YouTube動画を文字起こしする 3つの方法

無料の方法は、もうYouTubeの中にある

動画に字幕があるなら、文字起こしはもう手元にあります。ツールも、アカウントも、クレジットカードもいりません。動画を開いて、その下の説明欄あたりを見て、「文字起こしを表示」をクリックします。プレーヤーの横にパネルが開いて全文が出てきて、動画が進むと話されている行までパネルがスクロールします。どの行をクリックしても、動画はその瞬間に飛びます。

これは多くの記事が末尾に埋めてしまう方法です。おそらく、その周りで売れるものが何もないからでしょう。デスクトップでもモバイルでも動きます。落とし穴は、そもそも動画に字幕が存在している必要があること。人気のチャンネルのほとんどには、自動生成かアップロード者が付けたものがありますが、小さなクリエイターの古い投稿にはないこともあります。

うまくいったかの確認: 文字起こしパネルに、音声と同じタイミングでスクロールするテキストが表示されている。まったく開かないなら、その動画には字幕がありません。方法2に進みましょう。

もう一つ、見落とされがちなことがあります。文字起こしパネルには、タイムスタンプの表示をオフにする小さなメニューがあります。これをオフにすると、テキストをきれいな文章としてコピーするのがぐっと楽になります。この切り替えはパネルの中にあって、サポート文書には載っていません。広く知られてはいますが、YouTubeの公式ヘルプページには書かれていません。数字の羅列をドキュメントに貼り付けてしまう前に、知っておく価値があります。

リンクを貼れば、もっときれいなテキストが手に入る

文字起こしをYouTubeの外で使いたいとき（ダウンロードしたい、要約ツールにかけたい、組み込みパネルが言うことを聞いてくれない動画を読みたいとき）には、リンクを貼るだけの無料ジェネレーターが出番です。形はいつも同じ。YouTubeのURLをコピーして、ボックスに貼り付けて、テキストを受け取る。

Tactiqの無料YouTube文字起こしジェネレーターは、貼り付けたURLを受け取り、インストールもサインインもメール登録も求めず、結果を .txt ファイルとしてダウンロードさせてくれます。自動音声認識は必ずしも100%正確ではないと正直に明記しているのも、誠実な姿勢です。NoteGPTのジェネレーターも同じくリンクを貼るだけのやり方で、タイムスタンプ付きの文字起こしを返し、多言語に対応し、タイムスタンプの有無を選んでコピーでき、AI要約まで付いてきます。検索1位の youtubetotranscript.com は、FAQで翻訳、文字数制限、APIをうたっています。これらは「うたっている」もので、検証済みではないと考えてください。

うまくいったかの確認: 文字起こしテキストを選択・コピー・ダウンロードできる。ツールが止まったり何も返さなかったりするなら、たいていその動画には引き出せる字幕がありません。これらのジェネレーターはYouTubeにある既存の字幕トラックを読んでいるだけで、音声を聞いているわけではないのです。

この最後の一文が、まさに限界そのものです。だからこそ、3つ目の方法が登場します。

リンク系ツールにできないこと

上のどの方法も、YouTubeが渡してくれる字幕トラックがあることが前提です。字幕がなければ、文字起こしもありません。これで公開動画のほとんどはカバーできますが、一つ穴が残ります。そもそも公開のYouTube動画ではない音声です。誰かが共有してくれた限定公開のリンク。まだ字幕のないライブ配信。講座プレーヤーの中のクリップ。アップロードする前の自分の撮影素材。

もう一つ、静かな穴も残ります。動画の言葉が欲しいわけではないときがあります。欲しいのは、動画について語る「あなたの言葉」です。観ながら書きたくなるメモ。自分の言い回しでの要約。この講演がなぜ大事なのかを同僚に説明する、口述したい3つの文章。

ここでデスクトップ音声ツールが本領を発揮します。そして、それが何をして何をしないのかを正確に言っておく価値があります。Whisper by Remskill はホットキー駆動の音声入力アプリです。ホットキーを押して、マイクに向かって話すと、あなたの言葉が、今いるアプリのカーソル位置にテキストとして現れます。YouTubeのリンクを受け取って動画を代わりに文字起こしすることはしません。それはリンク貼り付け型ジェネレーターの仕事であって、私たちの仕事ではありません。Whisperがするのは、動画を観ながら、タイプするかわりに話して自分のメモを取れるようにすること——多くの人にとって、「この動画を文字起こしして」の裏に隠れている本当のやりたいことは、実はこちらなのです。

動画を再生しながら、メモを声で取る

私が使っているワークフローはこうです。動画を再生する。残しておきたいものが出てきたら、ホットキーを押し続けて、メモを声に出して言い、離す。テキストがドキュメントに現れます。タブの切り替えなし、タイプするための一時停止なし、思考の流れを失うこともなし。

Windowsでのデフォルトのホットキーは Ctrl+Space です。macOSでは修飾キーだけのプッシュトゥトーク方式で、Command+Option を一緒に押し続け、どちらかのキーを離すと止まります。何かと干渉するなら、Settingsで変更できます。録音オーバーレイが聞き取り中であることを示してくれるので、ちゃんと拾えたかどうかを当て推量することはありません。

文字起こしは2通りで動き、選べます。ローカルモードは、純Rust製の2つのエンジンを通じて自分のマシン上で動きます。1つはOpenAI Whisperで、モデルサイズはおよそ140 MBから約3 GBまであり、多言語版では99言語に対応します。もう1つはNVIDIA Parakeet TDTで、25言語（英語と24のヨーロッパ言語）をカバーする単一の約600 MBモデルで、2つのうち速いほうです。ローカルモードでは何もあなたのノートパソコンから出ていきません。クラウドモードは自分のOpenAIキーを持ち込む方式で、音声からテキストへの変換に gpt-4o-mini-transcribe または gpt-4o-transcribe を使い、最新モデルとウェブアクセスが欲しいときに向いています。

ローカルパイプラインは、サインインしているすべてのユーザーが無料で使えます。クラウドは Whisper Pro の領域です。

ここで自分のバイアスを認めておきます。たいていの生産性ツールは、姿を変えたタイピングの問題です。メモアプリ、クリップボード管理ツール、入れ子のデータベースが11個もあるセカンドブレイン——そのどれもの根っこにあるのは、すでに口で言えることを取り込むために、指をキーの上で動かすという同じ行為です。音声入力はキーボードを飛ばします。話すのは1分あたり約145語、タイプは約40語ですから、タイプに1分かかった動画メモも、話せば15秒ほどで済みます。タイピングの問題の解決策は、たいてい、もっと洗練されたアプリではありません。タイプしないことです。

うまくいったかの確認: 動画を最後まで観終えたとき、スクロールのとき以外はキーボードに一切触れずに、メモ1ページぶんが手元にできている。

タイムスタンプ、SRTファイル、その他の言語

よく聞かれる3つのことは、すべてが同じ場所から出てくるわけではないので、整理しておきましょう。

Whisperをまるごと使わなくていいとき

公開されているYouTube動画をテキストとして読むことだけが目的なら、Whisperは使わず、迷う必要もありません。YouTubeの組み込み文字起こしは無料で、すぐ使えて、もうあなたのブラウザにインストールされています。

ダウンロードできるファイルや、もっときれいなコピーが必要なら、Tactiqのような無料ジェネレーターが、アカウントもメールも不要でこなし、.txt で書き出してくれます。

編集中の動画に字幕を入れ込むなら、Descript（アップロードしたメディアで30以上の言語と最大95%の精度をうたっています）のような本格的なエディターが適したカテゴリで、私たちではありません。私たちが受け持つのは、それらのツールが手を出せない部分——観ながら、声で、自分の言葉を取り込むことです。

3つの文章に20分を失ったあの午後、上の娘が通りかかり、私が同じ10秒を4回目に巻き戻すのを見て、なぜそのまま読まないのかと聞いてきました。動画には文字起こしが付いてこないんだ、と私は答えました。娘は「いまどき何にだって文字起こしはあるよ、パパ」と言って、1時間後には言い逃れることになる宿題をしに行きました。だいたい当たっていました。文字起こしはたいてい、もうそこにあります。動画の下に、リンクの向こうに、あるいはホットキー1つ先のあなた自身の言葉として。