20分のインタビュー映像を手で聞き取り打ち込みすると、一時停止・巻き戻し・人名の聞き直しの繰り返しで、動画そのものより長い時間がかかります。動画文字起こしツールはこの工程を自動化します。ファイルをアップロードするかリンクを貼り、話されている言語を選ぶだけで、通常は数分で時間区切りの文字起こしが手に入り、TXTに出力してそのまま編集に進めます。
動画文字起こしを開くして、動画をアップロードするかリンクを貼り付けてください。生成後の区切り文字起こし、出典表示、書き出しボタンがすべて同じページに並びます。
要点
- ローカルファイルはMP4、MOV、WEBM、MP3などの音声・動画形式に対応。ログインなしで毎日1回無料（50MB・10分以内）、ログインすると毎日2回、クレジット利用で最長2時間まで処理できます。
- 文字起こしは時間区切りで表示され、各セグメントにタイムスタンプが付き、TXT、SRT、VTTで書き出せます。
- 結果エリアには文字起こしの出典が表示されます。プラットフォームの既存字幕か、音声の文字起こしかの別です。
- 話の原文ではなく要点の抽出が欲しいときは「要約」出力に切り替えましょう。逐語文字起こしと要約は、別々のタスクに役立つ2つの成果物です。
まず逐語文字起こしか要約かを決める
判断基準はひとつだけ。後で使う素材が「原文」か「凝縮された結論」かです。発言の引用、インタビュー原稿の整理、内容の校正、字幕の下書きには逐語文字起こしを。動画の内容をざっと知りたい、報告書を書きたい、という場合は要約です。
| 出力 | 内容の形式 | 適したタスク | 取得方法 |
|---|---|---|---|
| 文字起こし | 時間区切りの発話原文 | 発言の引用、原稿整理、校正、字幕の下書き | タスクを送信するだけで生成。未ログインでも最初の3セグメントをプレビュー可能 |
| 要約 | 概要1文＋要点リスト | 内容の素早い把握、報告書作成 | 生成するにはログインが必要 |
同じ動画でも、2つの出力はまったく性質が違います。文字起こしは「誰がいつ何を言ったか」を残し、要約は「この動画は何を話しているか」にしか答えません。混同すると両方で損をします。数百文字の要約から引用原文を探しても見つかりませんし、報告書1通のために1時間の逐語録を通読する必要もありません。
ファイルをアップロードするか、対応する動画リンクを使う
ワークスペースには2つの入力経路があり、上部のボタンでいつでも切り替えられます。手元にファイルがあるならアップロードが最も安定です。プラットフォームのリンクしかないときに貼り付けを使いましょう。
リンク経路：
- 「リンクを貼り付け」モードのまま（この入口のデフォルトモード）、動画リンクを完全な形で貼り付けます。入力欄のプレースホルダーにはYouTube、TikTok、Douyinなどのプラットフォームが例示されています。
- 送信後に解析できるかどうかはタスク結果次第で、どんなリンクでも成功するとは限りません。解析に失敗した場合は、エラー表示の横にある「ファイルをアップロードに変更」ボタンで、ワンクリックでローカル経路に切り替えて再試行できます。
ファイル経路：
- 「ファイルをアップロード」に切り替え、選択エリアをクリックして動画または音声ファイルを選びます。MP4、MOV、WEBM、MP3などの一般的な形式に対応しています。
- 送信前に上限を確認しましょう。未ログインは最大50MB・10分、ログイン後は最大200MB・最長2時間で、10分を超える分はクレジット課金（1分あたり10クレジット）です。ファイル選択時にツールが尺を検出して表示します。
文字起こしを生成して時間区切りを確認する
- 話されている言語を選びます。不明な場合は「自動（動画に合わせる）」のままに。中国語、英語、日本語、韓国語、スペイン語、ロシア語、フランス語を手動指定することもできます。
- 出力タイプで「文字起こし」にチェックが入っていることを確認します。この入口のデフォルトは文字起こしのみ。「要約」と「チャプター」の生成にはログインが必要です。
- 「生成開始」をクリックします。プログレスバーは動画ソースの読み込み、音声の準備、字幕の読み込みまたは音声認識などの段階を順に表示し、パーセントも付きます。通常1〜3分で完了します。
- 結果エリアで文字起こしを確認します。内容は時間区切りで分割され、各セグメントの先頭に分秒のタイムスタンプ。動画タイトルと総尺も同時に表示されます。
見落としがちなポイントが2つあります。1つ目は、結果エリアの末尾に今回の文字起こしの出典が記されることです。「出典：プラットフォーム字幕」または「出典：音声文字起こし」と表示されます。動画に字幕が付いている場合はプラットフォーム字幕がそのまま使われ、利用可能な字幕がない場合は音声認識に切り替わります。2つの出典では内容が異なる場合があります。2つ目は、未ログインでもタスクの送信と最初の3セグメントのプレビューが可能で、完全な文字起こしの閲覧にはログインが必要なことです。タスク送信後にページを更新しても進捗は失われません。
人名、専門用語、話し言葉の重複を整理する
文字起こしが書き取るのは発音で、スペルの確認までは行ってくれません。人名、ブランド名、製品用語、中英混在の表現は、逐語録で最も間違いやすい部分です。修正は書き出したテキストのコピー上で行うほうが、文字起こしを何度もやり直すより時間を節約できます。
- まずTXTをダウンロードするか、結果エリアのコピーボタンで全テキストを自分のドキュメントに貼り付けます。コピーした内容にはタイムスタンプが付かず、そのまま本文編集に進めます。TXTの行頭タイムスタンプは、聞き直し位置の目安として残ります。
- 固有名詞をセグメントごとに確認します。人名、社名、製品名、専門用語の表記を統一し、判断に迷う語はTXT行頭のタイムスタンプで元動画の該当位置に戻って聞いてから決めましょう。
- 話し言葉の痕跡を整えます。相槌、重複した言いさし、口癖は原稿の用途に応じて削る。直接引用するセグメントは原文のまま残し、そのタイムスタンプも一緒に残しましょう。
修正はあなたのコピー上だけで行われ、ツール内の元の文字起こしは変わりません。いつでもきれいな下書きを再書き出しできます。
TXTを書き出す、または字幕工程へ進む
書き出しボタンは文字起こしの結果エリアにあります。3つの形式は、どれも同じ文字起こしから生成されます。
- TXT：各行が「[分:秒] テキスト」形式でタイムスタンプ付き。原稿整理と時間指定の聞き直しに最適です。
- SRT：各セグメントに番号と「00:00:01,000 --> 00:00:04,500」形式の開始・終了タイムコードが付き、編集・再生ソフトで字幕ファイルとして使えます。生成から字幕取り込みまでの完全な流れは、後日の字幕チュートリアルで別途紹介します。
- VTT：WEBVTTで始まるタイムライン形式のテキストで、一部のウェブプレーヤーが利用する形式です。
どれにするか迷ったら、まずTXTです。逐語録の最も一般的な行き先はテキストの整理です。後でタイムライン字幕が必要になったら、同じ結果からSRTを書き出せばよく、文字起こしのやり直しは不要です。
よくある質問
字幕が付いていない動画でも文字起こしできますか？
できます。文字起こしは既存字幕に依存しません。タスクはプラットフォームの既存字幕を利用できるかを判断し、利用可能な字幕がなければ音声に対して音声認識を行います。どちらの出典かは結果エリアに表示されます。話されている言語は「自動（動画に合わせる）」のままで構いません。ツールが動画の言語を自動判定します。
文字起こしと動画要約の違いは何ですか？
文字起こしは時間区切りの発話原文を出力し、引用、校正、原稿化に向いています。動画要約は概要1文と要点リストを出力し、内容の素早い把握や報告書作成に向いており、要約の生成にはログインが必要です。判断方法はシンプルで、成果物に「発言そのもの」が要るなら文字起こし、「結論」だけでよければ要約です。
文字起こしの固有名詞が間違っていたらどう直しますか？
まずTXTを書き出すか全文をコピーして、自分のドキュメントのコピー上で修正してください。TXTは各行の先頭にタイムスタンプが付いているので、その時刻で元動画の該当位置を再生して発音を確認し、人名・ブランド・用語の表記を一括で置き換えます。ツールには区切りテキストをオンライン編集する画面はなく、修正はすべて書き出したコピー上で行い、元の文字起こしはそのまま保持されます。
最初の動画をアップロードする
手元の素材から、本当に文字が必要な動画を1本選びましょう。インタビュー、授業の画面収録、会議映像、ポッドキャスト動画などが該当します。言語は自動のまま、出力は文字起こしにチェックを入れて生成し、まずTXTを1部書き出し、タイムスタンプを頼りに固有名詞と話し言葉を整えます。
動画文字起こしを開くして、最初のTXT逐語録を生成・ダウンロードしましょう。
