トランスクリプト（文字起こし原稿）とは？種類・形式・実例

「トランスクリプトを送っておいて」と頼まれて、もちろん分かっていますという顔で承諾する。そしてファイルが届くと、数秒おきにタイムスタンプが並び、名前はすべて大文字で、途中には [発言が重なる] とだけ書かれた行がある。急に、そんなに自明ではなくなります。

先に分かれ道をひとつ。英語の transcript には、学校で履修した科目と取得した成績の公式記録、つまり教務課が発行する成績証明書という意味もあります。必要なのがそちらなら、在籍校の学籍窓口が行き先です。この記事が扱うのはもう一方の意味、すなわち録音から作られる「話された内容の文字記録」です。

文字起こし原稿は「文書」であって「作業」ではない

文字起こし原稿とは、録音の中で何が話されたかを、話された順番どおりに、誰の発言かを示しながら記録したテキスト文書です。定義はそれだけです。それ以外のすべて——タイムスタンプ、角括弧の注記、冒頭のヘッダー、拡張子——は、その文書を使えるものにするために上から重ねられた約束事にすぎません。

この言葉は成果物だけでなく作業そのものにも緩く使われ、そこから混乱が始まります。その文書を作ること——費用、速さ、機械か人かという問題——は別のテーマで、姉妹記事で文字起こしという作業そのものを扱っています。このページが扱うのは成果物のほうです。

文字起こし原稿をメモから分けるのは二つの性質です。まず線形であること。面白いところに飛ばず、録音を頭から終わりまでたどります。そして、名乗っているスタイルの範囲では完全であること。要約は取捨選択できますが、文字起こし原稿にその権利はありません。誰も正しいスライドを見つけられなかった退屈な五分間を飛ばせば、それはメモです。それを文字起こし原稿と呼べば、いずれ揉めごとになります。

四つの文字起こしスタイルと、それぞれが捨てるもの

どの文字起こし原稿も、実際の話し言葉の乱雑さをどこまで残すかを決めなければなりません。四つのスタイルがそのスペクトル上に並んでいて、選び間違えることが、文字起こしの発注が破綻するいちばんよくある原因です。

完全逐語（素起こし）

すべてを残します。「えー」の一つひとつ、どもりや言い直し、さらに笑い、長い沈黙、背景の物音といった非言語音まで、すべて注記します。完全逐語が捉えるのは、何が話されたかだけでなく、どう話されたかです。作るのが遅く、読むのも苦痛ですが、まさにそれが求められる場面があります。法的手続き、警察の取り調べ、そして「ためらい」そのものがデータになる研究です。

ケバ取り（クリーン逐語）

話された言葉はそのまま、ノイズだけを落とします。ケバ取りはフィラー、口癖、どもりを取り除きますが、言い換えはしません。文はあくまで話者のものです。多くの現場では、意味のある言い直しや自己訂正は残します。それは本当の迷いを示すからです。一方、一時間に四十回も出てくる反射的な「なんていうか」は削ります。会議、カンファレンスのセッション、フォーカスグループ、講義録音の標準はこれです。

インテリジェント逐語

読みやすさへもう一歩。フィラー削除に加えて、書き起こす人が文法を軽く整え、繰り返しをまとめ、意味を持たない脱線（「すみません、うちの犬が騒いでいて」）を落とします。話者の語り口は残り、粗さだけが消えます。引用する予定のインタビューでは、研究者がこれを好むことが多いです。ややこしいことに、ベンダーによっては「インテリジェント逐語」と「ケバ取り」を同義で使います。

整文（編集済み原稿）

いちばん手を入れたバージョンです。編集者が節の順序を入れ替え、文を締め、文法を直し、その場にいなかった読者のためにテキストを整えます。掲載されるインタビュー、講演録、ポッドキャストのショーノートはここに属します。トレードオフは本物です。整文はいちばん読みやすく、記録としてはいちばん弱いのです。

ヒント: 着手前にスタイルを名指しで決めること。 これらの用語は標準化されていません。あるベンダーの「ケバ取り」は、別のベンダーの「インテリジェント逐語」です。ラベルを当てにしないこと。代わりに二行の仕様を送ってください。「言い直しは残す、フィラーは削る、聞き取れない箇所にはタイムスタンプを付ける」。この一文が、いちばん高くつくやり直し——フィラーは残すはずだったという理由で四十時間分の音声をやり直すこと——を防ぎます。

文字起こし原稿は実際にどう見えるのか

説明だけでは限界があります。以下は短いビジネス会議のケバ取り原稿で、多くのプロの原稿と同じ書式にしてあります。

サンプル原稿 — ケバ取り

文字起こし — Q3 価格レビュー 録音日: 2026年8月5日 | 長さ: 00:42:11 | 話者: 3名 スタイル: ケバ取り

[00:00:04] MAYA CHEN: はい、録音を始めました。Dan、修正後の マージンの数字はありますか？

[00:00:09] DAN OKAFOR: あります。エンタープライズは粗利率が 六十一パーセント、Q2 から四ポイント上がりました。 ひどいのはミッドマーケットです。

[00:00:21] MAYA CHEN: どうひどいんですか？

[00:00:23] DAN OKAFOR: サポートの負荷です。価格は同じで、 チケットはざっと三倍。原因は[聞き取り不能 00:00:27] オンボーディングだと思います。

[00:00:31] PRIYA RAO: 納得です。六月にセルフサーブの オンボーディングをリリースしましたが、利用率は 三十パーセント未満です。

[00:00:38] MAYA CHEN: つまり直すべきは——[発言が重なる]——

[00:00:39] DAN OKAFOR: ——直すべきはオンボーディングで、 価格ではありません。

[00:00:44] MAYA CHEN: では、アクションアイテムにしましょう。 Priya、木曜までにコホート別の利用率を出せますか？

[00:00:51] PRIYA RAO: はい。水曜に。

[00:00:53] [録音一時停止]

ここではほぼ普遍的な四つの約束事が働いています。

• ヘッダーブロック。 タイトル、日付、長さ、話者数、スタイル。これがあるだけで、文字の壁が六か月後にも引用できる文書になります。
• 話者ラベル。 大文字のフルネーム、あるいは匿名性が必要なら INTERVIEWER、RESPONDENT のような役割ラベル。統一すること。半分が DAN で半分が D. OKAFOR の原稿は、それに対する検索をすべて壊します。
• タイムスタンプ。 上のように話者が変わるたび、または 30 秒から二分ごとの一定間隔で。細かすぎればノイズになり、粗すぎれば場面を探しにくくなります。
• 発話以外はすべて角括弧に。 [聞き取り不能]、[発言が重なる]、[笑い]、[録音一時停止]。まじめな原稿は聞き取れないタグにタイムスタンプを添え、誰かが聞き直して穴を埋められるようにします。

この四つを手作業で正しくやるのは骨が折れます。だからこそ今はほとんどが自動生成です。会議ツールはヘッダー、ラベル、タイムスタンプを自動で作ります。たとえば Laxis は Zoom、Google Meet、Microsoft Teams の通話を、ラベルとタイムスタンプ付きの文書に文字起こしし、あわせてアクションアイテムを抽出します。おかげで Priya がいま引き受けたタスクは、誰かが書き留めるのを覚えているかどうかに左右されません。どこから来た原稿であれ、上の約束事が評価の基準になります。手順そのものは音声をテキストに文字起こしする方法の解説で扱っています。

文字起こし原稿、キャプション、字幕、議事録：四つの異なる文書

この四つは日常的に同義語として使われますが、互換ではありません。要は二つの問いです。テキストはタイムラインに同期しているか。そして、完全なのか取捨選択されているのか。

文字起こし原稿は完全かつ単独で成立します。映像を閉じたままでも読めます。クローズドキャプションも完全ですが時間に同期し、音声の進行に合わせて現れるブロックに刻まれ、さらに非言語情報も運びます。聞こえない人のために作られているからです。字幕は時間に同期しますが取捨選択され、セリフだけを扱います。あなたが音は聞こえるものの、その言語を解さないことを前提にしているからです。議事録はそのどちらでもありません。決定、担当、期限を構造化した要約です。

これらの文書は一方向にしか流れません。原稿をブロックに刻んで時間を付けキャプションにすることも、要約して議事録にすることもできます。逆はまず戻せません。キャプションは任意の改行位置で切られ、段落構造が剥ぎ取られています。議事録に至っては、意図的に言葉の 95% を捨てています。原稿は残しておくことです。

クローズドキャプションと字幕の違い、誰もが取り違えるので

十人に字幕とは何かと聞けば、九人はキャプションの説明をします。この違いは見た目の問題ではなく、規制のある場面では順守と違反を分けます。

字幕は「聞こえる」ことを前提にします。 解こうとしているのは言語の問題なので、運ぶのはセリフだけです。画面外でドアが閉まる音に字幕は要りません。聞こえているのですから。

クローズドキャプションは「聞こえない」ことを前提にします。 解こうとしているのはアクセシビリティの問題なので、音声トラックが運ぶものすべてを運びます。誰が話しているか、何を言ったか、そして意味に関わる非言語音——[不穏な音楽が高まる]、[ガラスが割れる]、[ため息]。キャプションのほうがごちゃついて見えるのはそのためです。

これに二つの用語が加わります。SDH——ろう者・難聴者向け字幕——はハイブリッドで、字幕の見せ方でキャプションの中身を運ぶものです。動画配信サービスが提供しているのはたいていこれです。そして「クローズド」は単に「切り替えられる」という意味で、オープンキャプションは映像に焼き込まれていてオフにできません。だから無音で自動再生されるフィードではこちらが主流です。仕組みの面でも違います。放送用クローズドキャプションは伝統的に一行あたり 32 文字前後が上限で、SDH ファイルは 42 文字まで許されます。同じ作品なのに二つのプレーヤーで改行位置が違うのは、これが理由です。

ヒント: 自社のアクセシビリティ方針が実際にどちらを求めているか確認すること。 翻訳字幕を出してアクセシビリティ対応済みとチェックを入れ、後から要件を満たしていなかったと気づくチームは珍しくありません。ろう者・難聴者のアクセスに必要なのはキャプションまたは SDH、つまり話者を示し意味のある音を描写するテキストです。海外の視聴者に必要なのは翻訳字幕です。多くの動画ライブラリはその両方を、別ファイル・別コストで必要とします。

文字起こし原稿が届くファイル形式

拡張子は、その原稿が何をするために作られたかを教えてくれます。出会うのはだいたい六つです。

.txt は最小公倍数です。書式もメタデータもなく、どこでも開け、スクリプトや検索にきれいに流し込めます。.docx は人が読み、コメントし、黒塗りする場合向けで、スタイル、ぶら下げインデント、変更履歴を保持します。.pdf は署名され、証明され、保管される版で、レイアウトが固定されます。.json はいちばん豊かで、単語単位のタイムスタンプ、単語ごとの信頼度スコア、構造化フィールドとしての話者 ID を持ちます。原稿の上に検索や分析を作るつもりなら、JSON を頼んでください。

そして、原稿の形式だと誤解されがちなキャプション形式が二つ。.srt（SubRip）は万能のアップロード形式で、開始と終了の時刻を持つ番号付きブロックからなり、ほぼすべての編集ソフト、プレーヤー、プラットフォームが受け付けます。ミリ秒の区切りはカンマです: 00:00:01,500。.vtt（WebVTT）はウェブ生まれで、HTML5 の <track> 要素のために作られました。先頭に WEBVTT の行が必要で、カンマではなくピリオドを使い（00:00:01.500）、ブロック番号は任意、そして SRT が運べないものを運びます。CSS スタイル、画面上の位置指定、チャプターマーカー、メタデータトラック、そしてアラビア語やヘブライ語のような右から左へ書く言語のより良い扱いです。

どちらも原稿の保管先としては適していません。両方とも設計上、段落構造を捨てており、時間で刻まれたブロックから読める文章を組み直すのは本当に面倒な仕事です。テキストか JSON のマスターを保ち、動画に必要になったときに SRT か VTT を書き出してください。

文字起こし原稿の中で暮らしているのは誰か

文字起こし原稿はニッチな成果物に見えますが、それを土台にした職業を数え上げると印象が変わります。

• 法務。 断然もっとも厳格な利用者です。証言録取と公判は完全逐語の記録を求め、弁護士が「43 ページ 12 行目」と引用できるよう行番号を振るのが普通です。認証された原稿には正確性の宣誓が署名付きで添えられ、証拠として機能します。
• 医療。 臨床医は診療記録、手術記録、退院サマリーを口述し、それらは患者記録に入ります。正確性の基準は容赦なく、語彙は濃密で、保存期間は年単位です。
• 研究。 質的研究は文字起こしされたインタビューとフォーカスグループの上に成り立ちます。研究者は原稿を一行ずつコーディングしてテーマを取り出すので、ためらいが残るかどうかというスタイルの選択が、そのまま知見を形づくります。
• メディア。 記者は正確に引用し、後でその引用を守るためにインタビューを文字起こしします。ポッドキャストの作り手が原稿を公開するのは、話し言葉のコンテンツを検索可能にする唯一の方法だからです。こうして原稿は、いつのまにか SEO 資産にもなりました。
• ビジネス。 いちばん大きく、いちばん雑然としたカテゴリです。営業電話、取締役会、全社会議、コンプライアンス録音。誰も頭から通しては読みません。検索され、引用され、決定を掘り出されるために存在します。だからこそ、たとえば Laxis の原稿は要約と次のステップを HubSpot や Salesforce に同期します。通話メモが、誰も開かない文書ではなく、商談のある場所に届くようにです。

そして、それ以外のすべての人。ボイスメモ、講義、家族史のインタビュー、見るより読みたい YouTube 動画。ここで原稿はディクテーションとすれ違いますが、二つは別の行為です。ディクテーションとは、意図して話すことで文章を作ることであり、それが目的なら最良の AI ディクテーションアプリのまとめから始めるほうが早いはずです。

すべての会議に、きれいな話者ラベル付き原稿を

Laxis は Zoom、Google Meet、Microsoft Teams を 100 以上の言語で録音・文字起こし・要約します。話者ラベル、タイムスタンプ、アクションアイテム込みです。無料プランには毎月 300 分の文字起こしが含まれます。

Laxis を無料で試す

まとめ

文字起こし原稿は、あなたが作る他のあらゆるものと逆向きに年を取ります。要約は書いた週には役に立ち、一年後には価値がなくなります。その火曜日に書き手にとって重要だったものだけを残したからです。原稿は作った週にはほとんど役に立ちません。自分が出た会議の 9,000 語を誰も読まないからです。ところが、その後は月を追うごとに価値を増します。誰も重要になると知らなかったものを残したからです。だからこそ、あの退屈な書式の細部が注意に値します。どれもあなたのためではありません。十八か月後にその中から一文を探さなければならない誰かのためです。

よくある質問

トランスクリプトとは何ですか？

トランスクリプトとは、音声または映像の記録の中で何が話されたかを、話された順番どおりに記録したテキスト文書です。話者を示し、たいていタイムスタンプを持つので、どの行も元ファイルのある時点までたどれます。

文字起こし原稿はどのような見た目ですか？

原稿はタイトル、日付、長さ、参加者を示す短いヘッダーで始まり、続いて話者の発言が順に並びます。各発言はタイムスタンプと大文字の話者ラベルで始まります。はっきりしない箇所は [聞き取り不能] や [発言が重なる] のように角括弧で示されます。

文字起こしの主な種類は何ですか？

よく使われるスタイルは四つです。完全逐語はどもりやフィラーを含めすべての音を残します。ケバ取りは言葉は残しつつフィラーと口癖を落とします。インテリジェント逐語はさらに文法を整え繰り返しを削ります。整文は掲載のために書き直したものです。ベンダーによってラベルの使い方が違うので、自分の発注ではどの意味かを確認してください。

トランスクリプトと字幕の違いは何ですか？

トランスクリプトは映像なしで単体として読める独立した文書です。字幕は時間で区切ったブロックに刻まれ映像の上に表示される短いセリフの行で、多くは、音は聞こえるがその言語を解さない視聴者のために翻訳されています。

トランスクリプトは議事録と同じものですか？

いいえ。トランスクリプトは話された内容をすべて、一語ずつ順番どおりに記録します。議事録は何が決まったかを短く構造化した要約で、出席者、決定、担当、期限を扱います。一時間の会議から 9,000 語の原稿と一ページの議事録が生まれることがあり、どちらも正しいのです。

文字起こし原稿はどのファイル形式にすべきですか？

人が読み、書き込み、保管するなら .docx か .pdf を。ソフトウェアが処理するなら .txt か .json を。テキストをキャプションとして映像に同期させる必要があるときだけ .srt か .vtt を使ってください。プレーンテキストのマスターを保ち、他は書き出しで用意します。

transcript は学校の成績証明書という意味もありますか？

はい。教育の分野では、academic transcript は学生が履修した科目と取得した成績の公式記録で、学校や大学の教務課が発行します。音声の意味とは単語を共有するだけで、それ以外に共通点はありません。必要な場合は教務課に請求してください。