音声テキスト変換とは? 音声認識の仕組みと使いどころ

執筆: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

音声テキスト変換とは、話し言葉を聞き取り、編集できるテキストにするソフトウェアです。英語では speech to text や automatic speech recognition(ASR、自動音声認識)とも呼ばれます。話しているそばから文字を表示するリアルタイム方式と、録音や録画が終わってから音声・動画ファイルを文字起こしする方式があります。

この記事を執筆したのは、ブラウザー型の文字起こしサービス whispertranscribe.ai の開発チームです。技術の仕組みに関する説明では、当社の販促資料ではなく、Google、Microsoft、Apple、W3Cの資料や研究レビューを参照しています。

音声テキスト変換とは? 要点

音声テキスト変換は、話し言葉を自動で文字にする技術です。取り込んだ音声から音声認識モデルが最も可能性の高い言葉を選び、ソフトウェアが句読点を付けます。

  • 別の呼び方: 音声のテキスト化、音声認識、ASR、音声入力、talk-to-textなど。
  • 2つの方式: 音声入力や字幕に使うリアルタイム(ストリーミング)方式と、既存の録音を処理するファイル(バッチ)方式。
  • 精度が下がる条件: 精度は元の音声に大きく左右されます。雑音、マイクとの距離、強いアクセント、専門用語、複数人の発話の重なりが誤りを増やします。

音声テキスト変換・音声入力・文字起こしの違い

英語の voice to text と speech to text は同じ意味です。テキスト欄に話して入力する「音声入力」も、録音を文書にする「文字起こし」も、この技術の用途です。一方、英語で voice recognition と呼ぶ技術は、誰が話しているかを識別します。

W3CのWeb Accessibility Initiative(WAI)は、発話を文字にする技術を speech recognition と呼び、voice recognition や speaker recognition は何を言ったかではなく、誰が話したかを識別する技術に使っています。

用語 一般的な意味 主な出力
Voice to text(音声テキスト変換) 話し言葉を文字に変換する技術の一般的な呼び方 画面やファイル上のテキスト
Speech to text(STT) 同じ技術を指し、ソフトウェアの文書でよく使う呼び方 テキスト。タイムスタンプ付きの場合もある
自動音声認識(ASR) 技術分野と、その中核となる認識モデル 最も可能性の高い単語列
ディクテーション・音声入力 キーボード入力の代わりに、テキスト欄に向かって話す カーソル位置に入力された文字
文字起こし 録音や出来事の音声を文書にする 編集、検索、書き出しができる文字起こし原稿
ライブキャプション 音声が流れている間にリアルタイムで表示する文字 画面上の字幕。通常は保存されない
声の認識・話者認識 誰が話しているかの識別 発言内容ではなく、話者のラベル

音声入力は音声テキスト変換の一種です。90分のインタビューを文書にするなら文字起こし、手を使わずメールに返信するなら音声入力が向いています。

音声テキスト変換の仕組み

音声テキスト変換では、音声を取り込み、数値で表せる特徴に変換し、学習済みモデルで最も可能性の高い言葉を推定して、結果を整形します。ここ10年ほどで変わったのは、モデルの作り方です。

  1. 音声の取り込み。 マイクや音声ファイルからデジタル信号を取り込みます。Google Cloud Speech-to-Textの資料では、選べる場合は16,000 Hzで録音するよう推奨しています。低いサンプリングレートでは精度が下がることがあり、それより高くしても目立った差は出ません。
  2. 特徴抽出。 信号を短いフレームに区切り、特徴量に変換します。よく使われるのは、周波数ごとの音のエネルギーが時間とともにどう変わるかを示すスペクトログラムです。
  3. 認識。 モデルが特徴量をもとに、最も可能性の高い単語の並びを推定します。
  4. 整形。 句読点や英語などの大文字・小文字を整えます。タイムスタンプや話者ラベルが付くこともあります。

従来方式:音響モデルと言語モデルの組み合わせ

長年、音声認識は複数の構成要素に分けて実装されていました。2023年のエンドツーエンド音声認識に関する研究レビューでは、従来のシステムを音響特徴の抽出、音響モデル、言語モデル、全体として最適な候補を探す探索処理の4つに分けています。

  • 音響モデルは、音声を短く区切った各部分にどの発話音が含まれているかを推定します。従来方式では、話す速さの違いを扱うため、ここに隠れマルコフモデルを使っていました。
  • 発音辞書は、発話音と単語を対応付けます。
  • 言語モデルは、どの単語の並びが自然かを採点します。たとえば英語では、発音が似た無意味な文字列よりも「recognize speech」という意味の通る語句を優先します。

現在の主流:エンドツーエンドモデル

新しいシステムの多くはエンドツーエンド方式です。文字起こし付きの音声を学習に使い、1つのニューラルネットワークで音声からテキストまでの対応を学びます。同じ研究レビューでは、深層学習によって従来のモデルより単語誤り率が相対的に50%以上低下し、エンドツーエンド方式が主流になったと報告しています。OpenAIのWhisperはよく知られた例です。Whisper AIとは何かで詳しく解説しています。

比較項目 従来方式 エンドツーエンドモデル
構成 音響モデル、発音辞書、言語モデルが独立 1つのニューラルネットワークが音声をテキストに変換
学習に必要なもの 人手で作る単語一覧と音素の集合、複数段階の学習 大量の文字起こし付き音声
主な弱点 各要素を個別に学習させるため、誤りやコストが増えることがある 文字起こし付き音声が大量に必要で、テキストだけのデータを活用しにくい
言語知識 独立した言語モデル ネットワーク内に学習される。外部モデルの追加も可能

リアルタイム変換とファイルの文字起こしの違い

リアルタイム(ストリーミング)方式では、話している最中に文字が現れるため、音声入力やライブキャプションに向いています。ファイル(バッチ)方式では、収録済みの音声を処理してから全文を返します。インタビュー、会議、講義などに適しています。

Google Cloud Speech-to-Textは、1分以下の音声向けの同期リクエスト、最長480分のファイル向けの非同期リクエスト、ユーザーの発話中に途中結果を返すストリーミングの3種類を提供しています。MicrosoftのAzure Speechも同様に、リアルタイム、高速、バッチの文字起こしに分けています。いずれの資料も2026年11月に確認しました。

比較項目 リアルタイム(ストリーミング)変換 ファイル(バッチ)文字起こし
文字が出るタイミング 発話中。音声が続くにつれて途中結果が変わることがある 録音データの処理後
主な用途 音声入力、ライブキャプション、音声アシスタント インタビュー、会議、講義、ポッドキャスト、動画字幕
手元に残るもの テキスト欄やキャプション欄に出力された内容 編集や書き出しができる文字起こし原稿
主な違い 文章の仕上がりより速報性を優先 結果を待つ必要があるが、別の設定で再処理できる

文字がその場で必要ないなら、まずきれいに録音して、後でファイルを文字起こししましょう。元の音声が残るので、気になる箇所を聞き直せます。

音声テキスト変換の用途

キーボードを使わずに文章を書く、録音を検索できるメモにする、動画にキャプションを付ける、音声コンテンツのアクセシビリティを高めるといった用途があります。Microsoftの資料には、通話後の分析など、コンタクトセンターでの利用例も挙げられています。

用途 よく使う方式
メール、メッセージ、下書きの音声入力 リアルタイムの音声入力
会議やインタビューのメモ ファイルの文字起こし。取り急ぎのメモならリアルタイム方式
講義やセミナーの記録 録音してからファイルを文字起こし
動画の字幕やキャプション ファイルの文字起こしとSRTまたはVTTへの書き出し
ボイスメモや通話録音 ファイルの文字起こし
ろう者・難聴者やキーボードを使えない人への対応 ライブキャプションと音声入力

授業での活用は、講義の録音に使えるアプリで紹介しています。

スマートフォンやパソコンで音声入力を使うには

多くの端末には音声入力が標準で備わっています。Windows 11ならWindowsロゴキー+H、MacやiPhoneなら音声入力、AndroidならGoogleのGboardキーボードにあるマイクを使います。これらは操作中の欄に文字を入力する機能で、手元にある録音ファイルを文字起こしする機能ではありません。

環境 標準機能 開始方法(公式ヘルプ) インターネット接続(公式ヘルプ)
Windows 11 音声入力 テキスト欄にカーソルを置き、Windowsロゴキー+Hを押す 必要。Microsoftによると、Azure Speechのオンライン音声認識を使用
Mac 音声入力 「システム設定」→「キーボード」→「音声入力」で有効化。マイクキー、音声入力のショートカット、または「編集」→「音声入力を開始」で開始 条件による。「キーボード」の設定に、通常の音声入力がMac上で処理されるか表示される
iPhone 音声入力 「設定」→「一般」→「キーボード」→「音声入力」を有効にし、キーボードのマイクをタップ 多くの場合は不要。Appleによると、多くの言語で接続なしにiPhone上で処理
Android Gboardの音声入力 文字を入力できるアプリで、キーボード上部にあるマイクをタップ Googleの該当ページには記載なし

公式ページには、次の補足もあります。

  • Windows: Microsoftの音声入力ガイドには、句読点を自動で付ける設定の説明があります。
  • Mac: AppleのMacの音声入力ガイドによると、発話が30秒間ないと音声入力は終了します。「flower」と言ったのに「flour」と認識したような場合、確信の低い語には青い下線が付きます。
  • iPhone: AppleのiPhoneの音声入力ガイドには、句読点の入力や編集に使える音声コマンドが載っています。
  • Android: GoogleのGboardヘルプによると、音声入力はすべての言語に対応するわけではなく、一部の手順にはAndroid 7.0以降が必要です。

メニュー名はバージョンによって変わるので、お使いの端末に対応したヘルプを確認してください。

音声テキスト変換の精度と限界

1人がマイクの近くで話した明瞭な音声なら、現在の音声認識は多くの言葉を正しく聞き取れます。雑音、マイクとの距離、強いアクセント、専門用語、発話の重なりがあると精度は下がります。どの録音にも当てはまる精度の数字はなく、ソフトウェアと同じくらい録音の状態が大切です。

標準的な指標は単語誤り率(WER)です。システムが置き換えた語、抜かした語、余分に追加した語の数を、人が確認した文字起こしの総単語数で割ります。Whisperの精度の記事では、明瞭なオーディオブックと、話者がマイクから離れた会議録音でWERがどの程度変化するかを紹介しています。

苦手な条件 認識が難しくなる理由 対策
アクセント・方言 特定のアクセントは学習データでの出現が少ない 地域に合った言語設定を選び、短い音声で試す
背景音とマイクとの距離 雑音や反響で発話の信号が不明瞭になる マイクに近づき、静かな部屋やヘッドセットを使う
専門用語、人名、珍しい語 モデルはよく使われる語を優先しやすい カスタム単語リスト(Microsoftではフレーズリスト)を使うか、人名や数字を校正する
複数の話者と発話の重なり 重なった声を分けにくい。誰の発話かを分ける処理は話者ダイアライゼーションという別の作業 1人ずつ話し、話者ラベルを確認する
電話や音質の悪い音声 Googleによると、従来の電話音声の多くは8,000 Hzで、精度が落ちることがある より高音質で録音する。古い音源をアップサンプリングしても元に戻らない
同じように聞こえる語 英語の「flour」と「flower」など、発音が同じ語がある 送信前に読み返す

人名、数字、専門用語を元の音声と照らし合わせ、ライブキャプションは正式な記録ではなく補助として使うと、多くの誤りを見つけられます。

アクセシビリティに役立つ音声テキスト変換

音声テキスト変換は2つの方向で役立ちます。音声入力は、話して文章を書く手段になります。W3Cは、身体障害がある人、反復動作による障害がある人、認知・学習障害がある人の中に、この機能を頼りにする人がいると説明しています。キャプションと文字起こしは、ろう者・難聴者が音声の内容を知る手段です。

W3Cの聴覚障害に関する解説では、音声コンテンツに文字起こしやキャプションなどの代替手段が必要だとしています。また、自動キャプションは専門用語を拾えなかったり、文の区切りが崩れたりするため、一般に代替手段としてそのまま頼れる精度ではないと注意しています。公開前に出力を見直し、修正しましょう。2つの形式については字幕とキャプションの違いで解説しています。

スマートフォンにもリアルタイム機能があります。Appleのライブキャプション(iPhone 11以降)は、アプリの音声や周囲の音声をリアルタイムで文字にします。Appleは、危険が伴う状況や緊急時にはこれに頼らないよう案内しています。Android向けのGoogleの音声文字変換は、発話や物音を文字で表示します。オフライン対応の言語を使う場合を除き、インターネット接続が必要です。

音声テキスト変換ツールを選ぶ5つの基準

必要な成果物から考えます。短いメッセージなら標準の音声入力で十分です。長い録音の文字起こしツールは、次の5点で比べます。

  1. 発話中か、録音後か。 話して入力するなら、作業中のアプリで使える音声入力が必要です。既存の録音を使うなら、ファイルや必要に応じてリンクを受け付けるツールを選びます。
  2. 言語とアクセントへの対応。 利用する方式が、言語と地域変種に対応しているか確認します。リアルタイム方式とファイル方式では、対応する言語が異なることがあります。
  3. 音声の処理先。 端末上で処理するサービスと、サーバーへ送って処理するサービスがあります。機密性のある録音をアップロードする前にプライバシー情報を読み、他の人を録音する前には同意を得てください。
  4. 出力内容。 話者ラベル、タイムスタンプ、編集画面の有無や、DOCX、TXT、SRT、VTTなどの書き出し形式を確認します。
  5. 長さの上限と費用。 1ファイルの最長時間と最大容量、音声の時間数による料金の変化を確認します。

費用を先に比較したい場合は、おすすめの無料文字起こしソフトで各サービスの無料枠を比べています。

whispertranscribe.aiでできること

whispertranscribe.aiは、録音を文字に変換するブラウザー型サービスです。マイクからのリアルタイム文字起こしにも対応します。他のアプリに入力する音声入力ツールではなく、デスクトップアプリもありません。機能ページには次のように記載されています。

  • 録音のアップロード。 オンライン音声テキスト変換では、MP3、WAV、M4A、MP4、MOVなどの音声・動画ファイルを、最大5 GB、最長10時間まで処理できます。ファイルの文字起こしは130以上の言語に対応し、話者検出も選べます。
  • リンクからの文字起こし。 URLから文字起こしに、YouTube、Vimeo、Google Drive、Dropboxのリンクを貼り付けます。
  • ブラウザーで録音。 インストール不要で音声の録音と文字起こしができます。ボイスメモのアップロードにも対応します。
  • リアルタイム文字起こし。 ライブ文字起こしでは、マイクで録音しながら発話を文字で表示します。言語とマイクを選べ、話者検出もオンにできます。対応言語はアップロード方式より少なくなります。
  • 書き出し。 DOCX、PDF、SRT、VTT、TXT、CSVに対応します。AI字幕生成ツールで字幕ファイルを作れます。録音した通話にも対応しています。通話の文字起こしをご覧ください。

明瞭な音声での精度は最大99%で、背景音、強いアクセント、発話の重なりがあると低下します。有料プランは年払いで月額9.99ドルからです。料金をご覧ください。アカウント登録なしで無料で使い始めることもできます。詳しくは機能一覧をご覧ください。

よくある質問

voice to textとspeech to textは同じですか?

はい。どちらも発話を聞き取り、編集できるテキストにする技術です。GoogleやMicrosoftの開発者向け文書では speech to text が一般的で、検索では voice to text と入力されることがよくあります。どちらも自動音声認識を使います。区別したいのは voice recognition です。W3Cでは、何を言ったかではなく、誰が話しているかを識別する技術を指します。

音声テキスト変換と音声入力は同じですか?

音声入力は音声テキスト変換の用途の1つです。WindowsやAppleの音声入力では、テキスト欄に向かって話すとカーソル位置に文字が出ます。音声テキスト変換には、インタビュー、講義、会議などの録音全体を編集できる文書にする文字起こしも含まれます。新しい文章を書くなら音声入力、既存の音声を記録として残すなら文字起こしツールを使います。

音声テキスト変換にインターネットは必要ですか?

ツールによります。Microsoftによると、Windowsの音声入力はオンライン音声認識を使うため、接続が必要です。Appleによると、iPhoneの音声入力は多くの言語で接続なしに端末上で処理されます。Macでは「キーボード」の設定で、Mac上で処理されるか確認できます。Googleの音声文字変換は、オフライン対応の言語を使う場合を除き、接続が必要です。ブラウザー型などのクラウド文字起こしでは、音声のアップロードと処理に接続が必要です。

音声テキスト変換は無料ですか?

基本的な機能は多くの端末で無料です。Windows、macOS、iOS、Androidには、追加料金のかからない音声入力が含まれています。対応言語は端末によって異なります。長い録音の文字起こしでは費用がかかることが多く、無料トライアルや無料枠の後、音声の時間数や定額契約に応じて課金するサービスがあります。契約前に、1ファイルの最長時間と最大容量、対応言語、プランに含まれる書き出し形式を確認してください。

音声テキスト変換の精度はどのくらいですか?

1人がマイクの近くで話した明瞭な音声では、多くの言葉を正しく認識します。ただし、すべての音源に共通する精度の数字はありません。背景音、反響、マイクとの距離、強いアクセント、専門用語、発話の重なりがあると、誤りが増えます。よく使われる指標は、語の置換、脱落、挿入を数える単語誤り率です。文字起こしを正式な用途で使う前には、人名、数字、専門用語が音声と合っているか確認してください。

誰が話しているかも分かりますか?

対応するツールもあります。誰がいつ話したかをラベル付けする処理は話者ダイアライゼーションと呼ばれ、すべてのツールが対応するわけではありません。標準の音声入力は、操作している本人だけが話すことを前提にしています。文字起こしサービスでは話者ラベルを付けることが多く、たとえばMicrosoftのAzure Speechの資料には最大35人を区別する機能が記載されています。声の違いがはっきりし、同時に話していない場合は分けやすくなります。似た声や発話の重なりがある録音ではラベルを確認してください。


録音を文字にするなら。 whispertranscribe.aiにファイルをアップロードしてください。130以上の言語に対応し、DOCX、PDF、SRT、VTTで書き出せます。

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 ↗