Twitchで音声をテキストに変換する、 正直なところ

音声→テキスト（STT）とテキスト→音声（TTS）——まず整理

STTとTTSの整理。配信中に投げ銭メッセージをロボット音声で読み上げる機能を探しているなら、それはテキスト読み上げ（TTS）であって音声テキスト変換（STT）ではありません。別の話です。 SoundAlertsはBits・Tips・チャンネルポイント・サブスク・レイド・ハイプトレインのTTSに対応し、PremiumではAIボイスも使えます。またはStreamElementsを使う方法もあります。Polly・Google・Azure・TikTokの1000種類以上のボイスによるAlertBox TTSとスパム対策モデレーションが利用できます。この記事の残りは逆方向——あなたの声をテキストに変える話です。

音声テキスト変換（STT）とは、あなたの声が画面上の文字になること——字幕、トランスクリプト、ディクテーションメッセージです。テキスト読み上げ（TTS）は逆方向で、入力したテキストを合成音声が読み上げること——たいていは投げ銭アラートです。

このフレーズで検索するTwitch配信者の半数は後者を求めています。Googleはどちらを意図したか判断できないため、このクエリではAIオーバービューが表示されません——意図が割れすぎているからです。上でリンクしたTTSツールは投げ銭の読み上げを担います。この記事の残りはあなたの声をテキストに変える話です。

配信者が音声テキスト変換を実際に使う場面

何度も出てくる4つのユースケース。多くの配信者は1つだけやっています。うまくいっている配信者は4つ全部やっています。

アクセシビリティのためのリアルタイム字幕

聴覚障害のある視聴者、難聴の方、職場で音を消して見ている人、非ネイティブで読み取っている人のために、配信画面の下部にテキストを表示します。Twitchは、すでにRTMPフィードに字幕が含まれている配信にはCCボタンを表示し、そうでない配信には何も表示しません。つまり、これはあなたの仕事です。

ショートとSEOのためのVODトランスクリプト

3時間配信して、ボス戦が2時間付近で起きたとして、それを字幕付きの60秒TikTokにしたい——そういうときです。トランスクリプトがあれば、スクラブせずにCtrl+Fで瞬間を見つけられます。

シーン間のディクテーション

誰も語らないけど私が一番お金を払いたい部分です。配信中、キーボードに手を置いているときに、モデレーターがDiscordでレイド中のサブオンリーモードを延長するか聞いてくる。ボス戦が崩壊する中でAlt+Tabをもたもたするか、キーを押して一言話してDiscordに1分145ワードで送り込むか——どちらかです。

Whisperのデフォルトホットキーは、WindowsとLinuxではCtrl+Space、macOSではcommand+optionのモディファイアのみのプッシュトゥトーク方式です。どちらもテキスト入力が機能する場所なら使えます——チャット、Discord、OBSのシーン名フィールド、深夜1時に名前を読み間違えた視聴者へのお詫びDMも。配信者特有の注意点が2つあります。シーン切り替えホットキーがCtrl+Spaceの場合、OBSがWhisperより先に奪います。どちらかを変更してください。また、一部のフルスクリーンゲーム（Unrealエンジンの排他フルスクリーン）はグローバルホットキーを飲み込みます。ゲームをボーダーレスウィンドウモードで実行すると問題が消えます。

配信後のメモ

何がうまくいったか、何がダメだったか、どのクリップが編集する価値があるかを未来の自分に伝える3行メモ。ほとんどの配信者はこれを省きます。そして多くが、なぜチャンネルが成長しないのか首をかしげています。

1つ目はOBS、2つ目はトランスクリプションツール、3つ目は私たちのようなディクテーションアプリ、4つ目は午前2時前に寝るための組み合わせです。

OBSでリアルタイム字幕：10分セットアップ

まず正直に言います。Twitchの標準的なリアルタイム字幕セットアップはWhisperで動いているわけではありません。ratwithacompilerによるOBS Closed Captionsプラグインで、デフォルトのバックエンドはGoogle Speech Recognitionです。バージョン0.33は2025年10月15日リリース、GitHubスターは1.3k、Windows・macOS・Linux対応です。Streamlabs OBSはサードパーティプラグインを受け付けないため、SLOBSでは動きません。

10分でできるセットアップはこちらです。コードは一切不要です。

1. OBS Studioがなければインストールします。このプラグインはOBS専用で、SLOBSには対応していません。
2. ratwithacompiler/OBS-captions-plugin GitHubリリースページからプラグインをダウンロードします。OSに合ったインストーラーを選び、OBSを閉じてから実行します。
3. OBSを開き、ツール → Closed Captionsへ。マイクソースを選びます——通常はMic/Auxか、自分でリネームしたものです。
4. ソース言語を設定します。デフォルトは英語です。プラグインはGoogleの無料エンドポイントにストリーミングします。クリーンなマイク音声なら精度は問題ありませんが、BGMが大きいと乱れます。
5. Twitchダッシュボードで字幕を有効にします。ストリームマネージャー → 設定 → ストリーム → Closed Captionsのトグル。Twitchのクローズドキャプションガイドに配信者側の手順が載っています。
6. 非公開配信でテストします。ブロードキャストを非公開に設定し、30秒話して、CCボタンが表示されるか確認します。

完了です。トレードオフとして、音声はあなたのマシンを離れてGoogleに送られます。それが視聴者との信頼関係に問題があるなら、クラウドとローカルの比較まで読み飛ばしてください。Whisper自体はこのラインには入りません——私たちはその隣にあるディクテーション・VODレイヤーです。OBSが字幕を担い、Whisperがホットキー駆動のテキストを担います。2つのツール、2つの仕事。

VODとクリップのトランスクリプション（本当の時短）

3時間の配信は3時間の検索問題です。笑える瞬間が2回目のサブトレイン付近にあることはわかっているのに、スクラブしないと見つけられない。トランスクリプトがあれば10秒で解決します。

2つ目の正直な告白です。Whisper by Remskillは現在、デスクトップアプリでビデオや音声ファイルのアップロードに対応していません。トランスクリプションはライブマイクのホットキー操作で行うもので、ドラッグ&ドロップも「VODを開く」ボタンもありません。MP4をドロップしてトランスクリプトを得るワークフローなら、今の私たちには向きません。今のところは。正直な選択肢が2つあります：

選択肢A——VODをマイク経由でループバックする。WindowsではVB-CABLE、MacではBlackHoleを使って、VODの音声をマイクのようにWhisperに流し込み、再生中にホットキーを押し続けます。ハンズフリーですが再生時間分かかります。多言語配信にはlarge-v3、英語配信にはdistil-large-v3（Turbo）がおすすめです——large-v3の6倍速で精度は99%です。

選択肢B——オープンソースのwhisper.cppまたはfaster-whisperを使う。どちらもコマンドラインで.mp4や.wavを直接受け付けます。セットアップは少し手間ですが、寝ている間にバッチ処理できます。正当な「今回はWhisperをスキップする」方法です：whisper.cppとopenai/whisperはどちらも無料でメンテナンスされています。

本当の成果はその先にあります。トランスクリプトをChatGPTに貼り付けて「最もクリップに向いた3つの瞬間」を聞き、動画編集ソフトに字幕トラックとして貼り付け、タイムスタンプ付きのYouTube概要欄としてそのまま使えます。

クラウドとローカル：配信音声はどこへ行くか

配信音声はデリケートです。何千人もの人にライブで見せているとしても、「自分たちは録音されているとわかっている」と「無関係な米国企業がモデレーターとのオフ配信の会話のコピーを持っている」の間には大きな差があります。

Whisperは3つのトランスクリプションパスを提供し、自分で選べます。デフォルトはありません。

クラウド（OpenAI、BYOK）

最高精度、ウェブ検索内蔵、GPT-5によるAIテキスト強化。トランスクリプションはデフォルトでgpt-4o-mini-transcribe、より高精度にはgpt-4o-transcribeを使用します。自分のOpenAIキーを持ち込んで音声の分単位でOpenAIに支払います。音声はデバイスから送信されます。

ローカル — NVIDIA Parakeet

高速なローカルオプション。ディスク容量約600 MB、CPUでWhisperより5〜10倍高速、英語に加えて24のヨーロッパ言語に対応、英語への翻訳なし。アジア言語非対応：日本語・韓国語・中国語の配信者はParakeetを使えません。

ローカル — Whisper

Parakeetより遅いですが、Base（約140 MB）からLarge v3（約3 GB）まで8つのモデルサイズで提供されます。多言語バリアントは99言語に対応し英語への翻訳もサポート。.enビルドは英語専用で言語セレクターはロックされています。

最新CPUのデスクトップかMシリーズMacで配信しているなら、まずローカルモードを試してください。クラウドは、Parakeetが対応していない言語が必要なときや、同じホットキーにOpenAIのウェブ検索を組み込みたいときの逃げ道です。ラップトップにはすでにマイクとCPUがあります。モデレーターへの一言メモのためにサーバーを経由する必要はありません。

自分のコーディング配信に字幕をつけようとしたとき、モデルがすべてのgit commitを全然違うガーデニング用品のジャンルに誤変換しました。それ以来、クリップへのリアルタイム字幕はやめて、手動校正を通してトランスクリプトを使うようにしました。シーン間ディクテーションは何百件ものモデレーターメモでも大きな失敗なく使えています。役割が違えば、信頼性に必要な品質も違います。

Whisperを使わない方がいいとき

正直なマトリクス：

• ブロードキャストにリアルタイムのクローズドキャプションを焼き込みたいだけなら、OBS Closed Captionsプラグインを使えば完了です。WhisperはOBS用のリアルタイム字幕エンジンではなく、その隣にあるディクテーションツールです。
• 投げ銭メッセージをロボット音声で読み上げたいなら、SoundAlertsまたはStreamElementsを使ってください。それはTTS——逆方向の話です。
• 何年分ものVODファイルをバッチ処理でトランスクリプトに変換したいなら、オープンソースのwhisper.cppまたはfaster-whisperがファイルを直接受け付けて無料で使えます。私たちにはまだファイルアップロードUIがありません。
• Intel Macで配信しているなら、Whisper by RemskillはWindows x86_64とmacOS Apple Siliconのみ対応で、Intel Macはサポート対象外です。クラウド専用サービスはブラウザから問題なく使えます。

シーン間のディクテーション、ループバック経由のVODトランスクリプト、配信後のメモが目的なら、それは私たちの得意領域です。このリストの他の用途なら、合うものを使ってください。

Twitchの音声テキスト変換セットアップのほとんどは配管工事です——一度インストールするOBSプラグイン、存在を忘れるループバックドライバー、設定したら変えないホットキー。本当の作業はその先にあります。字幕は音声をマシン外に出す価値があるか？3時間の配信から切り出す価値がある60秒のクリップはどれか？モデレーターが連絡してきたとき、タイプするか話すか？配信3時間目に邪魔にならないツールを選んでください。それが一番大事なときだから。