ブログに戻る
ベストプラクティス•2026-01-28•約11分 読了

音声ファイルを文字起こしする方法|mp3・録音データを正確にテキスト化

音声ファイルを文字起こしする方法|mp3・録音データを正確にテキスト化
LY
Laura Yang
共同創業者 @ Laxis

音声ファイルの文字起こしとは

音声ファイルの文字起こしとは、録音された話し言葉をテキストに変換することです。音声認識モデルにファイルを読み込ませる方法と、人が聞きながら打ち込む方法があります。この記事を開いた方は、おそらくファイルがすでに手元にあるはずです。昨日の顧客との通話、ボイスメモ、インタビュー、ダウンロードフォルダに入ったままのウェビナーの書き出しファイル。あとは、その中の言葉をテキストにするだけです。読むより先に試したい方は、そのファイルをそのまま無料の音声テキスト化ツールに渡せます。

これは、会議をうまく録音することとは別の問題です。録音はもう終わっていて、出来が良くても悪くても、今からマイクの位置を直すことはできません。まだ選べるのは、ツールに渡すファイル、複数の話者の扱い方、必要な精度、手直しにかける手間の4つです。この4つの判断で、同僚が読んでくれる文書になるか、誰も開かない文字の壁になるかが決まります。

文字起こしは会議メモでも要約でもありません。誰が何を話したかを、発言の順にすべて残した完全な記録です。どんな要素で構成されているかは、文字起こし原稿に含まれるもので解説しています。

文字起こしに向く音声ファイル形式と、気づかないうちに失敗するファイル

ファイル形式の話では、2つのものが混同されがちです。目に見える拡張子にあたる「コンテナ」と、中の音声をどう符号化しているかを示す「コーデック」です。ほとんどのツールは両方を見ていますが、案内しているのはコンテナのほうだけです。

ファイル形式多くのツールで使えるか注意点
.wav使える非圧縮で、最も安全な入力。ファイルが大きく、長い会議ではアップロード上限を超えることがある
.mp3使える中程度以上のビットレートなら問題なし。極端に低いビットレートでは子音がつぶれる
.m4a / .aac使えるiPhone の「ボイスメモ」や多くの Android 録音アプリの標準形式。音質は良好
.flacたいてい使えるロスレスでサイズも小さいが、古いツールではデコードできないことがある
.ogg / .opusたいてい使えるWhatsApp や Discord の書き出し形式。Opus は低ビットレートでも音質が落ちにくい
.mp4 / .movたいてい使える動画のコンテナ。多くのツールは音声トラックを抜き出して処理するが、数GB をアップロードする前に確認を
DRM で保護された音声使えない権利管理されたファイルはデコードできない。保護のないコピーを入手するか、録り直す
8kHz の電話・留守番電話の音声使えるが要注意文字起こしはできるが、精度ははっきり落ちる。詳しくは下記

サンプリングレートは、想像以上に精度を左右します。音声モデルは16kHz の音声を前提に作られており、OpenAI の Whisper のドキュメントでも、入力を16kHz のモノラルにリサンプリングすると明記されています。44.1kHz の録音なら、ダウンサンプリングしても問題ありません。一方、8kHz の録音をアップサンプリングしても、最初から記録されていない細部は戻りません。電話音声の本当の問題はここにあります。電話の規格である ITU-T G.711 は通過帯域をおよそ300〜3,400Hz に制限しており、「s」と「f」と「th」を聞き分けるための高い周波数の成分が切り落とされます。人間は文脈でその穴を埋められますが、モデルは推測するしかありません。そして真っ先に外すのが、名前と数字です。

もう一つの調整ポイントがビットレートです。強く圧縮された mp3 は、認識モデルが必要とする細かな情報を捨ててしまいます。元の音源で選べる最高品質で書き出し、再圧縮はしないでください。モノラルでも問題はなく、片方のチャンネルがほぼ無音のステレオファイルより良い結果になることもよくあります。

ファイルの出どころも重要です。クラウド録画はたいてい、mp4 と音声のみのファイルがセットで届きます。アップロードするなら、音声のみのファイルのほうが適しています。参加者ごとの音声トラックを書き出せるプラットフォームもあり、話者を正しく割り当てるうえでは、これが最も効果的な方法です。プラットフォームの文字起こし機能にも独自のクセがあり、Zoom から文字起こしを取り出す方法は、生のファイルをアップロードする場合とは手順が異なります。

話者分離で複数人の発言はどこまで区別できるか

話者分離(スピーカーダイアライゼーション)とは、1本の音声を「誰がいつ話したか」で区切り、発言に「話者1」「話者2」(Speaker 1、Speaker 2)のようなラベルを付ける処理です。言葉をテキストにする音声認識とは別に動くため、テキストは正確なのにラベルは大きく間違っている、ということが同時に起こります。

声がはっきり違い、順番に話し、全員がマイクの近くにいれば、話者分離はうまく働きます。最も確実なのは話者ごとにチャンネルが分かれている場合で、このときは割り当てを推測する必要すらありません。崩れやすいのは次のような場面です。

  • 発言のかぶり。 2人が同時に話しても、モデルは重なった部分をどちらか一方のラベルに割り当てなければなりません。声の小さいほうを丸ごと落とすツールもあります。
  • 広い部屋に無指向性マイクが1本だけ。 硬い壁で音が反響し、同じ声がわずかに遅れて何度もマイクに届きます。そのせいで話者分離が頼りにする声の特徴がぼやけ、マイクから遠い人ほど1人にまとめられてしまいます。
  • 短い相づち。 「うん」「そうですね」「なるほど」は短すぎて声の特徴をつかめず、前後で話していた人の発言に吸収されます。
  • 似た声。 声の高さが近く、なまりも同じ2人は、1つのラベルにまとめられることがよくあります。
  • 人数推定のずれ。 多くのツールは、その場に何人いるかを推定します。少なく見積もると同僚2人が同じラベルになり、多く見積もると席を移動した1人が「話者3」と「話者5」に分かれます。

期待値もそれに合わせておきましょう。3〜4人のクリアな録音なら、発言の区切りはおおむね正しい位置に入り、「話者1」を実名に置き換える作業も数分で済みます。8人が参加したスピーカーフォンの録音なら、ラベルは目安程度に考えてください。誰が期日を約束したか、誰が反対意見を出したかといった大事な場面は、音声で確認しましょう。

文字起こしの精度:「95%」という数字の本当の意味

文字起こしの精度を測る標準的な指標は、単語誤り率(WER)です。WER を理解すると、ベンダーがうたう精度の数字の見え方が変わります。WER は、正解の文字起こしと比べた置換・削除・挿入の3種類の誤りを数え、その合計を正解の単語数で割ったものです。NIST(米国国立標準技術研究所)が音声認識のベンチマーク評価で使ってきた指標で、「精度95%」と言えば、通常は WER が5%という意味です。

落とし穴は、WER がすべての誤りを同じ重さで数えることです。「えーと」が抜けるのも、「〜ない」という否定が抜けるのも、同じ1回の削除です。しかし文の意味を逆にするのは後者だけです。手直しに時間がかかる誤りは、名前、数字、製品用語、否定語といった、いちばん大事な言葉に集中します。

数字の出どころにも注意が必要です。公表されている精度は、ベンチマーク用のコーパス(音声データ集)で測ったもので、実際の会議室とはまったく条件が違います。LibriSpeech はオーディオブックの朗読音声で、話者は1人、台本があり、静かな部屋で、マイクも近くにあります。Switchboard は、面識のない人同士の電話での会話です。大きく宣伝される精度は、ほぼ例外なくきれいな朗読音声での結果です。火曜の朝会がオーディオブックのように聞こえる職場はありません。

実際に精度を下げる要因を、影響の大きい順におおよそ並べると次のとおりです。

  • 発言の重なり。音声認識で最も難しいケースです。
  • 反響とマイクからの距離。多くの人が思っている以上に影響します。
  • 低ビットレートや狭帯域の音声。理由は前述のサンプリングレートのとおりです。
  • モデルの学習データに少ないなまりや方言。音声システムの限界としてよく知られており、誤差の範囲ではありません。
  • 業界用語、製品名、略語、名字。重要なのに、学習データにはめったに出てこない言葉です。
  • 背景の雑音と、文の途中での言語の切り替え。専用に作られたモデルでない限り、うまく処理できません。

2時間のファイルを処理する前に、最初の3分だけを切り出して文字起こしし、読んでみてください。その3分で大幅な手直しが必要なら、残りの117分にも同じ割合で手直しが必要になります。機械で文字起こしして自分で直すか、最初から人にお金を払って任せるかを決めるのは、このタイミングです。

文字起こし後の手直し:話者名・固有名詞・ケバ取りの手順

どの文字起こしツールでも、そのままの出力はデータの山であって、文書ではありません。同僚に読んでもらえる状態にするには手直しが必要で、次の順番で進めると早く終わります。

  1. 最初に話者ラベルを実名に置き換える。 誰が話しているかが見えると、その後の作業がすべて楽になります。「話者2」の一括置換なら手間もかかりません。
  2. 固有名詞を直す。 文字起こしで最も予測しやすい誤りです。社名、製品名、チームが1日に40回は口にする略語、通話相手の名字などが該当します。エンジンは同じ言葉を毎回同じように間違えるので、1語につき1回の検索・置換で、たいていすべて直せます。さらに良いのは、誤りを予防することです。カスタム語彙を使えば、文字起こしの前に用語を登録できます。Laxis の AI 会議アシスタントの「カスタム辞書」は、まさにそのための機能です。
  3. 素起こし(逐語)かケバ取りかを決め、最後まで統一する。 素起こしはフィラー、言い直し、繰り返しをすべて残す方式で、調査研究や、争いになりうる記録に向いています。ケバ取りはそれらを取り除く方式で、読みやすさが必要な文書にはこちらが欠かせません。ただし削りすぎは禁物です。言葉を濁した部分も内容のうちです。「たぶん金曜までにはできると思います」と「金曜までにやります」は、同じ約束ではありません。
  4. 段落を分け、句読点を整える。 話者が替わるたびではなく、話題が変わるところで区切ります。そうしないと、テンポの速いやり取りが1行だけの段落40個に分かれてしまいます。
  5. セクションの区切りにタイムスタンプを入れる。 誰でも音声の該当箇所にすぐ戻れるようになります。
  6. 決定事項とアクションアイテムを、担当者付きで抜き出す。 実際に読まれ、使われるのはこの部分です。

考え方ではなく具体的な手順を知りたい方のために、音声をテキストに文字起こしする手順を1ステップずつまとめています。

複数の言語が混ざった音声を文字起こしするには

録音が英語以外の言語の場合や、複数の言語が混ざっている場合、結果を決める問いは2つです。ツールが言語を自動で判別できるか。そして、その言語にきちんと対応しているか。対応状況はツールによって大きく異なります。学習データの量は言語ごとに偏っているため、日本語を含め、対応言語の一覧に載っているからといって、英語と同じ精度で文字起こしできるとは限りません。

Laxis は100以上の言語に対応し、言語を自動で判別します。ライブの会議では、話している最中に訳文を原文と並べて表示します。Business プランなら、1つの会議の中で最大5つの言語を自動で切り替えられます。手元にあるファイルを扱うときは、順番が大切です。まず文字起こしを正確にし、翻訳はその後に行います。認識の誤りだらけの文字起こしを翻訳すると、訳文の誤りが原文のどこから来たのか、誰にもたどれなくなります。

文字起こしにかかる時間と費用

機械による文字起こしは、録音時間よりはるかに短い時間で終わります。1時間の音声ならたいてい数分で、ほかの処理の順番待ちがあればもう少しかかります。人による文字起こしはその逆です。担当者は止めては巻き戻し、表記を確かめながら作業するため、録音時間より長くかかります。そのため納期は数時間〜数日単位で見積もられ、料金は音声1分あたりで決まります。特急料金はさらに高くなります。一般的な相場ではなく、依頼先の料金表を直接取り寄せてください。価格は納期、音質、話者の数によって大きく変わります。

ソフトウェアでつまずきやすいのは、料金よりも1回あたりの録音時間の上限です。これは月間の利用時間とは別に決まっています。ライブの会議の記録に加えて、音声ファイルのアップロードにも対応する Laxis の場合は次のとおりです。

プラン料金内容
Free$0文字起こしは月300分、1回の録音は45分まで
Premium1ユーザーあたり月額 $15.99(年払いなら月額 $9.99)文字起こしは月2,000分、1回の録音は最長2時間
Business1ユーザーあたり月額 $29.99(年払いなら月額 $19.99)文字起こし時間は無制限、1回の録音は最長4時間、HubSpot・Salesforce との同期付き

見落としやすいのが、この1回あたりの上限です。3時間の全社会議は Free にも Premium にも収まらないため、ファイルを分けるか、上のプランに切り替えることになります。また、CRM 同期は Premium ではなく Business の機能です。商談の通話を文字起こししてパイプラインに取り込みたい場合は、この点に注意してください。Laxis はデスクトップとモバイルで使え、Zoom、Google Meet、Microsoft Teams と連携できます。会議に記録用の参加者を表示させたくない場合は、ボットなしで記録する方法も選べます。

特定のファイルの問題ではなく、ツール選びで迷っている方は、2026年版 AI 議事録ツールの比較で主要な製品を並べて比べています。

文字起こしを外注すべきケース

ほとんどの音声は、まずソフトウェアで文字起こしするのが正解です。ただし例外もあります。痛い目にあってから気づくより、先に知っておくほうが安く済みます。

法的・公式な記録。 証言録取(デポジション)、裁判手続き、規制当局への提出書類など、証拠として提出される可能性がある記録には、一般に、資格を持つ担当者が正確性を証明した認証済みの文字起こしが必要です。機械の出力は、どれほど正確でも認証済みの記録にはなりません。

音質が悪く、しかも内容が重要。 反響の強い部屋に遠いマイクが1本、発言のかぶりも多い。そんな録音で内容が本当に重要なら、自分で手直しする時間のほうが外注費より高くつきます。どちらにするか決める前に、手直しの量を正直に見積もりましょう。

なまりが強く、結果が重要な場合。 認識の品質は、なまりや方言によってばらつきがあります。モデルが話し手のなまりを苦手としていて、その文字起こしを引用したり、判断の根拠にしたり、本人に見せたりするなら、人に頼みましょう。

逐語の研究用文字起こし。 質的研究、言語学、一部の臨床の仕事では、言いよどみや発言の重なり、言い直しそのものがデータであり、ノイズではありません。逐語の表記ルールは細かく決まっており、機械はそのルールを当てはめてくれません。

規制対象の音声。 コンプライアンスの確認は、アップロードの前に済ませましょう。Laxis は HIPAA に準拠しておらず、BAA(ビジネスアソシエイト契約)も締結しないため、保護対象の医療情報を扱うべきではありません。ツールごとに約束している内容は異なります。確実に知る唯一の方法は、ベンダーに書面で問い合わせることです。

見落とされがちな中間の選択肢もあります。まず機械で文字起こしし、ゼロから起こしてもらうのではなく、その下書きの校正を人に依頼する方法です。多くのサービスが対応しており、すべて人手で起こすより費用を抑えられます。

まずは手元の録音データで試す

録音データが今パソコンにあるなら、アップロードして最初の数分を読んでみてください。残りにどれだけ手間をかけるべきかを決める前に、どんな音声なのかがわかります。Laxis の無料プランでは、月300分まで文字起こしでき、1回の録音は45分までです。きれいに整えたデモ用のファイルではなく、手元で一番条件の悪い録音を試すには十分です。試用期間の残り日数を気にする必要もありません。Laxis の AI 会議アシスタントで試し、私たちが用意した音声ではなく、ご自身の音声で判断してください。

よくある質問

音声ファイルの文字起こしとは何ですか?

録音された話し言葉をテキストに変換することで、音声認識ソフトか人間の担当者が行います。入力は mp3、m4a、wav などの音声ファイルで、出力はテキストです。通常は話者ラベルとタイムスタンプが付きます。要約とは別物です。

mp3 や m4a など、どの形式の音声ファイルを文字起こしできますか?

mp3、m4a、aac、wav なら、ほぼすべての文字起こしツールで確実に使えます。flac、ogg、opus もたいてい使えます。mp4 や mov などの動画ファイルも、ツールが音声トラックを抜き出すので通常は使えますが、非常に大きなファイルをアップロードする前に確認してください。DRM で保護された音声は文字起こしできません。

自動の文字起こしの精度はどのくらいですか?

精度は、どのツールを選ぶかより、録音そのものに大きく左右されます。「精度99%」のような宣伝の数字は、1人がはっきり朗読したきれいな音声のベンチマークで測ったもので、会議室で測ったものではありません。発言の重なり、遠いマイク、反響の強い部屋、なじみのないなまり、専門用語の多さがあると、結果は悪くなります。まず自分の音声を3分だけ試してください。

文字起こしツールは話者を区別できますか?

はい、話者分離(スピーカーダイアライゼーション)で区別できます。誰が話しているかで音声を区切り、発言に「話者1」「話者2」などのラベルを付ける機能です。声がはっきり違い、順番に話している場合は信頼できますが、発言のかぶり、似た声、広い部屋に無指向性マイクが1本だけ、といった条件では当てになりません。ラベルを実名に置き換える作業は、自分で行う必要があります。

録音済みの音声ファイルを後から文字起こしできますか?

はい、できます。Laxis は音声ファイルのアップロードに対応しているため、スマートフォンや会議ツール、専用の録音機で録った音声を、ライブの会議なしで文字起こしできます。無料プランは月300分までで、1回の録音は45分までです。Premium では1回の上限が2時間、Business では4時間になります。

ソフトではなく、人に文字起こしを外注すべきなのはどんなときですか?

認証が必要な法的・公式の記録、言いよどみや発言の重なりそのものがデータになる逐語の研究用文字起こし、そして音質が悪いうえに内容が重要で、手直しの時間が外注費を上回る場合です。現実的な中間策として、機械で起こした下書きを人に校正してもらう方法もあります。

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 ▷