文字起こしとは？意味と仕組み、料金相場、AI と人力の違い

3人が同時に話している録音を、一言一句そのまま書き取ろうとすると、10分の音声に1時間近くかかります。それでも、2人目が言ったのは「できます」なのか「できません」なのか、判断がつかない箇所が残るはずです。音声を聞くことと、それを正確に文字として書き留めることの間にあるこの差こそが、文字起こしという仕事のすべてです。

なお、英語の transcription には、生物学の「転写」（細胞が DNA の一部を RNA に写し取る過程）という意味もありますが、この記事では扱いません。ここで扱うのはもう1つの意味、録音された人の話し言葉を文字のテキストに変換する作業です。

文字起こしとは：成果物ではなく「作業」のこと

文字起こしとは、話し言葉を聞き、同じ言語のまま文字にする作業のことで、テープ起こし、書き起こしとも呼ばれます。入力（音声）があり、手段（人、AI モデル、またはその両方）があり、出力（テキスト）があります。日本語の「文字起こし」は作業とできあがったテキストの両方を指し、英語でも作業（transcription）と成果物（transcript）は同じ語根の言葉なので、混同されがちです。できあがった文書はトランスクリプトと呼ばれ、そのレイアウト、スタイル、字幕との違いは別の話題です。完成したトランスクリプトがどのようなものかは別の記事で解説しています。この記事で扱うのは、文字にする作業のほうです。

混同しやすい隣の分野が2つあります。翻訳は媒体を変えずに言語を変え、文字起こしは言語を変えずに媒体を変えます。外国映画に字幕を付けるには、この両方がこの順番で必要です。もう1つのディクテーション（音声入力）は、意図して話すことで文章を作る行為です。書き手は自分自身で、端末に向かって話します。一方、文字起こしが扱うのは、もともと文書にするつもりのなかった話し言葉です。会議での議論、質問に答える証人、音質の悪い電話会議で話す3人などです。目的が音声入力なら、おすすめの AI 音声入力アプリの比較のほうが役に立ちます。

この意図の違いが、文字起こしに音声入力にはない難しさをもたらします。記録のためにはっきり発音してくれる人はいません。人は話をさえぎり、語尾を濁し、言葉を言い間違えては3語あとで言い直し、どの AI モデルも知らない固有名詞を口にします。

文字起こしの方法：手作業と AI、そして主流になったハイブリッド

手作業の文字起こしは、ヘッドホンとテキストエディター、そして多くの場合はキーボードから手を離さずに巻き戻すためのフットペダルを使う、人の仕事です。数秒再生して打ち込み、少し戻して確認します。聞き取りにくい箇所は再生速度を落とし、薬の名前を調べ、聞き取れない箇所に印を付け、最後に音声と照らし合わせてもう一度校正します。地味ですが技術の要る仕事で、料金は上乗せではなく実際の労力を反映しています。1時間の音声は、1時間の作業では到底終わりません。

自動文字起こし（AI 文字起こし）は、同じ作業を自動音声認識（ASR）システムに任せる方法です。ファイルをアップロードするか、マイクの音声を流すと、数秒でテキストが返ってきます。疲れることはなく、聞き取りにくい訛りでも追加料金はかからず、費用は1桁安くなります。ただし、自分の間違いには気づけません。以下の話は、すべてこの点に関わってきます。

ハイブリッド、つまり機械が一次処理をして人が修正する方法は、2026年に大半のプロ向けサービスが採用している方式です。「人力の文字起こし」をうたうサービスも例外ではありません。理由は経済的に明らかで、機械的な95%をモデルが処理し、判断が必要な5%に人が時間を使います。業界ではこれをポストエディットと呼びます。作業の流れは音声を文字起こしする方法で解説しています。

AI 文字起こし（自動音声認識）の仕組み

数式を理解する必要はありません。ただ、処理の流れをざっくり知っておくと、文字起こしで起きる不思議な失敗のほとんどに説明がつきます。

1. 音声を取り込んで整える

音声はリサンプリングされてモノラルに変換され、多くの場合はノイズ抑制と音声区間検出にかけられて、実際に人が話している部分が特定されます。この段階で入った雑音は取り返しがつきません。ファイルにきれいに録音されなかった声を、正しく認識できるモデルはありません。

2. 音を「画像」に変換する

生の波形は、ニューラルネットワークにとって扱いにくい入力です。システムは音声を20〜30ミリ秒ずつ重なり合うフレームに区切り、周波数帯ごとのエネルギーを計算してスペクトログラムを作ります。スペクトログラムとは、時間とともに変わる周波数をヒートマップのように表した図です。この時点の音声認識は、言語処理よりも画像認識に近い作業です。

3. 単語にデコードする

スペクトログラムは、大規模なニューラルネットワークに入力されます。現在はほぼすべてが Transformer ベースで、音声とテキストを対にした膨大なデータで学習しています。従来のシステムは、音素を推定する音響モデル、音素を単語に対応づける発音辞書、自然な単語の並びを採点する言語モデルを組み合わせていました。エンドツーエンドのシステムはこれらを1つのモデルにまとめ、テキストのトークンを直接出力します。汎用性が高いのはこのためで、誰も話していない流暢な文をときどき作り出してしまう（ハルシネーション）のもこのためです。

4. 読みやすい形に整える

モデルが出力した直後のテキストには句読点がなく、英語ならすべて小文字です。後処理で大文字と句読点を復元し、「せんよんひゃくきゅうじゅうに」のような読みを「1492」という数字に変換し（逆テキスト正規化）、指定があればフィラーを削除し、カスタム辞書を適用します。カスタム辞書は、どの文字起こしツールでも最も過小評価されている設定です。

5. 誰が話したかを判別する

話者ラベルを付ける処理、つまり話者分離（ダイアライゼーション）は、単語のデコードとは別のシステムです。短い区間ごとに声の特徴をベクトル（埋め込み）に変換し、似たもの同士をクラスタリングして、クラスタごとに ID を割り当てます。言葉は正しいのに話者ラベルだけが間違うのはこのためです。似た声の2人が1つのクラスタにまとめられたり、誰かがマイクに近づいた拍子にラベルが入れ替わったりします。

ヒント：話者分離がうまくいく条件を整える。 参加者ごとに別々の音声トラックで録音できるプラットフォームなら、その設定をオンにしてください。話者ごとにチャンネルが分かれていれば、クラスタリングの問題そのものがなくなります。それができない場合は、通話の冒頭で全員に一度ずつ名前を言ってもらいましょう。8秒ほどで済み、あとからラベルを直すのがずっと楽になります。

文字起こしの精度と、精度を下げる要因

業界では、精度を単語誤り率（WER）で測ります。置換、脱落、挿入の数を合計し、正解テキストの単語数で割った値です。WER 5%は単語精度95%を意味し、20語に1語が間違っているか、抜けているか、余計に追加されていることになります。

現状はこうです。きれいに録音された音声なら、最も優れたシステムの単語精度は95〜98%で、Whisper は約97.9%というベンチマーク結果が出ています。標準的な読み上げ音声のテストセットでは、最先端のクラウドエンジンが WER 2〜5%を記録しており、2%を下回る結果は、管理された条件下で人間と同等の水準に近づいています。オープンモデルの競争も激しく、2026年3月には Cohere の Transcribe が平均 WER 5.42%で Hugging Face の Open ASR Leaderboard の首位に立ち、その5週間後には IBM の Granite Speech 4.1 2B が5.33%でわずかに上回りました。

ただし、これらは実験室の条件です。実際の精度を左右する要因を、影響の大きい順におおよそ並べます。

• 発言の重なり： ほかを大きく引き離して最大の要因です。2人が同時に話すと、ほとんどのシステムは2人の言葉が混ざった文を出力するか、片方を黙って捨てます。会議には発言の重なりがあふれていますが、ベンチマークのデータセットにはほとんどありません。
• マイクとの距離と部屋の音響： 会議テーブルの向こう側に置いたノートパソコンのマイクは、残響や空調の音を拾います。残響はスペクトログラムをにじませ、モデルはそのにじみをそのままデコードします。
• 訛りと方言： 精度は話者によって変わり、その差は、その訛りが学習データにどれだけ含まれていたかに左右されます。特定のベンダーの問題ではなく業界全体の課題で、Laxis を含め、市場のどのツールも訛りの強い話し方や激しい発言の重なりでは精度が落ちます。
• 専門用語と固有名詞： 薬の名前、株式のティッカー、判例の引用、自社の CEO の名字などです。学習中に一度も見たことのない単語をモデルは出力できず、知っている中で最も近い言葉に置き換えます。
• 言語の切り替えと電話の音声： 文の途中で言語を切り替える話し方（コードスイッチング）は、最初に1つの言語を想定したシステムを混乱させます。また、帯域の狭い電話回線では、似た子音を区別する高い周波数が失われます。8kHz では「S」と「F」の区別が困難です。

指標について、注意点が1つあります。WER はすべての誤りを同じ重さで扱います。英語の「the」が抜けても「not」が抜けても、同じ1語の誤りです。研究者が意味を考慮した誤り指標を推し進めているのはこのためです。料金の話で数字を間違えた精度96%のトランスクリプトは、数字を正しく起こした精度92%のトランスクリプトより質が悪いと言えます。

ヒント：ソフトウェアよりマイク。 ノートパソコンの内蔵マイクから $60 程度の USB マイクやまともなヘッドセットに替えるほうが、ベンダーを乗り換えるより精度は上がります。口元で収音すると部屋の残響が減り、S/N 比（信号対雑音比）が上がり、子音がはっきり残ります。どれも、モデルが処理を始める前の段階で効く改善です。

文字起こしの料金相場と納期：人力・AI・ハイブリッドを比較

形容詞ではなく数字で比べます。プロによる人力の文字起こしは、およそ音声1分あたり $1.00〜$3.00、録音1時間あたりでは約 $60〜$180 です。専門性の高い法務の案件では1分 $5.00 近くになります。聞き取りにくい音声は割高で、背景の雑音、話者の多さ、強い訛りなどがあると25〜50%の割増料金が一般的です。標準の納期は12時間〜3営業日です。

自動サービスは従量課金で1分あたり $0.10〜$0.50 をうたうことが多く、納期は実質的にゼロです。サブスクリプション型の製品は従量課金の代わりに分数をまとめて提供するため、利用量が多いと計算が変わります。たとえば Laxis は毎月300分の文字起こしを無料で利用でき、それ以上はユーザー単位の月額定額で Premium が $15.99、Business が $29.99 です。通話が月20時間ある場合、ユーザー単位の定額と分単位の従量課金では結果が大きく変わります。

人による文字起こしが今も必要な場面

判断基準は「その AI がどれだけ優秀か」ではなく、「1語間違っていたら何が起きるか」です。答えが「大した問題はない、自分で気づける」なら、自動化で十分です。裁判官、規制当局、患者、公開される引用が関わるなら、人を入れてください。

具体的には、トランスクリプトが証拠になり、認証が必要になることも多い裁判手続き。誤りが永久に記録に残る、規制対象の医療文書。実名の情報源とともに公開されるもの。そして本当に音質の悪い音声です。人なら「この部分は聞き取れません」と教えてくれますが、モデルは自信たっぷりに意味の通らない文を出力します。

このリストのほとんどで賢い選択は、すべてを手作業で起こすことではなくハイブリッドです。まず機械に処理させ、そのうえで音声と照らし合わせて確認する作業を人に依頼しましょう。

文字起こしの仕事は今どうなっているか

文字起こしで生計を立てている人は今もいますが、人数より仕事の中身のほうが大きく変わりました。かつての典型的なキャリアは、メディアや企業向けの一般的な文字起こしから始め、追加の訓練と資格が必要な法務や医療に専門化するというものでした。米国での報酬は2026年時点で、情報源や専門分野によって時給 $20〜$29 ほどです。Indeed は平均を約 $26.49、PayScale は文字起こし担当者で約 $21.75 としており、Glassdoor では法務の文字起こし担当者が $29 近くです。

変わったのは時間の使い方です。白紙から打ち込む作業はほとんど残っておらず、大半は機械が作った下書きの修正です。格下げのように聞こえますが、たいていはそうではありません。価値は、モデルが最も苦手とする部分に集まるようになりました。固有名詞、話者の特定、分野特有の用語、書式の基準、そして文書を証拠として認めさせる、正確性の証明書です。速く打てるだけの人は、もっと速く打てるソフトウェアと競うことになります。

文字起こし方法の選び方：5つの質問

次の5つの質問で判断します。

1. 間違えたときの影響は大きいか？ 法務、医療、公開する文書なら人力かハイブリッド。社内会議や調査なら自動で十分です。
2. 音声の質は実際どうか？ ヘッドセットを付けた1人の声と、ノートパソコンを囲む6人の声はまったく別の問題です。悲観的に見積もってください。それがほかの何よりも結果を正確に予測します。
3. 量はどれくらいか？ 年に数ファイルなら分単位の従量課金が、週10時間の会議があるなら分数込みの定額が有利です。損益分岐点は思ったより早く来ます。
4. いつまでに必要か？ 答えが「フォローアップのメールを送る前」なら、どれほど正確でも2日かかる納期は選択肢から外れます。
5. 音声をどこに送ってよいか？ クラウド処理のほうが高性能ですが、録音が手元の端末から外に出ることになります。使う価値のあるツールの多くは、Laxis も含めてクラウド型です。データの保存ポリシーを読み、ベンダーが利用者のデータを学習に使うかどうかを確認してください。

定例のビジネス会議なら、結論はたいてい、よいマイクで自動収録し、出力を活用してくれるツールを使うことに落ち着きます。文字の壁を渡すだけでなく、要約、アクションアイテム、CRM 連携まで担うツールです。それが2026年のおすすめ AI 議事録ツールの比較で扱っているカテゴリで、文字起こしサービスを選ぶのとは別の判断です。

すべての通話を、使えるテキストに

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、アクションアイテムを抽出して HubSpot や Salesforce と同期します。無料プランには月300分の文字起こし枠が含まれます。

Laxis を無料で試す

まとめ

本当に興味深い変化は、機械が文字起こしを得意になったことではありません。安価な文字起こしによって、そもそも何を記録するかの判断が変わったことです。音声1時間の文字起こしに $120 かかっていた頃は、証言録取や取締役会だけを文字起こしし、それ以外はしませんでした。1分数セントになると、制約はコストから人の注意力に移りました。今ではあらゆるものが文字起こしされるため、難しいのはテキストを作ることではなく、そのうちどれだけを人が実際に読むかを決めることです。9,000の文のうちどの12文が重要だったかを見極めること。仕事の中心はそこに移りました。

よくある質問

文字起こしとは何ですか？

文字起こしとは、録音された話し言葉を文字のテキストに変換する作業で、テープ起こし、書き起こしとも呼ばれます。訓練を受けた人が聞きながら打ち込む方法と、自動音声認識モデルが音声信号を単語に変換する方法があります。2026年のプロの仕事の多くは両方を組み合わせ、機械が下書きを作り、人が修正しています。

AI による自動文字起こしはどのような仕組みですか？

自動文字起こしは、音声の波形をスペクトログラムに変換し、大量の音声とテキストの対で学習したニューラルネットワークに入力して、最も確からしい単語の並びをデコードする仕組みです。そのあと別の工程で句読点や大文字を復元し、数字や日付の表記を整え、各区間を誰が話したかのラベル付けを試みます。

AI 文字起こしの精度はどのくらいですか？

話者が1人のきれいな音声なら、主要なシステムの単語精度はおよそ95〜98%で、OpenAI の Whisper は約97.9%というベンチマーク結果が出ています。実際の条件はもっと厳しく、強い訛り、発言の重なり、マイクからの距離、背景の雑音、専門用語はどれも精度を下げ、ときには大きく下げます。

文字起こしの料金相場はどのくらいですか？

プロによる人力の文字起こしは、一般に音声1分あたり $1.00〜$3.00、1時間あたりでは約 $60〜$180 で、専門的な法務の案件では1分 $5.00 前後になります。自動サービスは1分あたり $0.10〜$0.50 を提示するのが一般的で、サブスクリプション型のツールは従量課金ではなく、毎月の利用分数をまとめて提供することが多くなっています。

文字起こしと翻訳は同じものですか？

いいえ、違います。文字起こしは言語をそのままにして媒体を変え、話し言葉を書き言葉にします。翻訳は媒体をそのままにして言語を変えます。動画の字幕制作では、この2つを順番に行うことがよくあります。まず元の音声を文字起こしし、次にできたテキストを目的の言語に翻訳します。

文字起こしにはどのくらい時間がかかりますか？

自動文字起こしは実質的にすぐ終わり、リアルタイム、またはアップロードから数分でテキストが返ってきます。人力のサービスの標準納期は通常12時間〜3営業日で、割増料金を払えば当日仕上げの特急も利用できます。人が機械の下書きを編集するハイブリッドは、たいていその中間です。

文字起こしの仕事は今も成り立ちますか？

成り立ちます。ただし仕事の中身は、白紙から打ち込む作業から、機械の下書きを確認して修正する作業に変わりました。米国の文字起こし担当者の収入は、2026年時点で専門分野によりおおむね時給 $20〜$29 で、法務と医療が上位です。今は打鍵の速さより、資格と分野の専門用語の知識が重要になっています。