音声テキスト変換ツールを わかりやすく解説

音声テキスト変換ツールは、録音を編集できる言葉に変える

中身を見れば、どの変換ツールも同じものを動かしています。音声認識モデルです。音声の波形を取り込み、少しずつ区切りながら言葉を予測します。精度が決まるのはこのモデルです。これらのツールの多くを支える大きなオープンモデルがOpenAIのWhisperで、多言語版なら99言語に対応します。同じOpenAIのSpeech-to-Text APIは、whisper-1に加え、より新しいgpt-4o-transcribeとgpt-4o-mini-transcribeのモデルも提供しています。

出力されるのは、編集できるプレーンなテキストです。名前を直したり、フレーズを検索したり、メールに貼り付けたりできます。それこそが狙いです。音は流し読みできませんが、テキストなら簡単です。Whisperも同じ編集可能なテキストを生み出しますが、ダウンロードを渡すのではなく、いま開いているアプリにそのまま貼り付けられます。上に埋め込まれているのは、モックアップではなく本物のデスクトップアプリそのものです。

どのモデルを選ぶかが精度を左右する判断であり、オープンなWhisperモデルとGoogle Cloud Speech-to-Textは別々の立ち位置にあります。 Whisper対Google Speech-to-Textの比較記事では、精度、対応言語、そして音声がどこへ行くかという観点で、2つのエンジンを並べて見ています。

音声ファイルをテキストに変換する3ステップ

録音ファイルの場合、手順は短いです。無料のWeb変換ツールはこれを「アップロード、クリック、ダウンロード」と説明しています。

知っておく価値のある落とし穴がひとつ。クラウドAPIにはサイズ上限があります。OpenAIの文字起こしエンドポイントは、1リクエストあたり25 MBまでにアップロードを制限しています。長い会議の録音をWAVで扱うと、あっという間に超えてしまいます。ローカル処理なら、自分のディスク容量と根気以外に上限はありません。

録音ファイルかライブのディクテーションか。あなたに必要なのはどっち？

ほとんどの変換ツールのページが飛ばしてしまう問いがここにあります。あなたは、すでに存在するファイルを文字起こししたいのですか。それとも、自分の声で新しい何かを書こうとしているのですか。

録音（インタビュー、講義、ポッドキャスト）があるなら、ファイル変換ツールが正しい道具です。アップロードして、文字起こしを受け取って、次へ進む。上位3つの無料ツールはこれをこなしますが、無料プランには1日あたりの分数制限があります。

新しいメールやメモ、文書を書いているなら、ファイルなんて欲しくありません。話すそばから言葉が現れてほしいはずです。それがディクテーションで、仕組みがまったく違います。Whisperではホットキーを押したまま話し、離します。Windowsの初期設定はCtrl+Spaceで、macOSではCommand+Optionのプッシュ・トゥ・トークの組み合わせです（両方を押したままにし、どちらかのキーを離すと止まります）。文字起こしされたテキストは、どんなアプリケーションでもカーソルの位置に貼り付けられます。アップロードも、ダウンロードも、タブの切り替えもありません。上のオーバーレイが、聞き取り中に表示されるものです。

音声テキスト変換ツールを探す人の多くは、まず1つ目を求め、実は2つ目も欲しかったと気づきます。書くことより録ることのほうがずっと少ないものです。去年、私は2週間かけてもっと良いファイル変換ツールを探し回りましたが、本当に必要だったのは、娘の水泳の練習中に片手の指1本で返信を打つのをやめることでした。

ローカルかクラウドか。音声がどこで処理されるか（そして、なぜそれが大事か）

本当に大事な分かれ道はここに来ます。そして、無料ツールが最も口を閉ざす点でもあります。Web変換ツールはあなたの音声を自社のサーバーで処理します。AudioConvert.aiはファイルを24時間以内に削除すると言っています。HappyScribeとNoteGPTもクラウドにアップロードします。これは標準的なやり方で、公開するポッドキャストなら問題ありません。

さて、約束した私の意見です。クラウド一択の音声変換は、文字起こしされるのを待っているプライバシーの惨事です。かつて一緒に仕事をしたチームが、外注先に社内向けのディクテーション試作品を作らせたことがありました。発話のたびにクラウドAIを呼び出すものでした。担当マネージャーが四半期末にコストのダッシュボードを開くと、5桁の請求額があり、その大半は、リトライの仕組みが攻めすぎていたせいで、朝会の録音を4回ずつ文字起こししていた分でした。CFOの返答は短いものでした。「あるいは、すでにメモがある会議をアップロードするのにお金を払わない、という手もあるよね」。お金は小さな問題でした。もっと大きな問題は、何四半期分もの社内通話が、いまや他人のサーバー上で暮らしていることでした。

Whisperのローカルモードはそれに答えます。ローカルモードでは、すべての音声が自分のパソコン上で処理され、何ひとつデバイスの外に出ません。一度きりのモデルのダウンロード（モデルによっておよそ140 MBから3 GB）が済めば、完全にオフラインで動きます。デバイス上で動くエンジンは2つ。Whisperのモデルと、NVIDIAのParakeetです。ParakeetはCPU上でWhisperより5〜10倍速いですが、対応は英語と24のヨーロッパ言語のみで、英語への翻訳はできません。クラウドが良ければ、Whisperには自分のAPIキーを使うOpenAIモードがあり、gpt-4o-mini-transcribeまたはgpt-4o-transcribe（APIが提供するのと同じモデル）を使えます。請求はOpenAIから直接で、こちらの上乗せはありません。要は、あなたが選ぶということです。無料のWebツールはあなたの代わりに選び、その答えはいつも「自社のサーバー」です。完全にクラウドを使わずに済ませる方法は、こちらのオフライン音声テキスト変換のガイドをご覧ください。

精度を選ぶ。あなたの訛りと言語をうまく扱うのはどのモデルか

精度はおおむねモデルの問題で、そのモデルは言語の問題です。無料の変換ツールは大きな数字を宣伝します。AudioConvert.aiはクリアな音声で最大99%の精度をうたい、HappyScribeは最大96%と言っています。これらは公開された手法のないベンダーのマーケティング上の主張なので、ベンチマークではなくパンフレットとして受け止めてください。

精度を動かすのは、モデルを音声に合わせることです。Whisperには英語専用と多言語に分かれた8つのローカルモデルが付いています。英語専用版（約140 MBのBaseから約1.5 GBのMediumまで）は言語の選択肢を英語に固定し、その1つの仕事をうまくこなします。多言語版（Small、Medium、約3 GBのLarge v3、そしてLarge v3 Turbo）は自動検出つきで99言語に対応します。1つの文の中でウクライナ語と英語が混ざる？それには多言語モデルが必要です。きれいな英語のボイスメモなら？英語のBaseモデルのほうが速くて軽いです。

どのモデルのページも認めない地味な真実があります。安いクリップ式マイクは、どんなモデルのアップグレードよりも精度に効きます。ゴミのような音声を入れれば、ゴミのようなテキストが出てきます。回っている食洗機の隣で録った音声を、どんなAIも直せません。私は週末をまるごと使ってモデル設定を調整し、自分のこもった音声をきれいにしようとしましたが、問題はファンから15センチのところにあったノートパソコンのマイクだったと気づきました。私は修士号を持っているのですが。上の設定パネルが、モデルと言語を選ぶ場所です。

Web変換ツールを使わないほうがいいとき（そして代わりに何を使うか）

Web変換ツールのほうが良い選択になることもあります。それを黙っていて、あなたに間違った道具と格闘させるくらいなら、はっきり言ってしまいます。短い録音が1つだけ（5分のインタビュー素材、1つのボイスメモ）で、サーバーに触れることを気にしないなら、HappyScribeのような無料の変換ツールが、カード不要で最初の10分を無料で文字起こししてくれます。ページを開いて、アップロードして、おしまい。そのためにデスクトップアプリを入れるのはやりすぎです。

次の3つのうちどれかに当てはまるときは、Web変換ツールを使わないでください。音声が機密である（医療、法務、財務）、ファイルが大きくてクラウドの25 MB上限に達する、または、古いものを文字起こしするのではなく新しい何かを書いている。最初の2つはローカル処理を求めています。3つ目が求めているのはディクテーションであって、変換ツールではまったくありません。複数の話者と要約を伴う会議向けの文字起こしには、そのカテゴリーの専用ツールがどちらよりも合います。それは別の仕事で、こちらの文字起こしソフトまとめ記事で扱っています。

費用について

Whisperはローカルのパイプライン全体が誰でも無料です（2つの文字起こしエンジン、AIによるテキスト整形、履歴、カスタムホットキーすべて）。登録に支払い方法は必要ありません。自分のAPIキーを使うクラウド面は有料のProプランで、実際に文字起こしした分はOpenAIから直接請求されます。この検索に出てくる無料のWeb変換ツールは、フリーミアムの分数制限で動いています。HappyScribeは10分の無料枠、AudioConvert.aiは1日30分です。Whisperは今日、WindowsとApple SiliconのmacOSで提供されています。正確なプランの数字は、料金ページに明記されています。

無料の変換ツールは、自分の得意なこと（ファイルをドロップして、待って、テキストをコピーする）をうまくこなします。共有しても気にならないポッドキャスト素材には、使えばいいでしょう。けれど、いちばん大事な録音はたいてい、いちばんアップロードしたくないものです。そしてその瞬間、自分のノートパソコン上で動く変換ツールは、あれば便利という存在ではなくなるのです。