トランスクリプトとは？文字起こしの種類・書式例と字幕との違い

「トランスクリプトを送ってください」と頼まれ、何のことかは分かっているつもりで引き受けたものの、届いたファイルを開いて戸惑うことがあります。数秒おきにタイムスタンプが入り、話者の名前は大文字で書かれ、「[発言が重なる]」とだけ書かれた行まである。こうなると、トランスクリプトとは何なのかが急に分からなくなります。

先に1つ補足しておきます。トランスクリプト（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。必要なのがそちらであれば、在籍している学校の学籍担当の窓口に問い合わせてください。この記事で扱うのはもう1つの意味、録音から作る「話された内容の文字の記録」です。

トランスクリプトとは：「作業」ではなく「文書」のこと

トランスクリプトとは、録音の中で話された内容を、話された順に、誰の発言かが分かる形で記録したテキスト文書です。日本語では「文字起こし」「書き起こし」とも呼ばれ、一言一句をそのまま記録したものは「逐語録」とも呼ばれます。定義はこれだけです。タイムスタンプ、角かっこの注記、冒頭のヘッダー、ファイルの拡張子などは、文書を使いやすくするために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を指してゆるく使われることもあり、それが混乱のもとです（日本語の「文字起こし」も、作業と成果物の両方を指します）。文書を作る側の話、つまり費用、スピード、機械か人かといったテーマは別の話題なので、文字起こしという作業そのものは姉妹記事で解説しています。この記事で扱うのは成果物のほうです。

トランスクリプトとメモを分ける性質は2つあります。1つは時系列どおりであることです。面白い部分だけを拾わず、録音を最初から最後までたどります。もう1つは、うたっているスタイルの範囲で漏れがないことです。要約は取捨選択できますが、トランスクリプトには許されません。誰も目的のスライドを見つけられなかった退屈な5分間を省けば、それはメモです。それをトランスクリプトと呼べば、いずれ揉めごとの種になります。

トランスクリプトの4つの種類と、それぞれが省くもの

どのトランスクリプトも、実際の話し言葉に含まれる雑多な要素をどこまで残すかを決めています。その度合いによって4つのスタイルがあり、文字起こしの発注で最も多いトラブルの原因は、このスタイルの選び間違いです。

素起こし（完全逐語）

すべてを残すスタイルで、英語では full verbatim（true verbatim）と呼ばれます。「えー」「あのー」のひとつひとつ、言いよどみや言い直しに加え、笑い声、長い沈黙、背景の物音といった話し声以外の音まで記録します。何が話されたかだけでなく、どう話されたかまで記録するのが素起こしです。作るのに時間がかかり、読むのも大変ですが、まさにそれが求められる場面があります。法的な手続き、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残し、雑音だけを取り除くスタイルです。「えー」などのフィラー（ケバ）、口癖、どもりは削りますが、言い換えはしません。文はあくまで話し手のものです。多くの業者は、意味のある言い直しや自己訂正は残します。本当の迷いを示しているからです。一方、1時間に40回も出てくる「なんていうか」のような口癖は削ります。会議、カンファレンスのセッション、フォーカスグループ、講義の記録では、これが標準です。

整文（インテリジェント・バーバティム）

読みやすさをさらに一歩優先したスタイルです。フィラーを削るのに加えて、文法を軽く整え、繰り返しをまとめ、意味のない脱線（「すみません、うちの犬が騒いでいて」など）を省きます。話し手の語り口は残しつつ、粗さだけを取り除きます。研究者は、引用する予定のインタビューにこのスタイルを選ぶことがよくあります。ややこしいことに、英語圏では intelligent verbatim と clean verbatim を同じ意味で使う業者もあります。

編集原稿（リライト）

最も手を加えたスタイルです。編集者が語順を入れ替え、文を引き締め、文法を直し、その場にいなかった読み手に向けて文章を整えます。掲載用のインタビュー、講演録、ポッドキャストのショーノート（概要欄）がこれにあたります。トレードオフははっきりしています。編集原稿は最も読みやすい一方で、記録としての信頼性は最も低くなります。

ヒント：作業を始める前にスタイルを具体的に指定する。 これらの用語は標準化されておらず、同じ名前でも業者によって中身が違います。ある業者の「クリーン逐語」が、別の業者では「インテリジェント・バーバティム」だったりするのです。名前に頼らず、「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」といった2行ほどの仕様を送ってください。この一文で、最も高くつくやり直し、つまり「フィラーは残すはずだった」という理由で40時間分の音声を起こし直す事態を防げます。

トランスクリプトの実例：会議の文字起こしサンプル

説明だけでは伝わりにくいので、短いビジネス会議をケバ取りで起こしたトランスクリプトの例を示します。プロが作る一般的な書式に合わせています。

サンプル：ケバ取りのトランスクリプト

トランスクリプト｜Q3 価格見直し会議 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（クリーン逐語）

[00:00:04] MAYA CHEN：はい、録音を始めました。Dan、修正後の利益率の数字は出ていますか？

[00:00:09] DAN OKAFOR：出ています。エンタープライズは粗利率61%で、Q2 から4ポイント上がりました。厳しいのはミッドマーケットです。

[00:00:21] MAYA CHEN：厳しいというと？

[00:00:23] DAN OKAFOR：サポートの負荷です。価格は同じなのに、問い合わせはおよそ3倍あります。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。6月にセルフサーブのオンボーディングを公開しましたが、利用率は30%未満です。

[00:00:38] MAYA CHEN：つまり、直すべきなのは…… [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してもらえますか？

[00:00:51] PRIYA RAO：はい。水曜に出します。

[00:00:53] [録音一時停止]

この例では、ほぼすべてのトランスクリプトに共通する4つの約束事が使われています。

• ヘッダー： タイトル、日付、長さ、話者数、スタイルを記載します。これがあるだけで、文字の羅列が半年後にも引用できる文書になります。
• 話者ラベル： フルネーム（英語では大文字が一般的）で書くか、匿名にする必要があれば INTERVIEWER（インタビュアー）や RESPONDENT（回答者）のような役割名を使います。表記は統一してください。半分が「DAN」、残りが「D. OKAFOR」になっているトランスクリプトでは、検索がまったく機能しなくなります。
• タイムスタンプ： 上の例のように話者が替わるたびに入れるか、30秒〜2分の一定間隔で入れます。これより細かいと邪魔になり、粗いと目的の場面を探しにくくなります。
• 話し声以外はすべて角かっこで示す： [聞き取り不能]、[発言が重なる]、[笑い]、[録音一時停止] などです。本格的なトランスクリプトでは、聞き取り不能のタグにタイムスタンプを添え、あとで誰かが聞き直して埋められるようにします。

この4つを手作業で正しくそろえるのは手間がかかるため、今ではほとんどが自動で作られています。会議ツールは、ヘッダー、話者ラベル、タイムスタンプを自動で付けます。たとえば Laxis は、Zoom、Google Meet、Microsoft Teams の通話を話者ラベルとタイムスタンプ付きの文書に文字起こしし、アクションアイテムもあわせて抽出します。Priya が引き受けたばかりのタスクも、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。どのツールで作ったトランスクリプトでも、評価の基準になるのは上の約束事です。作成の手順は音声を文字起こしする方法で解説しています。

トランスクリプト・キャプション・字幕・議事録の違い

この4つは同じ意味のように使われがちですが、置き換えはききません。見分けるポイントは2つです。テキストが動画の時間軸と同期しているか、そして内容がすべてそろっているか、取捨選択されているかです。

トランスクリプトは内容がすべてそろっていて、動画を閉じたままでも単独で読めます。クローズドキャプションも内容はすべてそろっていますが、時間と同期していて、音声の再生に合わせて表示される短い単位に区切られています。耳の聞こえない人のためのものなので、話し声以外の情報も含みます。字幕（サブタイトル）は時間と同期していますが、内容は取捨選択されたセリフだけです。視聴者は音声を聞けるけれど、その言語が分からないことを前提にしているからです。議事録はどちらでもなく、決定事項、担当者、期限をまとめた構造化された要約です。

これらの文書は、一方向にしか変換できません。トランスクリプトを区切って時間を付ければキャプションになり、要約すれば議事録になります。逆はうまくいきません。キャプションは任意の位置で改行されて段落の構造が失われており、議事録は意図的に言葉の95%を捨てています。トランスクリプトは必ず残しておきましょう。

クローズドキャプションと字幕（サブタイトル）の違い

字幕とは何かを10人に聞くと、9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要件を満たすかどうかを分けます。

字幕は「聞こえる」ことが前提です。 解決しているのは言語の壁なので、表示するのはセリフだけです。画面の外でドアがバタンと閉まっても、字幕は要りません。視聴者には聞こえているからです。

クローズドキャプションは「聞こえない」ことが前提です。 解決しているのはアクセシビリティの問題なので、音声トラックが伝える情報をすべて伝えます。誰が話しているか、何を言ったか、そして意味に関わる話し声以外の音です。[不穏な音楽が高まる]、[ガラスが割れる]、[ため息] などがそうです。キャプションの画面が字幕より込み入って見えるのはこのためです。

関連する用語がさらに2つあります。SDH（subtitles for the deaf and hard of hearing、聴覚障害者向け字幕）は両者の中間で、字幕の見た目でキャプションの内容を伝えるものです。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。また、「クローズド」は表示をオン・オフできるという意味にすぎません。オープンキャプションは映像に焼き込まれていて消せないため、音を消して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があります。放送用のクローズドキャプションは伝統的に1行32文字前後が上限ですが、SDH のファイルは42文字まで使えます。同じ映画でもプレーヤーによって改行の位置が違うのはこのためです。

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を確認する。 翻訳字幕を用意してアクセシビリティ対応のチェックを入れたものの、あとで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。耳の聞こえない人・聞こえにくい人のためには、キャプションか SDH、つまり話者を示し、意味のある音を説明するテキストが必要です。海外の視聴者には翻訳字幕が必要です。多くの動画ライブラリでは両方が必要で、それぞれ別ファイル、別コストになります。

トランスクリプトのファイル形式：txt・docx・pdf・json・srt・vtt

拡張子を見れば、そのトランスクリプトが何のために作られたかが分かります。よく目にする形式は6つほどです。

.txt は最も汎用的な形式です。書式もメタデータもなく、どこでも開け、スクリプトや検索システムにそのまま取り込めます。.docx は、人が読んだりコメントを付けたり、一部を黒塗りしたりする場合に向いており、スタイル、ぶら下げインデント、変更履歴を保持できます。.pdf は署名、認証、保管のための版で、レイアウトが固定されます。.json は最も情報量が多く、単語単位のタイムスタンプ、単語ごとの信頼度スコア、構造化された話者 ID を持てます。トランスクリプトをもとに検索や分析の仕組みを作るなら、JSON で依頼してください。

そして、トランスクリプトの形式と誤解されがちなキャプション用の形式が2つあります。.srt（SubRip）は最も広く使われているアップロード用の形式です。開始時刻と終了時刻を持つ番号付きのブロックで構成され、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対応しています。ミリ秒の区切りはカンマで、00:00:01,500 のように書きます。.vtt（WebVTT）は Web 向けの形式で、HTML5 の <track> 要素のために作られました。先頭に WEBVTT という行が必要で、区切りはカンマではなくピリオド（00:00:01.500）、ブロック番号は任意です。さらに、SRT では扱えない CSS によるスタイル指定、画面上の表示位置、チャプターマーカー、メタデータトラックにも対応し、アラビア語やヘブライ語のように右から左に書く言語もより適切に扱えます。

どちらもトランスクリプトの保存には向いていません。どちらも設計上、段落の構造を捨てており、時間で区切られたブロックから読みやすい文章を組み立て直すのは本当に面倒な作業です。マスターはテキストか JSON で保存し、動画に必要になったときに SRT や VTT を書き出しましょう。

トランスクリプトを使う職業と場面

トランスクリプトはニッチな成果物に見えますが、それを土台にしている職業を数えると印象が変わります。

• 法務： 群を抜いて厳格な利用者です。証言録取や公判では素起こし（完全逐語）の記録が求められ、弁護士が「43ページ12行目」と引用できるよう、行番号を振るのが一般的です。認証されたトランスクリプトには正確性を証明する署名入りの宣誓書が付き、証拠として扱われます。
• 医療： 医師が診療記録、手術記録、退院時サマリーを口述し、それが患者の記録になります。正確性の基準は厳しく、専門用語が多く、保存期間は年単位に及びます。
• 研究： 質的研究は、文字起こししたインタビューやフォーカスグループの記録の上に成り立っています。研究者はトランスクリプトを1行ずつコーディングしてテーマを見つけるため、ためらいを残すかどうかというスタイルの選択が、研究結果そのものに影響します。
• メディア： 記者は、正確に引用し、あとでその引用の正しさを示せるようにインタビューを文字起こしします。ポッドキャストの制作者がトランスクリプトを公開するのは、それが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。こうしてトランスクリプトは、いつのまにか SEO の資産にもなりました。
• ビジネス： 最も大きく、最も雑多な分野です。商談、取締役会、全社会議、コンプライアンスのための録音などがあります。最初から最後まで読む人はいません。検索し、引用し、決定事項を掘り出すために存在しています。そのため、たとえば Laxis のトランスクリプトは、要約と次のステップを HubSpot や Salesforce に同期します。通話のメモが、誰も開かない文書ではなく、商談の情報がある場所に届くようにするためです。

そして、それ以外のすべての人です。ボイスメモ、講義、家族の歴史を聞き取ったインタビュー、見るより読みたい YouTube 動画などがあります。ここでトランスクリプトは音声入力（ディクテーション）と接点を持ちますが、2つは別の行為です。ディクテーションは、意図的に話して文章を作ることです。それが目的なら、おすすめの AI 音声入力アプリの比較から始めるほうが近道です。

すべての会議を、話者ラベル付きのトランスクリプトに

Laxis は Zoom、Google Meet、Microsoft Teams の会議を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も付きます。無料プランでは毎月300分まで文字起こしできます。

Laxis を無料で試す

まとめ

トランスクリプトは、ほかの成果物とは逆の方向に価値が変わります。要約は書いた週には役に立ちますが、1年後にはほとんど価値がありません。その火曜日に書き手が重要だと思ったことしか残していないからです。トランスクリプトは、作った週にはほとんど役に立ちません。自分が出席した会議の9,000語を読む人はいないからです。しかし、その後は月を追うごとに価値が増していきます。当時は誰も重要になるとは思わなかったことまで残しているからです。だからこそ、退屈に見える書式の細部が大切です。それは作った本人のためではなく、18か月後にその中から1文を探し出さなければならない誰かのためにあります。

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、音声や動画の記録で話された内容を、話された順に書き起こしたテキスト文書で、文字起こし（原稿）とも呼ばれます。話者を明記し、たいていはタイムスタンプも付くため、どの行も元のファイルの該当箇所までたどれます。

トランスクリプトはどのような書式ですか？

冒頭にタイトル、日付、長さ、参加者を示す短いヘッダーがあり、そのあとに発言が順に並ぶ書式です。各発言はタイムスタンプと話者ラベル（英語では大文字）で始まります。聞き取れない箇所などは、[聞き取り不能] や [発言が重なる] のように角かっこで示します。

トランスクリプト（文字起こし）にはどんな種類がありますか？

主に4つのスタイルがあります。素起こし（完全逐語）は、言いよどみやフィラーを含めてすべての音を残します。ケバ取り（クリーン逐語）は言葉を残し、フィラーや口癖を削ります。整文（インテリジェント・バーバティム）はさらに文法を整え、繰り返しを省きます。編集原稿は掲載用に書き直したものです。業者によって呼び方が一致しないので、発注時に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、動画がなくても単独で読める文書です。字幕は、セリフを時間で区切った短い行として動画の上に表示するもので、多くは、音声は聞こえるがその言語が分からない視聴者のために翻訳されています。

トランスクリプトと議事録は同じものですか？

いいえ、違います。トランスクリプトは、話されたことをすべて一言一句、順番どおりに記録します。議事録は、出席者、決定事項、担当者、期限など、何が決まったかを短く構造化してまとめたものです。1時間の会議から9,000語のトランスクリプトと1ページの議事録ができることがあり、どちらも正しい記録です。

トランスクリプトはどのファイル形式で保存すべきですか？

人が読む、書き込む、保管するなら .docx か .pdf、ソフトウェアで処理するなら .txt か .json を使います。.srt と .vtt は、テキストをキャプションとして動画と同期させる必要があるときだけ使います。プレーンテキストのマスターを保存し、ほかの形式は書き出して用意しましょう。

トランスクリプトには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（成績証明書）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。音声の記録としてのトランスクリプトとは、言葉が同じというだけで中身はまったく別物です。必要な場合は在籍校の教務課に請求してください。