AI文字起こしとは?仕組み、誤認識が起こる場面、ツールの選び方

著者 whispertranscribe.ai 編集部 · 最終更新 2026年11月 · 読了目安 12分 · カテゴリー 文字起こしの基礎

AI文字起こしとは、録音済みまたはリアルタイムの発話を、音声認識モデルで自動的にテキストへ変換することです。ソフトウェアが音声を音響特徴量に変換し、最も可能性の高い語句を推定して、句読点やタイムスタンプ、必要に応じて話者ラベルを付けます。短時間で費用を抑えられますが、精度は録音の状態に左右されるため、重要な記録は人が確認する必要があります。

編集部は、OpenAIのWhisperモデルを使ったブラウザー向け文字起こしサービス、whispertranscribe.aiを運営しています。この記事の技術的な説明では、IBM、AWS、Google Cloud、Microsoftの資料とWhisperの論文を参照しました。この記事のための精度テストは実施していません。

AI文字起こしとは?

AI文字起こしでは、手入力せずに発話内容を文章にできます。自動音声認識(ASR)モデルで音声を認識し、記録として使えるようにテキストを整えます。

  • 入力は、音声や動画のファイル、そのリンク、またはマイクからのリアルタイム音声です。
  • エンジンには、文字起こし付きの大量の音声で学習したASRモデルを使用します。
  • 出力は編集可能なテキストです。通常は句読点、タイムスタンプ、話者ラベルが付き、文書や字幕ファイルに書き出せます。
  • 主な用途は、インタビュー、会議、講義、ポッドキャスト、字幕などです。下書きを素早く作れれば、何時間も節約できます。
  • 苦手な条件には、雑音、遠いマイク、発言の重なり、強いアクセント、固有名詞、専門用語が含まれます。
  • 使い分けの目安として、下書きにはAIを使い、引用や提出に使うもの、判断の根拠になるものは人が確認します。

声で文字を入力する機能は、ディクテーション(音声入力)と呼ばれます。音声入力の仕組みでは、その違いや従来型とエンドツーエンド型の音声認識を解説しています。

AI文字起こしの出力に含まれるもの

多くのツールは話された言葉にさまざまな情報を添えて出力します。必要な情報を先に決めると、比較するツールをすぐに絞り込めます。

要素 内容 用途
語句 モデルが実際の発言に最も近いと推定した内容 記録の中心になる
句読点と大文字 文の区切り、コンマ、固有名詞の大文字表記 読みやすく、引用しやすくなる
整形した数字 「nine hundred dollars」を「$900」と表記するなど 金額や日付を手作業で整える手間が減る
タイムスタンプ 単語や区間の開始・終了時刻 元の音声の該当箇所に戻ったり、字幕を作ったりできる
話者ラベル 発言ごとに「話者1」「話者2」などを付ける 会話の流れを追いやすくなる
書き出し形式 DOCX、PDF、TXT、CSV、SRT、VTTなど 文字起こしを次にどこで使えるかが決まる

6人の会議では、語句が正確でも話者名がなければ内容を追いづらくなります。ツールを比較する前に、必要な出力項目を決めておきましょう。

AI文字起こしの仕組み

AI文字起こしでは、音声をデジタル化して数値の特徴量に変換し、そこから最も可能性の高い語句を推定します。その後、話者ラベルとタイムスタンプを付け、表記を整えます。

ステップ1 音声を取り込み、デジタル化する

発話は空気の振動として伝わります。AWSは、アナログ・デジタル変換器が音波を測定してフィルタリングし、100分の1秒や1,000分の1秒単位の短い区間に分ける過程を説明しています。同資料によると、英語には、ある単語を別の単語と区別する音の単位である音素が約40個あります。

ステップ2 音を特徴量に変換する

元の信号を、音の特徴を簡潔に示す数値に変換します。IBMの音声認識の解説では、入力音声、特徴ベクトルを生成する特徴抽出、デコーダー、最終的な語句の出力に分けて説明しています。特徴ベクトルは、各時点にどの周波数が含まれているかを要約したものです。

ステップ3 最も可能性の高い語句を推定する

デコーダーは、特徴量に最も合う単語の並びを選びます。IBMの説明では、音響モデル(どの音があるか)、発音辞書(どの音の組み合わせがどの単語に対応するか)、言語モデル(どの単語の並びが自然か)の3つを利用します。

ステップ4 エンドツーエンドモデルで処理をまとめる

最近のシステムでは、音声と文字起こしの組み合わせで学習した1つのニューラルネットワークで、これらの機能をまとめることがよくあります。OpenAIのWhisperの論文では、句読点や大文字表記も含めた文字起こしのテキストを直接予測する、エンコーダーとデコーダーから成るTransformerを紹介しています。著者らによると、この方式では自然な書き言葉に整えるための逆テキスト正規化を別途行う必要がありません。モデル自体については、Whisper AIとは?で解説しています。

ステップ5 誰がいつ話したかを判定する

話者分離(ダイアライゼーション)は、語句を認識する処理とは別の作業です。Google Cloudの話者分離のドキュメントによると、システムが話者の交代を検出し、単語ごとに話者番号を付けます。利用者は、想定される話者数の最小値と最大値を設定します。Amazon Transcribeの話者分離ガイドでは、最大30人を区別し、spk_0からspk_29までのラベルを付けると説明しています。ラベルは番号で付くため、名前は利用者が設定します。

ステップ6 タイムスタンプを追加し、表記を整える

GoogleとAWSの出力はいずれも単語または区間ごとに開始・終了時刻を付けます。その時間情報を使って、クリックした箇所から再生できる文字起こしや字幕ファイルを作れます。最後にテキストの表記を整えます。Microsoftの音声サービスのドキュメントでは、この表示上の精度を別に測るトークン誤り率を説明しています。句読点や大文字表記のほか、「nine hundred dollars」を「$900」とするような数値表記も対象です。

AI、人力、AIと人による確認の比較

AI文字起こしの利点は速さと費用です。一語ずつ正確に記録し、内容に責任を持つ担当者が必要な場合は、人力が向いています。AIで下書きを作って人が確認する方法は、その中間にある多くの作業に使えます。

AI文字起こし 人力文字起こし 併用(AIで下書き+人が確認)
作成方法 音声認識モデルが自動で処理 専門の担当者が聞き取って入力 AIが下書きを作り、利用者や専門家が修正
費用 通常は定額制か分単位の料金。当サービスは年払いで月額換算9.99米ドルから 音声の長さに応じて分単位で課金。Revは人力文字起こしが1分1.99米ドルからと案内(2026年11月確認) AI利用料と確認作業の時間
所要時間 ファイルの長さやサービスの混雑状況によるが、通常は数分 Revは12時間以内と案内し、特急対応も用意(2026年11月確認) 下書きに数分と、確認にかかる時間
精度を左右する要因 録音品質、アクセント、専門用語、発言の重なり、選択した言語 担当者のスキルと音質、依頼時に渡される指示 主に確認担当者が名前、数字、話者の切り替わりをどれだけ丁寧に確認するか
内容に対する責任 内容を保証する担当者はいない 業者が保証。Revは人力文字起こしの精度を99%以上と案内 確認した担当者
主な用途 メモ、下書き、検索、公開前に確認する字幕、調査データのコーディング 提出文書、公表する引用、他の人が根拠として使う記録 インタビュー、質的研究、報道、クライアントへの納品物

Revの掲載料金で単純計算すると、1分1.99米ドルで45分のインタビューを依頼した場合、オプション料金を除いて89.55米ドルです。

AIと人による確認を組み合わせる手順

  1. まずAIで下書きを作る。 正しい言語を設定し、話者識別をオンにします。
  2. 話者ラベルを確認して名前を付ける。 以降の確認作業は正しい話者の割り当てが前提になります。
  3. 名前、数字、用語を検索する。 一つずつ元の音声と照合します。
  4. 確認が必要な箇所を聞き直す。 発言が重なった部分、笑い声や音楽が入った部分、聞こえる内容に比べて文章が不自然なほど滑らかな箇所を優先します。
  5. 書き起こしの方式を決める。 つなぎ言葉や言い直しを残す素起こしか、省くケバ取りを選び、全体に適用します。

研究者向けの確認手順は、質的研究のインタビューを文字起こしする方法にまとめています。

AI文字起こしの精度を左右する要因

AI文字起こしの精度は主に録音状態に左右されます。マイクと話者の距離、雑音や発言の重なりの程度、モデルが話者のアクセントや語彙をどれだけ学習しているかが関係します。

Microsoftの単語誤り率に関するガイドでは、誤りの種類から原因を推測できます。語句の抜け落ちが多ければ音声信号の弱さ、余計な語句の挿入が多ければ雑音や発言の重なり、別の言葉への置き換わりが多ければモデルの学習データに少ない専門用語が原因として考えられます。

要因 精度が下がる理由 よく起こる誤り 対処法
マイクとの距離と録音レベル 信号が弱くなり、モデルが発話を推定しにくい 語句の抜け落ち(削除) 話者に近づけて録る。ピンマイクやヘッドセットのマイクを使う
背景の雑音や音楽 雑音で発話が聞き取りにくくなる 余計な語句や誤った言葉が入る 静かな場所で録る。ツールにノイズ対応の言語モードがあれば使う
発言の重なり 2つの声が1つの信号に混ざる 文が混ざる、話者ラベルが間違う 順番に話し、話者ごとに別トラックで録音する
アクセントや方言 学習データに少ないアクセントがある 別の単語に置き換わる 言語の地域別設定を選び、先に短い音声で試す
名前、専門用語、略語 モデルが一般的な言葉を選びやすい もっともらしい別の言葉になる(置換) 用語集を手元に置き、文字起こしで各語を検索する
言語設定の誤りや複数言語 モデルが実際とは異なる言語で認識する テキストが崩れる、意図せず翻訳される 言語を手動で指定する。会話中に言語が切り替わるなら複数言語モードを使う
通話音声や強く圧縮された音声 周波数帯域が狭く、音の細部が失われる ファイル全体で誤認識が起こる 再圧縮したコピーを避け、元の録音を使う

あらゆる音声に当てはまる精度はありません。当サービスを含め、各社の公表値は明瞭な音声を対象としています。whispertranscribe.aiは明瞭な音声で最大99%に達することがありますが、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ります。公表されているベンチマークと自分のファイルで精度を測る方法は、Whisperの文字起こし精度を参照してください。

AI文字起こしが役立つ場面と、人の確認が必要な場面

AI文字起こしは、録音を手入力するよりも早く、検索や編集ができるテキストを作りたい人に向いています。誤りが誰かに損害を与えたり、法的リスクにつながったり、長く保存される正式な記録に残ったりする場面では、人による確認も必要です。

場面 AIだけで十分か 追加で必要な作業
会議や講義のメモ 通常は十分 決定事項、用語、数字を簡単に確認する
公開用のポッドキャストや動画の文字起こし 下書きまで 公開前に校正し、話者名を確認する
字幕とキャプション 下書きまで タイミングとつづりを確認する。アクセシビリティ要件が適用される場合もある
報道や公表する引用 下書きまで すべての引用を音声と照合する
質的研究のインタビュー 下書きまで 全文を確認し、倫理審査で承認されたデータの取り扱いに従う
法的手続き、宣誓証言、証拠 人による対応が必要 資格のある担当者による文字起こしと確認
医療・臨床記録 人による対応が必要 医療従事者が確認し、適用される規制上の義務を満たすサービスを使う

法務、医療、研究では、組織が承認したツールでAIの下書きを作り、人が丁寧に確認する方法が適しています。ここで扱うのは一般的な情報で、法律や医療についての助言ではありません。whispertranscribe.aiはHIPAA、GDPR、SOC 2の認証を取得していません。業務でこれらのいずれかが求められる場合は、関連文書を提示できるサービスを選んでください。録音には同意の問題もあります。米国の規則については、州別の通話録音に関する法律を参照してください。

アップロード前に確認するプライバシーに関する6つの質問

機密性の高い録音をアップロードする前に、サービス紹介ページだけで判断せず、提供元のプライバシーポリシーに次の6点が明記されているか確認しましょう。各項目でwhispertranscribe.aiのプライバシーポリシーの記載も紹介します(2026年11月確認)。

  1. 自分の録音はAIの学習に使われる? ポリシーによると、録音、音声ファイル、文字起こしのテキストは、自社または第三者のAIモデルの学習、ファインチューニング、評価、改善に使いません。当社に代わってコンテンツを処理する事業者にも、これらの用途での使用を認めていません。
  2. 担当者がファイルを聞くことはある? ポリシーでは、録音や文字起こしを人が確認することはなく、コンテンツは自動で処理されると定めています。
  3. ファイルはどのくらい保存される? アップロードした元ファイルは処理が終わると自動で削除されます。サービスが抽出したMP3は標準で30日間保存した後に削除します。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。
  4. すべて消せる? 削除は取り消せる? 保存した音声、文字起こし、MP3ファイルはいつでも削除でき、アカウント全体の削除も申請できます。削除は恒久的です。ポリシーによると、削除済みコンテンツのバックアップや復元はできないため、残したいものは先にダウンロードしてください。
  5. ほかに誰が音声を処理する? ポリシーには、ウェブサイトの分析事業者とともに、AIサービスと機能の提供元としてOpenAIを記載しています。
  6. データはどう保護される? ポリシーでは、ネットワーク上での転送にTLS 1.3、保存時のデータにAES-256を使うとしています。

候補に挙げたどのツールにも同じ6項目を確認しましょう。回答が曖昧な項目や記載のない項目も、選定時の判断材料です。

AI文字起こしツールの選び方とチェックリスト

AI文字起こしツールは、宣伝で目立つ精度だけで判断せず、手元の録音と必要な出力で試して選びましょう。実際に使うファイルを1つ用意し、以下の項目を確認します。

確認項目 選定基準
言語とアクセント ファイルの文字起こしで、使う言語と地域別の設定が選べる
最も長いファイル 1ファイルあたりの容量と長さの上限が、最も長い録音を上回る
音声の取り込み方 ファイル、リンク、ブラウザー録音、会議ツールなど、手元の素材に対応している
話者ラベル テストファイルで話者を正しく区別し、名前を変更できる
書き出し 購入予定のプランに必要な形式(DOCX、SRT、CSVなど)が含まれている
編集 音声を再生しながらテキストを修正できる
プライバシー 上の6つの質問すべてに対する明確な回答が文書にある
利用量に応じた料金 1ファイルあたりの上限と超過料金を含め、標準的な1か月の費用を計算している

用途ごとに具体的な製品を比べたい場合は、おすすめのAI文字起こしソフトを参照してください。

whispertranscribe.aiでAI文字起こしを使う方法

whispertranscribe.aiはWebブラウザーで動作します。言語を選び、アップロード、リンク、録音のいずれかで音声を追加して、話者識別をオンにしてから結果を書き出します。Whisper AI文字起こしツールのページで案内している流れは次のとおりです。

  1. 音声の言語を選ぶ。 130以上の言語から選びます。一部には地域別の設定や「Noise / Low-Quality Audio/Video」モードがあります。音声内で言語が切り替わる場合は、「Multilingual Mix」を使えます。
  2. 音声を追加する。 MP3、WAV、M4A、MP4、MOV、MKVなどの音声・動画ファイルをアップロードできます。1ファイルあたり最大5GB、10時間です。また、YouTube、Vimeo、Google Drive、DropboxのリンクをURLから文字起こしに貼り付けるか、ブラウザーで音声を録音できます。動画には動画の文字起こし、インタビューにはインタビュー文字起こしを参照してください。
  3. 複数人が話す場合は、開始前に 話者識別をオンにする。
  4. 文字起こしして確認する。 話者の切り替わり、名前、数字を音声と照合します。
  5. 書き出す。 DOCX、PDF、TXT、CSVのほか、SRTやVTTの字幕ファイルもダウンロードできます。キャプション作成には字幕生成ツールが使えます。

モバイルアプリやデスクトップアプリ、人力の文字起こし・校正、API、独自の用語リストには対応していません。有料プランは年払いで月額換算9.99米ドルからです。料金 その他の機能は機能一覧、短い録音の方法はオンライン音声入力で確認できます。

AI文字起こしの用語集

製品ページやドキュメントでよく使われる用語をまとめました。

用語 意味
ASR(自動音声認識) 話し言葉をテキストに変える技術。IBMによると、speech-to-textとも呼ばれる。声の主を特定する話者認識とは異なる。
エンドツーエンドモデル 個別の音響モデル、発音モデル、言語モデルを1つのニューラルネットワークで置き換え、音声から直接テキストを生成する。
WER(単語誤り率) Microsoftの定義では、挿入、削除、置換の合計を、人が作成した正解の文字起こしの単語数で割った値。低いほどよい。
TER(トークン誤り率) WERと似ているが、句読点、大文字表記、数字の表記に関する誤りも含める。
ダイアライゼーション(話者分離) 音声を話者ごとに分け、誰がいつ話したかを示す処理。通常は話者番号を付ける。
タイムスタンプ 単語や区間に付く開始・終了時刻。再生位置の移動や字幕に使う。
素起こし つなぎ言葉や言い直し、発話以外の音も残す文字起こし。
ケバ取り 意味を変えず、つなぎ言葉や言い直しを省いて読みやすくした文字起こし。
ITN(逆テキスト正規化) 話し言葉を書き言葉の表記に変える処理。例えば「twenty twenty-six」を「2026」に変える。

よくある質問

AI文字起こしとは?

AI文字起こしは、人が入力する代わりに、音声認識モデルが音声や動画の発話内容を自動でテキストにすることです。多くのツールでは、句読点、タイムスタンプ、話者ラベルを付け、文書や字幕ファイルに書き出せます。人力に比べて大幅に短い時間と少ない費用で作れますが、精度は録音品質に左右されるため、テキストを根拠として使う前に名前、数字、引用を確認してください。

AI文字起こしはどのような仕組みですか?

音声をデジタル化し、音を表す数値の特徴量に変換します。その後、モデルが最も可能性の高い語句を推定します。従来型のシステムは、音響モデル、発音辞書、言語モデルを組み合わせます。Whisperのようなエンドツーエンドモデルでは、1つのニューラルネットワークを使います。そのほかの工程では、ダイアライゼーションと呼ばれる話者ラベル付け、タイムスタンプの追加、句読点や数字の表記の調整を行い、文章として読める形にします。

AI文字起こしは正確ですか?

マイクに近い位置で録音した明瞭な音声なら、現在のAI文字起こしは大半の語句を正確に認識します。whispertranscribe.aiは、明瞭な音声で最大99%に達することがあります。背景の雑音、遠いマイク、発言の重なり、強いアクセント、専門用語があると精度は下がります。精度は録音ごとに異なるため、自分の音声の短いサンプルで試し、名前、数字、引用予定の箇所は必ず確認してください。

AI文字起こしは人力文字起こしより優れていますか?

AIは速さと費用の面で優れています。信頼性が重要な場合は、人による確認が必要です。AIは通常数分で下書きを作れます。人力サービスには数時間かかり、Revは1分1.99米ドルからで精度99%以上を保証する人力文字起こしを案内しています(2026年11月確認)。メモ、調査データのコーディング、下書きには、通常はAIと自分での確認で足ります。裁判所への提出文書、医療記録、公表する引用には、資格を有する担当者による文字起こしか、丁寧な人による確認を行ってください。

機密性の高い録音にAI文字起こしを使っても安全ですか?

提供元の文書化された方針が必要な条件を満たしていれば、利用できる場合があります。音声がAIモデルの学習に使われるか、人が確認するか、ファイルが何日間保存されるか、削除が恒久的か、処理を担う第三者は誰か、データをどのように暗号化するかを確認しましょう。業務でHIPAA、GDPR、SOC 2に関する文書が必要なら、提示できる事業者を選んでください。ここで扱うのは一般的な情報で、法的助言ではありません。

AI文字起こしは話者を区別できますか?

話者分離を備えたツールであればできます。話者が変わった箇所を検出し、発言ごとに「話者1」「話者2」などの番号を付けるため、あとから名前に変更できます。例えばAmazon Transcribeのドキュメントでは、最大30人までとしています。声が似ている、発言が重なる、全員が1台の離れたマイクを使うといった場合にはラベルの精度が下がるため、引用前に確認してください。


実際の録音でAI文字起こしを試してみませんか? アカウント登録なしでwhispertranscribe.aiを試す。最大5GBのファイル、130以上の言語、話者識別、DOCX、PDF、SRT、VTTへの書き出しに対応しています。

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 ↗