ChatGPT で音声の文字起こしはできる?|対応プラン・制限・対処法
できます。ChatGPT は音声の文字起こしに対応していて、有料プランなら録音ファイルをチャットに添付して文字起こしを頼めます。OpenAI が2026年10月6日のリリースノートで発表した機能です。ただし Free プランでは使えません。また通常のチャットでは、GPT-6 を Instant に設定して使う場合、アップロードできる録音は OpenAI の上限で6分まで。1時間のインタビューよりも、ちょっとした音声メモ向きです。この記事では、2026年11月16日時点の OpenAI のヘルプセンターと開発者向けドキュメントをもとに、何ができるのか、どこでつまずくのか、そのとき代わりに何を使えばいいのかをまとめます。
結論から言うと
- 有料プランのみ。 OpenAI によると、音声のアップロードは Enterprise を含む ChatGPT の有料プランとワークスペースで使え、Free では使えません。
- 短いファイルほど確実。 通常のチャットで GPT-6 を Instant に設定した場合、録音は6分まで。それより長いものはベストエフォートで、タイムアウトすることがあります。ファイルサイズは512MBまでです。
- 主要な形式に対応。 WAV、MP3、M4A、FLAC、AAC、OGG。ChatGPT が動画と判定した MP4 や WebM は受け付けられません。
- 話者と名前は要確認。 OpenAI は、文字起こしに誤りが含まれる可能性があり、話者の識別も信頼できない場合があると注意を促しています。
- 開発者は API を使いましょう。
gpt-transcribeなら1ファイル25MBまで、料金は1分 $0.0045 です。
ChatGPT で音声ファイルを文字起こしする手順
音声のアップロードは、ふだんのチャットでそのまま使えます。OpenAI のヘルプ記事によると、利用できるかどうかはワークスペースの設定、地域、アプリのバージョン、選んだモデルによって変わります。オプションが見当たらないときは、この4点を確認しましょう。
- プランを確認する。 ChatGPT の有料プランかワークスペースなら対象で、Free プランは対象外です。仕事用のアカウントでは、ワークスペースの設定によっても使えるかどうかが変わります。
- ファイルを確認する。 WAV、MP3、M4A、FLAC、AAC、OGG のいずれかで、512MB 未満にします。確実に処理させたいなら長さは6分程度までにし、それより長いものは文と文の間で分割しましょう。
- 通常のチャットに添付する。 書類を添付するのと同じ要領です。
- 要約ではなく文字起こしを頼む。 たとえば「この音声を一字一句そのまま文字起こしして。話者が変わったら段落を改めて。聞き取れない語は[聞き取れず]と書いて」と指示します。はっきり書くのが大事なのは、同じファイルでも、要約されたり内容についての話し合いになったりしやすいからです。
- 音声と照らし合わせる。 名前、数字、誰が何を言ったかなど、大事な部分は聞き直しましょう。OpenAI 自身も、文字起こしに誤りが含まれる可能性があり、話者の識別も信頼できない場合があると注意しています。
- アップロードできたのに文字起こしされない場合は、 ファイルを WAV に変換してアップロードし直します。OpenAI が最初に勧めている対処法です。
| 質問 | OpenAI の説明 |
|---|---|
| 対象プランは? | Enterprise を含む ChatGPT の有料プランとワークスペース。Free プランは対象外。 |
| 対応形式は? | WAV、MP3/MPEG、M4A、FLAC、AAC、OGG |
| 受け付けられないものは? | 動画と判定された MP4 と WebM |
| サイズの上限は? | 音声ファイルは512MBまで |
| 長さの上限は? | 通常のチャットで GPT-6 を Instant に設定した場合は6分まで。Data Analysis(データ分析)が使えるときは、長い録音を小さく区切って処理できる場合がありますが、ベストエフォートで、非常に長い録音はタイムアウトすることがあります。 |
| 精度は? | 文字起こしに誤りが含まれる可能性があり、話者の識別は信頼できない場合があり、品質は言語によって異なることがあります。 |
| 見当たらないのはなぜ? | ワークスペースの設定、地域、アプリのバージョン、選んだモデルによって利用できるかどうかが変わります。 |
音声入力も音声モードも「文字起こし」ではない
ChatGPT にはマイクのボタンがあるので、それで音声を文字起こしするのだと思っている人は少なくありません。でも、少なくとも録音済みの音声については違います。
音声入力は、メッセージ欄にあるマイクのことです。話した内容を OpenAI のモデルがテキストに変換し、送信前に編集もできます。自分のプロンプトをその場で話して入力するための機能です。
音声モードは、ChatGPT と声でやり取りする機能です。会話の記録はテキストでチャットに残りますが、OpenAI のヘルプセンターは、音声会話の文字起こしは逐語的なものではなく、実際の発言と完全には一致しない場合があると説明しています。どちらの機能でも、スマホに入っている20分のインタビューを取り込んで書き起こすことはできません。それにはアップロードするか、ファイル向けに作られたツールが必要です。
開発者向け:OpenAI の文字起こし API
コードを書けるなら、チャットの制限に縛られる必要はありません。OpenAI のファイル文字起こしガイドは現在、/v1/audio/transcriptions エンドポイントの gpt-transcribe を推奨しています。
- ファイルは25MBまでで、形式は FLAC、MP3、MP4、MPEG、MPGA、M4A、OGG、WAV、WebM。それより大きい場合は、圧縮形式を使うか、25MB 以下のチャンクに分割するよう OpenAI は案内しています。文の途中で切ると文脈が失われて精度が下がるので、避けるようにとのことです。
- 音声1分あたり $0.0045。モデルのページに記載の料金で、1時間の録音なら約27セントです。
- 名前や専門用語のヒントを渡せる。
promptで録音の内容を説明し、keywordsで出てきそうな用語を並べ、languagesで想定する言語を指定します。OpenAI は keywords をあくまでヒントであって出力を強制するものではないとし、話されていない用語が文字起こしに紛れ込んでいないか確認するよう求めています。 - 話者ラベルとタイムスタンプは非推奨モデル頼み。 話者分離(diarization)は
gpt-4o-transcribe-diarize、単語・セグメント単位の構造化されたタイムスタンプはwhisper-1でしか得られません。どちらも OpenAI の非推奨リストに載っていて、gpt-4o-transcribe、gpt-4o-mini-transcribe、translations エンドポイントとともに、2027年2月26日に提供終了の予定です。 - リアルタイムの音声は Realtime 文字起こしの領域で、OpenAI は
gpt-live-transcribeを推奨しています。
誰がいつ話したかを把握する必要があるものを作るなら、4つ目の点が重要です。今のままでは、終了日が公表済みのモデルの上に作ることになります。
ChatGPT の文字起こしがうまくいかないところ
数分を超える録音
計画の基準にすべきは「6分」という数字です。それを超えると、Data Analysis が使える場合は ChatGPT がファイルを区切って処理することもありますが、OpenAI はベストエフォートだとしており、非常に長い録音はタイムアウトすることがあるとしています。自分でファイルを分割する方法もありますが、その場合は OpenAI が開発者向けに示している注意点を守りましょう。文と文の切れ目の無音部分で切り、文の途中では決して切らないこと。そうしないと、つなぎ目の言葉が崩れます。
誰が何を言ったか
音声メモなら話者ラベルは関係ありません。でもインタビューや通話では、それこそが肝心な点です。そして OpenAI のヘルプ記事は、話者の識別は信頼できない場合があるとしています。発言を記事やレポート、契約書に引用するなら、まず音声で話者を確認しましょう。
タイムスタンプ
タイムスタンプが必要なら付けるよう頼み、それを何かに使う前に、いくつか音声と突き合わせて確認しましょう。間違ったタイムスタンプは間違った場面に連れて行くので、ないよりかえって困ります。
名前、数字、専門用語
名字、製品名、略語は、どんな音声モデルでも真っ先につまずくところです。いちばん耳にする機会が少ない言葉だからです。登場しそうな名前をリクエストに書いておくのは手間もコストもかかりませんが、それでも一つずつ読み返して確認しましょう。数字にも同じ注意が必要です。音質の悪い録音では、「いち」と「しち」のように響きの似た数字を取り違えがちです。
ほかの言語
OpenAI は、品質が言語によって異なることがあると述べています。会話の途中で言語が切り替わる場合は、その部分を特に念入りに確認しましょう。
6分より長い、または話者が複数いる場合は?
Laxis なら、会議、インタビュー、講義をまるごと Web アプリにアップロードでき(m4a、mp3、wav、flac、200MBまで)、話者ラベルとタイムスタンプ付きの文字起こしに AI 要約を添えて返します。無料の Laxis アカウントには、月300分の文字起こしが含まれています。
14日間の Premium トライアル付き、クレジットカード不要。Laxis を無料で試す
ChatGPT が受け付けないファイルの直し方
アップロードの失敗は、たいてい文字起こしではなくファイルの問題です。対処法は3つで、どれも一般的な音声変換ツールか ffmpeg でできます。
- 動画ファイル。 音声トラックを MP3 として書き出し、その MP3 をアップロードします。
- アップロードはできても文字起こしされない M4A。 OpenAI 自身のアドバイスは、WAV に変換して再試行すること。MP3 に再エンコードするのも、クリーンで標準的なファイルにする方法の一つです。
- 巨大な WAV。 MP3 に変換すればサイズが数分の一になります。特に API の25MB という上限に対して効いてきます。
録音が「ボイスメモ」App に入っているなら、iPhone のボイスメモを文字起こしする方法のガイドで選択肢をまとめています。動画から始める場合は、動画をテキストにする手順もどうぞ。
アップロードの前に:確認しておきたいプライバシー設定
アップロードした録音がどう扱われるかは、プランと設定によって変わります。モデル改善のためのデータ利用に関する OpenAI のポリシーページ(最終更新:2026年3月13日)では、次のように説明されています。
- 個人アカウント。 ChatGPT のような個人向けサービスについて、OpenAI はコンテンツをモデルの学習に使う場合があるとしています。データコントロールまたは OpenAI のプライバシーポータルからオプトアウトでき、その後の新しい会話は学習に使われないと OpenAI は説明しています。
- Temporary Chat(一時チャット)。 OpenAI によると、これらのチャットは履歴に表示されず、メモリを使うことも作ることもなく、モデルの学習にも使われません。
- ビジネス向け製品。 OpenAI は、ChatGPT Enterprise や API を含むビジネス向け製品の入力・出力を、初期設定では学習に使わないとしています。
OpenAI のヘルプセンターから、さらに2点補足しておきます。個人の Free、Plus、Pro アカウントでは、「Improve the model for everyone」(すべての人のためにモデルを改善する)の設定が初期状態でオンになっています。また、声による入力には「Include your audio recordings」(音声録音を含める)という専用の設定があり、音声入力と音声チャットの両方が対象です。これは OpenAI 自身による説明であって当社の見解ではないので、機密性のあるものをアップロードする前に、ご自身でページを読んでください。比較のために言えば、Laxis の約束は「同意なしに学習に使わない」約束に明記しています。「Laxis は、お客様の同意なしに、お客様のデータを AI モデルの学習に使うことは決してありません。」
どの設定でもカバーできない確認がひとつあります。録音に他の人が入っているなら、その人たちは録音されていることを知っているべきです。参加者1人の同意で足りる地域もあれば、全員の同意が必要な地域もあります。録音の同意に関するガイドでは、米国の州ごとのルールと海外のルールの両方を取り上げています。一般的な情報であり、法的助言ではありません。
ChatGPT が向いていないとき
短い音声を文字起こしして、同じ画面でそのまま内容について質問したいなら、ChatGPT は理にかなった選択です。長いもの、話者が複数いるもの、来月に検索したくなりそうなものなら、ファイル向けに作られたツールのほうが回り道せずに済みます。
- Laxis の音声文字起こし。 会議、インタビュー、講義、音声メモをアップロードすれば、話者とタイムスタンプ付きの文字起こしに要約を添えて返します。無料の Laxis アカウント(月300分)で使えます。
- 手持ちのデバイスにあるもの。 音声を無料で文字起こしする方法のまとめでは、端末に標準搭載の機能と無料の Web 文字起こしツールを比べ、精度を本当に左右するものを解説しています。
- これから開かれる会議。 会議を録音して ChatGPT に議事録を書かせるのは、ファイルの文字起こしとは別の仕事です。ChatGPT で議事録を作る方法のガイドでは、OpenAI の会議機能と、実際に役立つプロンプトを紹介しています。
Laxis の位置づけ
Laxis はファイルも扱える AI 会議アシスタントです。Web アプリで録音をアップロードすると、話者とタイムスタンプ付きの文字起こしが、要約やアクションアイテムと一緒に返ってきます。同じアカウントでリアルタイムの会話にも対応します。デスクトップアプリはパソコン自体の音声を通して Zoom、Google Meet、Teams、Webex の通話を記録し、初期設定ではボットは参加しません。スマホアプリは対面の会議や電話に対応します。全体像は Laxis の会議アシスタントのページをご覧ください。
制限についても率直にお伝えします。標準版アプリでは、音声は Laxis のクラウドサーバーで処理されます。無料プランの Basic は月300分で、会議と音声入力の両方がこの枠を使います。1回の録音は45分まで、30日を過ぎたものはアップグレードするまでアーカイブに移ります(削除はされず保管されます)。文字起こしは60以上の言語に対応しています。Laxis は HIPAA に準拠しておらず、BAA も締結しません。また、ボットのいない通話を記録するときは、相手に知らせましょう。録音を始める前にアプリが促してくれますし、ひと言で済みます。
手元にあるのが2分の音声メモと ChatGPT のサブスクリプションだけなら、ChatGPT を使えば十分です。ファイルに合ったツールを選びましょう。
まとめ
ChatGPT はついに音声ファイルを受け付けるようになりました。有料プランで短い音声を扱うなら本当に便利で、文字起こしのあと、チャットを離れずにそのまま内容について質問できます。注意点は、Instant 設定での6分の上限、当てにできない話者ラベル、そして Free プランではまったく使えないことです。話者が複数いる長い録音なら、まず文字起こし専用のツールを使い、さらに話し合いたければ、そのテキストを ChatGPT に持ち込みましょう。
最初の6分だけでなく、録音をまるごと文字起こし。 Laxis は会議、インタビュー、音声メモを、要約、アクションアイテム、話者付きの文字起こしに変えます。14日間の Premium トライアル付き、クレジットカード不要。Laxis をダウンロード
よくある質問
ChatGPT で音声を無料で文字起こしできますか?
いいえ。Free プランの ChatGPT では、アップロードした音声ファイルを文字起こしできません。OpenAI によると、音声のアップロードは Enterprise を含む ChatGPT の有料プランとワークスペースで使え、Free では使えません。音声入力や音声モードは話している最中の言葉を文字にするもので、手元にある録音は対象外なので、代わりにはなりません。ファイルを無料で文字起こししたいなら、文字起こし専用のツールを使いましょう。
ChatGPT はどの音声形式を文字起こしできますか?
OpenAI のヘルプセンターによると、ChatGPT は WAV、MP3、M4A、FLAC、AAC、OGG といった一般的な音声形式を文字起こしできます。動画と判定された MP4 や WebM は音声アップロードで拒否されるので、先に音声トラックを抜き出しましょう。アップロードできても文字起こしされない場合、OpenAI は WAV に変換してアップロードし直すことを勧めています。
ChatGPT で文字起こしできる音声ファイルの長さは?
OpenAI によると、通常のチャットにアップロードする録音は、GPT-6 を Instant に設定した場合で最長6分、音声ファイルは512MBまでです。Data Analysis が使えるときは長い録音を区切って処理できる場合がありますが、OpenAI はこれをベストエフォートとしており、非常に長い録音はタイムアウトする可能性があると注意しています。
ChatGPT は録音の中の話者を区別できますか?
ChatGPT は、録音の中の話者を確実には区別できません。OpenAI のヘルプセンターは、音声アップロードによる文字起こしには誤りが含まれる可能性があり、話者の識別も信頼できない場合があると注意しているので、誰が何を言ったかは音声で確認しましょう。開発者は API モデル gpt-4o-transcribe-diarize で話者ラベルを得られますが、OpenAI はこのモデルを非推奨としており、2027年2月26日に提供を終了する予定です。
OpenAI はアップロードした音声をモデルの学習に使いますか?
OpenAI によると、プランと設定次第です。ChatGPT のような個人向けサービスでは、データコントロールまたはプライバシーポータルでオプトアウトしない限り、コンテンツをモデルの学習に使う場合があるとしており、Temporary Chat は学習に使われません。また OpenAI は、ChatGPT Enterprise や API といったビジネス向け製品の入力・出力は、初期設定では学習に使わないとしています。
OpenAI の文字起こし API の料金はいくらですか?
モデルのページによると、OpenAI が推奨する文字起こしモデル gpt-transcribe の料金は音声1分あたり $0.0045、1時間で約27セントです。transcriptions エンドポイントに送るファイルは25MBまでで、MP3、MP4、M4A、WAV、WebM、FLAC、OGG などの形式に対応しています。それより大きい録音は圧縮か分割が必要で、分割するなら文の途中ではなく、文と文の間で切るのが理想です。
関連製品
Laxis 会議アシスタント
議事録を今日から自動化。
- Zoom・Google Meet・Teams も対面会議も、ボットなしで記録
- AI 要約・アクションアイテム・フォローアップを 60 以上の言語で
- Mac・Windows・iPhone・Android 対応、無料プランあり
無料で始められます。クレジットカードは不要です。
詳細を見る ▷