum Words per Subtitleを使うと、字幕を短くできます。既定値は8です。whispertranscribe.aiは外部の字幕ファイルを生成します。映像への焼き付けは行いません。アップロードについては、SRTファイルの解説と動画に字幕を付ける方法を参照してください。

4つの用途別に見る動画の文字起こし手順

いずれも完成した動画を出発点に、公開や送付に使える形に整えます。

オンライン講座や講義の録画

  1. 文字起こしを各モジュールと対応させるため、レッスンごとにファイルを分けて書き出します。
  2. 講師の言語と地域に合う設定を選びます。学生も発言する場合は話者識別を使います。
  3. 講座プレーヤー用にSRT、配布資料用にDOCXを書き出します。見出しを付け、数式などスライドにしかない内容を角括弧付きで補います。
  4. W3Cの推奨に従い、動画のすぐ下に文字起こしか、そのリンクを置きます。

動画インタビュー

  1. 可能なら話者ごとにマイクを用意します。どこで話者が交代したか判別しやすくなります。
  2. 話者識別を有効にしてアップロードし、自動で付いた話者ラベルを名前に変えます。
  3. 調査回答の分類コードを付けるならCSV、Q&A記事にするならDOCXで書き出します。
  4. 引用する行はすべて聞き直し、文字起こしの使用目的をインタビュー相手に伝えます。

会議やウェビナーの録画

  1. サービスから取得したMP4を使うか、システム音声をオンにして画面録画します。
  2. 話者識別を有効にし、要約用にTXT、議事録用にDOCXを書き出します。
  3. 決定事項と担当者を冒頭に短いリストでまとめます。
  4. 不要になったファイルは削除します。TeamsやZoomでの手順は、Zoom会議を文字起こしする方法でさらに詳しく説明しています。

自分のYouTube動画を記事に再利用する

  1. 自分の動画リンクをURL文字起こしツールに貼り、TXTで書き出します。
  2. つなぎ言葉、言い直し、「ここを見てください」といった映像を前提とする箇所を整理します。
  3. 動画のチャプターをH2見出しにし、画面を指した箇所にはスクリーンショットを添え、記事の冒頭に動画を埋め込みます。
  4. 別の言語の視聴者にも届けたい場合は、音声を英語に翻訳するか、別の字幕トラックを追加します。

記事に再利用するのは、自分の動画か、利用許可を得た動画に限ります。以下の著作権の項目を参照してください。

動画のテキスト変換ツール比較(2026年11月確認)

本ガイドはwhispertranscribe.aiが公開しているため、自社ツールを先頭に載せ、制約も記載しています。数値は2026年11月に各社のページで確認したものです。「確認できず」は、ページにアクセスしても該当する数値を読み取れなかった項目を示します。

ツール 有料プランの最低価格 無料で使える範囲 対応する動画リンク 言語数 書き出し形式(各社の記載) 実際に困りやすい点
whispertranscribe.ai 年払いで月額9.99米ドルから アカウントなしで無料利用を開始可能。上限はサイトに記載 YouTube、Vimeo、Google Drive、Dropbox 130以上 DOCX、PDF、TXT、CSV、SRT、VTT カスタム語彙、字幕の焼き付け、人の手による文字起こし、モバイルアプリには非対応。公開リンクが必要
TurboScribe 年払いで月額10米ドル(月払いは20米ドル) 1日3ファイル、1ファイル最長30分 YouTube(アップロード形式の一覧に記載) 98以上 DOCX、PDF、TXT、CSV、SRT、VTT 1アカウントにつき1人。無料の処理は優先度の低い待ち行列に入る
HappyScribe 年払いで月額8.50米ドル(月払いは17米ドル)、月120分のAI処理 10分のAI利用トライアル YouTube、Vimeo、Drive、Box、Dropbox 150以上 BasicはTXT、SRT、PDF、DOCX。VTTはProから 長い動画ではBasicの利用時間を早く使い切る
Descript 年払いで1人あたり月額16米ドル(月払いは24米ドル)、メディア10時間 月60分のメディア処理枠 未確認 25 未確認 文字起こしをしないファイルもアップロードするたびに時間枠に計上。編集向けで、大量文字起こし向けではない
VEED 確認できず 登録前に試用でき、ダウンロードには登録が必要。無料の動画書き出しには透かしが入る 未確認 125以上 有料プランでTXT、SRT、VTT 字幕・文字起こしのファイルを取得するにはアップグレードが必要
Notta 年払いで月額8.17米ドル(年額97.99米ドル) 月120分、1会話あたり最長3分 未確認 58 書き出しはProが必要 無料プランでは文字起こしを書き出せない
YouTube「文字起こしを表示」 無料 無料 字幕が用意されている動画のみ 動画の字幕言語による なし(閲覧とコピーのみ) 話者ラベルやファイル出力がなく、字幕のない動画では利用できない
  • TurboScribeもWhisperを使い、ファイルの上限は同じ10時間と5 GBです。プラン構成、対応言語、対応リンクの種類が異なります。
  • HappyScribeは人の手による校正を1分あたり2.00米ドルから提供しています。編集部のツールには人の手による文字起こしがないため、すべての語を人が確かめる必要がある記録にはHappyScribeが適しています。
  • DescriptとVEEDは、動画編集を主な用途とするツールです。テキストを編集して動画を切ったり、装飾した字幕を映像に焼き付けたりする用途に使えます。
  • Nottaの有料プランにはカスタム語彙が記載されています。編集部のツールにはこの機能がありません。

動画以外も含めた比較はAI文字起こしソフトの比較を、音声のみの場合はオンライン音声テキスト変換ツールのガイドをご覧ください。

アップロード前に確認する著作権とプライバシー

この項目は一般情報であり、法的助言ではありません。

利用する権利がある動画を文字起こしする。 自分で録画したもの、ライセンスを取得した映像、処理の許可を得た素材などが対象です。文字起こしは発言内容を複製するため、第三者の発言全文の公開には、動画の再投稿と同じような問題が生じます。米国のフェアユースは4つの要素に基づいて個別に判断します。米国著作権局によると、作品のどれだけの量なら自動的に認められるかという一律の基準はありません。whispertranscribe.aiの規定でも、権利者の同意を得ずに第三者の著作権で保護された音声や動画を文字起こしすることを禁止しています。判断に迷う場合は、権利者や弁護士に確認してください。

映っている人の同意を得る。 録画を文字起こしすることを参加者に伝えます。同意のルールは地域によって異なります。米国については州別の通話録音法ガイドをご覧ください。

アップロードしたファイルの扱いを把握する。 whispertranscribe.aiのプライバシーポリシーの要点は以下のとおりです。

  • アップロードした元の音声・動画ファイルは、処理後に自動で削除されます。
  • 処理中に抽出したMP3は既定で30日間保存され、自分で早めに削除することもできます。
  • 文字起こしは、自分で削除するまでアカウントに残ります。削除は取り消せず、ポリシーにはバックアップを保持しないと記載されています。
  • コンテンツはAIモデルの学習には使用されず、人が内容を確認することもありません。
  • セキュリティ対策として、通信中のデータにTLS 1.3、保存中のデータにAES-256を使うと記載されています。OpenAIがAIサービス提供者として挙げられています。

同じポリシーでは、メディアファイルの文字起こしを個人的な非商用利用向けとしています。顧客向けや社内業務で使う前に、プライバシーポリシーと利用規約の全文を確認してください。

よくある質問

動画のテキスト変換ツールは何を基準に選べばよいですか?

ふだん扱う動画を正しく処理できるかが重要です。いつもの音声から同じ1分間のサンプルを切り出し、候補のツールで試します。長い動画や多言語には、どちらも最長10時間のファイルを受け付けるwhispertranscribe.aiやTurboScribeが候補です。HappyScribeには有料の人手校正もあります。DescriptとVEEDは動画自体も編集する人に向いています。公称精度に加え、話者ラベル、人名の認識、書き出し形式を比べてください。

無料で動画をテキストに変換できますか?

利用上限はありますが、無料でもできます。YouTubeでは字幕がある動画の文字起こしを無料で表示でき、FFmpegならMKVやMP4の既存テキスト字幕トラックを無料で抽出できます。多くの変換ツールにも無料で始められる入口があります。whispertranscribe.aiにはアカウント不要の無料ページがあり、TurboScribeは1日3ファイルまで処理できます。無料枠では、長さ、処理量、書き出しに上限がある場合が多いので、各サイトで確認してください。

YouTube動画をテキストに変換するにはどうすればよいですか?

字幕がある場合は、説明欄の「文字起こしを表示」からテキストを読めます。話者ラベル付きのダウンロード用ファイルが必要なら、URL文字起こしツールにYouTubeリンクを貼り、音声の言語を選んで、TXT、DOCX、SRTのいずれかで書き出します。動画は公開されている必要があります。発言内容を複製する処理なので、自分の動画か、利用許可を得た動画を文字起こししてください。

画面に表示された文字も動画から取得できますか?

動画のテキスト変換ツールは音声トラックを文字起こしします。スライドの見出し、画面のコード、映像に焼き付けた字幕は、話者が読み上げない限りテキストに入りません。チュートリアルや講義では、校正時に画面上の重要な情報を角括弧付きで補います。W3Cが「説明付きの文字起こし」と呼ぶ形式で、動画を見ずに文章を読む人にも情報が伝わります。

何時間までの動画を文字起こしできますか?

whispertranscribe.aiでは、1ファイルあたり最長10時間、最大5 GBです。時間の上限を超えた場合は短くするよう求められます。長い配信は編集ソフトやFFmpegで分割するか、音声をMP3として取り出してください。MP3を使えばファイルも小さくなります。他のツールの上限は異なります。TurboScribeの無料プランでは1ファイル最長30分です。

同じ動画から字幕と文字起こしを両方取得できますか?

同じ文字起こしを複数回書き出し、読むためのDOCXやTXTと、字幕用のSRTやVTTをそれぞれダウンロードできます。YouTubeや多くの動画編集ソフトではSRTが使いやすく、HTML5 WebプレーヤーにはVTTが適しています。字幕を作るのが主な目的なら、1行あたりの単語数を設定できる字幕ツールを使うと、読み切れる長さに収めやすくなります。

動画をテキストにしてみる

whispertranscribe.aiの動画をテキストに変換するツールを開き、130以上の選択肢から音声の言語を指定します。最大5 GB、最長10時間の動画を追加するか、公開リンクをURLから文字起こしに貼り付けてください。

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 ↗