動画をテキストに文字起こしする5つの方法を比較

いまこの瞬間もあなたのドライブのどこかに、ウェビナーか、顧客インタビューか、四十分の講義映像が眠っているはずです。テキストになってさえいれば、三十秒で検索し終わる代物です。ここでは2026年に動画をテキストに文字起こしするあらゆる現実的な方法と、それぞれの費用、そして目の前にある動画にどれが合うのかを見ていきます。

この作業が専門家の面倒仕事でなくなってから、もう何年も経ちました。プラットフォームの標準機能、AI ツール、そしてすでに使っているソフトの中に埋もれた選択肢——動画のテキスト化は、ほとんど「どの扉を選ぶか」の問題です。無料のコピー＆ペースト仕事か、話者ラベル付きの整った文字起こし原稿か、あるいは1分$1.50の請求書か。この記事では、多くの人が試すべき順に、5つの扉すべてを歩いて回ります。

検索できない動画は、使い回せない動画

動画は素晴らしい記録形式ですが、ひどい検索形式です。顧客が「なぜ解約寸前まで行ったか」を説明したその一文を探すために、47分の映像をスクラブする人などいません。文字起こし原稿があれば、そのスクラブ問題は Ctrl+F の問題に変わります。人が原稿を欲しがる理由のほとんどは、この一点の変化から来ています。

コンテンツの再利用は、コンテンツチームにとっての本命です。録画したウェビナー1本の中には、ブログ記事1本、字幕を付ける価値のあるソーシャル動画が十数本、メール1通、事例1本が入っています——ただし、それは言葉が誰かの編集できるテキストとして存在してからの話です。アクセシビリティは、それ以外の全員にとっての本命です。文字起こし原稿と字幕は、耳の聞こえない人・聞こえにくい人にとっても、電車の中で音を消して見る人にとっても、そして検索エンジンにとっても動画を使えるものにします。検索エンジンが索引を張るのはピクセルではなく、テキストだからです。さらに日常的な山があります。アクションアイテムを抜き出す必要のある会議の録画、学習ノートになる講義、実際の発言と引用を突き合わせる必要のあるインタビュー。

これらの用途は、許容できる誤りの水準も、支払ってよい金額もそれぞれ違います。学習用のまとめなら、単語がいくつか化けていても生きていけます。公開記事の中の引用はそうはいきません。だからこそ「動画を文字起こしする一番いい方法は？」という問いには、答えが1つではなく5つあるのです。

動画から言葉を取り出す5つの方法

以下の方法はいずれも実在し、日々使われています。まず比較表、それから詳細を見ていきましょう。

方法1：すでに YouTube にあるものには、YouTube の標準の文字起こし

動画が YouTube にあるなら——自分のものでも他人のものでも——文字起こしはすでに存在している可能性が高いです。YouTube はほとんどのアップロードに自動で字幕を生成し、それをもとに文字起こしのパネルを組み立てるからです。概要欄の1クリック先にあるテキストのために、サブスクリプション料金を払っている人がいるほどです。

YouTube 動画の文字起こしを取得する方法

1. デスクトップで動画を開き、概要欄の末尾にある ...more（「...もっと見る」）をクリックして展開します。スマートフォンでは、概要欄をタップすれば同じように展開できます。
2. Show transcript（「文字起こしを表示」）をクリックします。プレーヤーの横にパネルが開き、各行にタイムスタンプが付いて、再生に合わせてスクロールします。
3. プレーンテキストが欲しい場合は、パネル内の三点メニューをクリックし、Toggle timestamps（「タイムスタンプの切り替え」）を選んでタイムコードを隠します。
4. パネルの中をクリックし、Ctrl+A（Mac では Cmd+A）ですべて選択してコピーし、ドキュメントに貼り付けます。

ここからが細かい話です。投稿者がきちんとした字幕をアップロードしていれば、品質は申し分ないこともあります。YouTube が自動生成したものなら、句読点は薄く、名前は化け、音楽や発話の被りがあるところではもっともらしい出鱈目が出てくると覚悟してください。話者ラベルはまったくありませんし、字幕が生成されなかったか無効にされていて、そもそも文字起こしのない動画も少数あります。

YouTube 動画を文字起こししたいときの、無料の最初の一手として扱いましょう。引用を1つ抜く、講演にざっと目を通す、要約ツールに食わせる——どれにも申し分ありません。話者ラベルや整った句読点が必要になった瞬間、あるいは YouTube にない動画を扱う瞬間に、この方法は卒業です。残りの4つの方法はそのためにあります。

ちょっとしたコツ：検索したいだけなら、何もコピーする必要はありません。文字起こしパネルを開き、ブラウザの検索機能（Ctrl+F / Cmd+F）で目的のフレーズに直接飛べます。任意の行をクリックすれば、動画はその瞬間まで飛びます。1時間の講演の中で引用を裏取りするには、これが最速です。

方法2：AI 文字起こしツールにファイルをアップロードする

自分のマシンにある動画ファイル——ウェビナープラットフォームから落とした MP4、画面収録、カメラから取り出したインタビュー映像——には、これが主力の方法です。専用の AI 文字起こしサービスはアップロードされたファイルを受け取り、その音声トラックに音声認識をかけ、編集可能な文字起こし原稿を返してきます。たいていは話者ラベル、タイムスタンプ、そして無料ルートにはない書き出し方法まで付いてきます。

AI 文字起こしツールで動画を文字起こしする方法

1. ツールを選び、アップロードの上限と対応形式を確認します。MP4 や MOV のような動画ファイルをそのまま受け付けるものも多く、音声だけを求めるものもありますが、それは次の節でコマンド1行で解決します。
2. ファイルをアップロードし、自動判別されない場合は話されている言語を設定します。
3. 動画に複数の声が入っているなら、話者ラベルをオンにします。
4. 処理を待ちます。ふつうは再生時間のごく一部の時間で終わります——数時間ではなく数分です。
5. 下書きにざっと目を通し、名前と専門用語を直してから、文書にするなら TXT か DOCX、字幕が欲しいなら SRT/VTT で書き出します。

費用の形は2つです。従量課金でおおよそ1分$0.10から$0.50、あるいは一定の分数が含まれる定額制で、常用する人にはこちらが有利です。ほとんどのツールには実際の素材で試せるだけの無料枠があります。そして仕組みは、元が動画でもボイスレコーダーでもまったく同じなので、無料ツールの全体像とその限界については音声をテキストに文字起こしする方法のガイドに譲り、ここでは繰り返しません。

方法3：編集ソフトの中に隠れている文字起こし

すでにその素材を編集しているなら、別のツールなど要らないかもしれません。文字起こしは、いつのまにか動画編集ソフトの標準機能になりました。Premiere Pro の Speech to Text（音声のテキスト化）は、シーケンス全体をおよそ18言語で文字起こしします。サブスクリプション料金以外の追加費用はなく、話者検出とワンクリックの字幕生成も付いています。DaVinci Resolve は有料の Studio 版で音声から字幕を作れます。Final Cut Pro はサーバーに一切触れずに台詞を字幕に変える、デバイス内蔵の文字起こしを追加しました。CapCut はショート動画に狙いを定めた自動字幕を生成します。

もう一つの系統はさらに踏み込みます。文字起こし原稿を中心に据えた編集ソフトで、最も有名なのが Descript です。読み込み時に素材を文字起こしし、テキストを編集することで動画を編集させてくれます——原稿から1文を削除すると、タイムライン上の対応するクリップが消えるのです。粗編集の中で暮らすポッドキャスターやコース制作者にとって、この逆転は本当に役立ちますし、文字起こし原稿は編集の副産物としてただで手に入ります。

落とし穴は文脈です。編集ソフトの文字起こしは、字幕付けとカットのために作られていて、独立した文書を作るためのものではありません。プロジェクトファイルを一生開かない誰かに、整った話者ラベル付きの原稿を書き出すことは可能ですが、ぎこちない作業になります。文字起こしが編集に奉仕するときは、この方法を使いましょう。文字起こしそのものが成果物なら、方法2のほうが摩擦が少なく済みます。

方法4：録画した通話なら、会議プラットフォームに任せる

「この動画をどう文字起こしすればいい？」という質問のかなりの割合は、実は特定の一種類の動画についてのものです。録画された通話です。素材が Zoom、Google Meet、Microsoft Teams から来たものなら、どこかにアップロードする前にまずプラットフォームを確認してください。3社とも、ほとんどの有料プランで録画した会議の文字起こしを生成します。しかも話者の名前は声から推測するのではなくアカウントから取られるので、これはアップロード方式のどのツールにも真似できません。

各プラットフォームには独自のスイッチ、保存場所の癖、言語の制限があり、とりわけ Zoom は2026年に文字起こしの仕組みを再編しました——Zoom の文字起こしガイドで、ファイルがどこにあるのか、見つからないときにどう直すのかを解説しています。文字起こしする対象の大半が会議なら、すべての通話を自動で記録・文字起こし・要約する専用アシスタントのほうが、録画を1本ずつ処理するより勝ります。選択肢は2026年の最高の AI 議事録ツールの比較でランク付けしています。

方法5：重みのある素材には、人手の文字起こし

プロによる人手の文字起こしは音声1分あたり$1〜$3、納期は数分ではなく数時間から数日です。損な取引に聞こえますが、それが何のためにあるのかを見れば話は変わります。人間の書き起こし担当者は、AI モデルなら泣き出すような音声——強い訛り、4人が互いに遮り合う場面、法廷の音声、臨床用語——でおよそ99%の精度を出し、体裁の指定にも従います。素起こしかケバ取りか、特定の話者表記のルール、必要なら認証付きの成果物まで。

証言録取、診療記録、公開予定の研究インタビュー。文字起こしの誤りが法的・金銭的な結果を招くとき、映像1時間あたり$90〜$180は安い保険です。請求額を抑える定番のハイブリッドもあります——まず AI にかけ、そのうえで本当に重要な録音だけ人手のレビューに出すのです。

先に音声だけ抜き出すのが賢い場面もある

ここまでのどの方法にも、少しばかり気の楽になる秘密があります。どれ一つとして、あなたのピクセルを見てはいません。文字起こしは音声トラックの上で起きます。それだけです。だからこそ、ツールが音声ファイルしか受け付けないとき、アップロード上限が2 GBの画面収録を弾いたとき、あるいはホテルの Wi-Fi では2,000 MBより40 MBのほうがずっと賢明なとき、先に音声を抜き出しておくのは有効な手になります。

ffmpeg（無料・オープンソース）を入れられるなら、ターミナルで1行です。

ffmpeg -i interview.mp4 -vn -q:a 2 interview.mp3

これは動画を読み込み、映像を捨て（-vn は映像なしの意味）、サウンドトラックを高品質な MP3 として書き出します。1時間の動画が、エンジンにとって重要なものをすべて残したまま、ごく一部のサイズのファイルになります。ターミナルは無理？ VLC や無料の音声編集ソフトでも、変換メニューから動画の音声トラックを書き出せます。

これは会議向けのツールにつなぐ、最もきれいな橋でもあります。Laxis——私たちの AI 会議アシスタント——はウェブアプリの Upload Audio（音声をアップロード）ボタンから MP3、WAV、M4A のアップロード録音を受け取り、そのファイルをライブの会議とまったく同じように扱います。文字起こし原稿、AI 要約、抽出されたアクションアイテムまで。月300分の無料文字起こし枠付きで、100+ の言語に対応しています。音声を抜き出してアップロードすれば、1時間の映像はコーヒーをおかわりするほどの時間で検索可能な作業メモに変わります。

字幕と文字起こし原稿は別の成果物

書き出しの段階で人がつまずく判断が1つあります。欲しいのは文字起こし原稿か、それとも字幕か。文字起こし原稿は、話されたことすべてを読める形にした文書です。段落があり、話者名があり、引用も検索もできます。SRT や VTT のような字幕ファイルは、同じ言葉を短く正確にタイミングを取った断片に刻み、プレーヤーが動画と同期して画面に出せるようにします。これらの形式の詳しい仕組みは、トランスクリプトとは何かのガイドにまとめてあります。

実用的なルールはこうです。人が読むなら文字起こし原稿を、動画プレーヤーが表示するなら SRT か VTT を取る。優れたツールは同じ処理から両方を書き出せるので、これは分かれ道ではなくチェックボックスにすぎません——とはいえ、タイムスタンプだらけの SRT ファイルから誰かの発言を引用しようとした経験が一度でもあれば、二度と両者を混同しなくなります。

期待できる精度と、それを直す十分間の後始末

現代の AI 文字起こしは、クリーンな音声——一度に1人だけが話し、まともなマイクがあり、背景雑音が少ない——で95〜98%の精度に届きます。問題は、動画の音声がしばしばクリーンではないことです。ナレーションの下に敷かれた音楽、会議室カメラの反響、3人のパネリストが互いに被せて話す場面、演台マイクから離れていく講演者——どれもが精度を引き下げ、ときにはパンフレットの数字をはるかに下回ります。より深い仕組みと、誤り率が実際に何を意味するのかについては、文字起こしの仕組みと費用の解説できちんと扱っています。

この記事に関しては、実務的な助言はもっと単純です。97%の精度でも、15分の動画では約27語が誤っている計算になり、しかもそれは最も痛いところ——名前、製品用語、数字、略語——に集中します。ですから短い後始末の時間を見込み、次の順番で進めてください。

1. まず固有名詞を直す。モデルはありふれた言葉を正しく、専門的な言葉を誤って書きます。化けた名前や製品用語は、検索と置換で一度に全箇所を直しましょう。
2. 数字はすべて確認する。「15」と「50」の差は、悪いマイク1本ぶんしかありません。数字が違うのは、抜けているよりたちが悪いのです。
3. 境目で話者ラベルを検証する。話者分離は、人が互いに遮り合うところで滑ります。ラベルが切り替わる瞬間を重点的に抜き取り確認しましょう。
4. 印の付いた箇所だけ聞き直す。多くのツールは確信度の低い語に印を付けます。動画全体を見直すのではなく、そのタイムスタンプをクリックしましょう。

ちょっとしたコツ：同じ話者や同じ題材を繰り返し文字起こしするなら、カスタム辞書を持つツールを選び、最初の処理の前に製品名、略語、チーム名を登録しておきましょう。20語をモデルに一度教えるほうが、以後すべての原稿で同じ20語を直し続けるより楽です。

「動画文字起こしツール」と名乗るサービスについて

動画の文字起こしを検索すると、自らを動画文字起こしツールと称するサイトの壁にぶつかります。動画の URL を貼るかファイルを放り込むと、文字起こしが返ってくる、というものです。この名前の裏には大きく異なる2つの仕組みがあり、どちらを使っているのかを知れば、何を期待すべきかも分かります。

こうしたツールの一部は字幕の取得屋です。YouTube のリンクを渡すと、プラットフォームにすでにある字幕トラックを引っ張ってきて——方法1と同じテキストです——体裁を整え直します。だから即座に返ってきますし、だからこそ出力は YouTube 自身の文字起こしとまったく同じ誤りを含みます。もう一方は本物の文字起こしエンジンで、メディアをダウンロードまたは取り込んで音声認識をかけます。数分かかり、品質（と限界）は方法2と同じです。その多くは真っ当で便利です。一部は、さわりだけ見せておいて、処理を待たせたあとで書き出しに課金する集客の罠です。

URL を貼ったり、クライアントの素材をアップロードしたりする前に確認したいことが4つあります。

• ファイルはどこへ行くのか。保存期間と削除について、平易な言葉で書かれた一文を探しましょう。社内の全社会議が、どこの誰とも知れないサーバーに無期限に置かれてよいはずがありません。
• 文字起こしなのか、字幕の取得なのか。「ツール」が YouTube のリンクでしか動かず、即座に結果を返すなら、それは取得です。公開されている講演には十分ですが、自分のファイルには役立ちません。
• 無料なのは、正確にどの部分か。1時間の動画をアップロードする前に、長さの上限と、書き出しに料金がかかるかどうかを確認しましょう。
• 話者にラベルを付けるか。URL 方式のツールの多くは付けません。パネルディスカッションやポッドキャストでは、この欠落がツールの節約分を上回る時間を奪います。

知っておきたいこと：URL 方式のツールを使うのは、公開されていて、かつ自分に文字起こしする権利のある動画だけにしましょう。私的なもの、機密のもの、クライアントに帰属するものは、プライバシーポリシーと保存期間の管理が明示されたツールに直接アップロードするか——あるいは編集ソフトの中で完全にローカルに留めるか——にして、40秒前に見つけたサイトに素材を渡さないことです。

録音を自動で検索可能なメモに変える

Laxis は、アップロードした録音と、Zoom、Google Meet、Teams のライブ会議を文字起こしし、そのうえで要約を書き、アクションアイテムを抜き出します。毎月300分の無料枠付きです。

Laxis を無料で試す

結論

2026年に動画をテキストに文字起こしするのは、技術の問題ではなくルーティングの問題です。すでに YouTube にある？　文字起こしは概要欄の1クリック先です。自分のファイル？　AI ツールが数分で、はした金で95〜98%の精度を返します。編集の途中？　あなたの編集ソフトはたぶん文字起こしできます。録画した通話？　会議プラットフォーム——あるいは同席していた会議アシスタント——がすでに持っています。訴訟という単位で重みを測る案件？　人手に1分$1〜$3を払って、ぐっすり眠りましょう。

検索できない動画の本当のコストは、払わずに済ませた文字起こし料金ではありません。見つからなかったすべての引用、字幕の付かなかったすべてのクリップ、そして実際に何が言われたかを誰も確認できないせいで蒸し返されるすべての決定です。言葉はもう動画の中にあります。取りに行きましょう。

よくある質問

動画を無料でテキストに文字起こしするには？

動画が YouTube にあるなら、概要欄を展開して Show transcript をクリックし、テキストをコピーすれば費用はかかりません。自分のデバイスにあるファイルなら、AI 文字起こしツールの無料枠が毎月一定の分数をカバーします。たとえば Laxis には月300分の無料文字起こし枠が含まれています。そのあと名前と句読点を整える時間を数分見込んでおきましょう。

ほかのツールを使わずに YouTube 動画の文字起こしを手に入れられますか？

はい。視聴ページで概要欄を展開し、Show transcript をクリックすると、タイムスタンプ付きのパネルがプレーヤーの横に開きます。すべて選択してコピーすればテキストが手に入ります。字幕が存在するところならどこでも使えますが、話者ラベルはなく、自動生成された字幕は名前、専門用語、重なった発話を取り違えます。よりきれいな結果が欲しいなら、動画を文字起こしツールに通しましょう。

動画文字起こしツールは実際に何をしているのですか？

動画文字起こしツールは、アップロードされたファイルか貼り付けられた動画 URL を受け取り、話された言葉をテキストとして返します。音声に本当に音声認識をかけるものもあれば、プラットフォームにすでにある字幕を取ってきて体裁を整え直すだけのものもあります。信頼する前に、どちらの種類か、ファイルをどれだけの期間保持するか、書き出しが有料の壁の向こうにないかを確認しましょう。

動画の文字起こしにはどれくらい時間がかかりますか？

AI の文字起こしは再生時間のごく一部で済み、1時間の動画はふつう数分で処理されます。プロの人手のサービスは、支払った納期のグレードに応じて数時間から数日で納品し、特急は割高になります。自分で打ち込むのは最も遅い道です。映像1時間あたり、おおよそ4時間の作業を見込んでください。

文字起こしの前に、動画から音声を抜き出す必要はありますか？

ふつうは不要です。ほとんどの文字起こしツールや編集ソフトは、一般的な動画形式をそのまま受け付けます。どのみち読んでいるのは音声トラックだけだからです。先に音声を抜き出すのが役立つのは、ツールが音声しか受け付けないとき、アップロード上限が大きな動画を弾くとき、あるいは持ち運びやすい小さなファイルが欲しいときです。ffmpeg のコマンド1行で数秒で抜き出せます。

話者が複数いる動画はどう文字起こししますか？

話者分離（ダイアライゼーション）を備えたツールを使いましょう。それぞれの声を分離してラベルを付けてくれます。有料の AI 文字起こしサービスや会議アシスタントの多くに搭載されています。人が被せて話すとラベルは滑るので、話者が切り替わるところは原稿を抜き取り確認してください。録画した通話なら、会議プラットフォーム自身の文字起こしを優先しましょう。声から推測するのではなく、アカウントから話者名を取ってくれます。