音声から字幕へ： 実際に使えるもの

必要なのはタイムスタンプ。テキストだけでは足りない

字幕ファイルはトランスクリプトとは違います。トランスクリプトはテキストです。字幕ファイルはテキストにタイミングを加えたものです。すべてのキャプションブロックは「この行を00:01:04から00:01:07まで表示せよ」と指定します。このタイミングこそが仕事の全てです。それにより動画プレイヤーは正しいタイミングで正しい言葉を画面に表示できます。

ほとんどの「音声テキスト変換」ツールは、私たちのものも含め、テキストだけを渡して終わりです。カーソルの位置にきれいな段落を貼り付けて止まります。音声から字幕を生成するツールはそれ以上のことをしなければなりません。音声を短いキャプションサイズのチャンクに分割し、各チャンクを音声の時刻に合わせ、プレイヤーが読める厳密なファイル形式で書き出します。YouTube、動画編集ソフト、講座プラットフォームにアップロードするファイルが成果物なら、タイムスタンプが必要です。文書内のテキストが成果物なら不要です。そのためだけに字幕ツールにお金を払う必要はありません。

音声ファイルから字幕を生成する3つのステップ

ワークフローはウェブでもオフラインでも、ほぼすべてのツールで同じです。

これが全体の流れです。ツールの違いは価格、対応言語、音声の送信先、そしてステップ3が無料かどうかという点に集約されます。

SRT vs VTT vs TXT：どのファイルが必要か

書き出しメニューには3つのフォーマットが並んでいますが、間違ったものを選ぶ人が絶えません。

• SRT （SubRip）は標準的な字幕ファイルです。番号付きのブロックで構成されたプレーンテキストファイルで、各ブロックにタイムコード範囲と1〜2行のテキストが含まれます。YouTube、ほとんどの動画編集ソフト、ほぼすべてのプレイヤーが対応しています。どれを選べばよいかわからない場合はSRTを選んでください。
• VTT （WebVTT）はSRTのウェブ版です。同じ考え方で、構文が少し異なり、スタイルや位置指定に対応しています。ウェブサイトやHTML5ビデオプレイヤーが明示的に要求する場合にVTTを使います。
• TXT はテキストだけで、タイムスタンプなしです。記事を書くとき、要約を作るとき、インタビューを引用するときに選ぶフォーマットです。また、シンプルな文字起こしツールが提供できる唯一のフォーマットでもあります。

私の目安：動画にはSRT、文書にはTXT、ウェブプラットフォームが指定する場合はVTT。ほとんどのツールは3つすべてを書き出せます：VEED、Kapwing、Descriptなど。

音声を字幕ファイルに変換するツール

各ブラウザツールの位置づけを、それぞれの公式ページの説明をもとに整理します。

• VEED は、音声ファイルのみから文字起こしを行い、SRT、VTT、TXTとしてダウンロードできるウェブ・モバイルの自動字幕生成ツールです。無料から始められます。字幕ファイルのダウンロードや長い動画の字幕付けは有料プランに移行します。
• Kapwing は「99%の精度の字幕を数秒で生成」と謳っています。これはKapwing自身のマーケティング数値であり、独立した検証値ではありません。MP3を含む動画・音声ファイルに対応し、100以上の言語への字幕翻訳が可能で、SRT、VTT、TXTを書き出せます。無料アカウントは最大10分の字幕とウォーターマーク付き。Proプランでウォーターマークが外れます。
• Descript は22以上の言語で字幕を生成し、音声ファイルのみの入力に対応し、「公開 → 書き出し → 字幕」の操作でSRTまたはVTTとして書き出せます。月1時間の無料枠があるフリーミアムモデルです。

コミットする前に確認できる項目について、4つのツールを比較します。同じ音声で直接比較したデータがないため、精度や速度の数値は含めません：

3つのブラウザツールはいずれも、音声を他社のサーバーに送信します。マーケティング用クリップならそれで構いません。でも録音したクライアントとの通話や給与情報が含まれるものは、読み続けてください。

これらのツールのUIは概ねこのような形をしています：

アップロード、生成ボタンをクリック、フォーマットを選択、ダウンロード。このバー（私たちのものではありません）こそが、音声から字幕を生成するツールの姿です。

無料かつオフライン：オープンソースWhisperでSRTを生成する

何もアップロードしたくない場合、OpenAIのオープンソースWhisperコマンドラインツールが自分のマシン上で無料に字幕ファイルを作成します。--output_formatフラグはtxt、vtt、srt、tsv、json、またはallを受け付け、デフォルトはallです。つまり、`whisper interview.mp3 --model turbo`という1つのコマンドで、アカウントなし・アップロードなしでオフラインに.srtファイルが生成されます。

オープンソースのWhisperはWhisper by Remskillとは別のプロジェクトです。OpenAIのコマンドラインモデルで、自分のコンピュータ上で動作し、タイムスタンプ付きの字幕ファイルを出力します。6つのモデルサイズ（tiny、base、small、medium、large、turbo）があり、小さい4つには英語専用版もあります。多言語モデルは99言語に対応し、.en版は英語のみです。

私がはっきり言えることがあります。センシティブな内容については、音声をノートパソコンの外に出すべきではありません。録音された人事評価、医師の口述メモ、法的な証言調書—タイムスタンプが必要だというだけで、それらをベンダーの処理ログに残すべき理由はありません。

あるチームが1四半期でスタンドアップ録音を文字起こしするためにクラウドAIに5桁の費用をかけているのを見たことがあります。次のレビューでのCFOの反応は「プロンプトを最適化しよう」ではありませんでした。「そもそもなぜ会議音声をサーバーに送っているんだ」でした。あなたのノートパソコンにはすでにCPUとマイクがあります。プライベートな素材には、オフラインのWhisper CLIが答えです。しかも費用はかかりません。

whisper.cppという高速なローカル版もあります。依存関係のないC/C++によるWhisperのビルドで、オープンライセンスのもとCPUのみで動作します。字幕ファイルも書き出せるという報告がありますが、検証済みの.srtの道としては公式OpenAI Whisper CLIをお勧めします。慣れてきたら速度向上のためwhisper.cppに移行するといいでしょう。

Whisper by Remskillが適さない場合

ほとんどの製品ブログが書かない部分です。.srtや.vttファイルをダウンロードすることが目的なら、私たちのアプリは適切なツールではありません。ダウンロードを無駄にする前に、今お伝えします。

Whisper by Remskillは文字起こし優先のアプリです。ホットキー（Windows: Ctrl+Space、macOS: Command+Option）を押しながら話し、離すと、開いているアプリのカーソル位置にテキストが貼り付けられます。音声をキャプションブロックに分割せず、音声時刻に合わせず、タイムスタンプ付き字幕ファイルも作成しません。インタビュー音声を入力しても、SRTではなくきれいな段落が得られるだけです。何度も頭の中で書き出しメニューを設計しましたが、実装しませんでした。タイムドキャプションはそれ自体が一つの製品であり、中途半端に作っても誰の役にも立たないからです。

字幕ファイルには上記のツールを使ってください。私たちのアプリが得意なのは隣接した用途です。自分の声をその場でテキストに変換すること。メール、下書き、SNSに手で入力するキャプション。2つのピュアRustエンジン（OpenAI WhisperとNVIDIA Parakeet）で動作し、Pythonもアップロードも不要です。用途が違えば、ツールも違う。適切なツールを選ぶこと—それがこの記事の全てです。

何かを開く前に、全てを決める問いに答えてください。ファイルを作るのか、テキストを作るのか。ファイルならタイムスタンプが必要で、本物の字幕生成ツールが必要です。素早いブラウザ処理にはVEEDかKapwing、無料かつプライベートならWhisper CLI。テキストならトランスクリプトツールが必要で、それは別のものです。私は文字起こしアプリを作っていますが、別のツールの方が適切なときは素直にそちらを勧めます。先週7歳の娘が仕事で何を作っているか聞いてきました。正直に答えると「人々がタイプするのを止める手伝いをしている」ということで、娘はひどくつまらなそうにしていました。あなたが節約できる午後は、私がポッドキャストクリップを3秒ごとに手で字幕付けしていた午後です。