AIで動画・音声から字幕・書き起こしを作る方法——ツール比較・SRT/VTT・多言語字幕の実践ワークフロー

1時間の動画に手で字幕を付ける——昔はこれだけで丸一日が消えた。聞いて、止めて、打って、タイムコードを合わせて、また巻き戻して。その地獄のような作業が、2026年のいまは 「動画を放り込んで数分待つだけ」で終わる。AIが音声を聞き取り、文字に起こし、タイムコード付きの字幕ファイル（SRT/VTT）まで吐き出してくれるからだ。

結論から言う。YouTube・ポッドキャスト・講義・インタビューなど、動画や音声を「字幕」や「全文の書き起こし」にしたいなら、AIツールに任せれば作業の8〜9割が消える。クリーンな音声なら精度は90〜96%に達するとされ（各社公表値・条件依存）、人手の書き起こし（99%超）には及ばないものの、下書きとしては十分すぎる。本記事は、自動化できる工程・字幕と書き起こしの違い・主要ツール比較・4ステップの実践手順・精度を上げるコツ・多言語字幕の作り方・落とし穴までを実践的に解説する。なお本記事は「動画/音声コンテンツの字幕・書き起こし」がテーマで、会議の議事録化（要約・ToDo抽出）は議事録自動化の記事に、画像内文字のテキスト化はOCRの記事に譲る。

※本記事の精度・料金・対応言語は各社公表値および複数の比較メディア（2026年時点）に基づく引用で、最適条件下の数値を含む。実環境（雑音・専門用語・複数話者）では下がり得る。導入前に自分の素材で実測を推奨。

1. AIで字幕・書き起こしの「どこ」が自動化できるか

「AIで字幕」と一口に言うが、実は 4つの工程がある。どこまで任せるかでツールが変わる。

• ① 音声の抽出：動画から音声を取り出す（多くのツールは自動）。
• ② 文字起こし（transcription）：音声認識AIが発話を全文テキスト化。誰が話したかを分ける話者分離（diarization）も。
• ③ 字幕化（タイムコード付与）：テキストを「何秒〜何秒に表示」という単位に区切り、SRT/VTTなどの字幕ファイルに。
• ④ 翻訳・スタイル付け：多言語字幕への翻訳、フォント・位置・改行などの体裁調整。

従来は①〜④をすべて人が手作業でやっていた。2026年のAIは、この4工程をほぼ全部「下書きレベル」まで自動化できる。クリーンな音声なら精度は92〜96%との報告もあり、AIは手作業に比べ8〜9割の労力を削減するとされる。ただし——後述するように——出てきた字幕は「下書き」であって「完成品」ではない。固有名詞や専門用語の確認は、依然として人の仕事だ。

2. 字幕（SRT/VTT）と書き起こしの違い

始める前に、よく混同される2つの「出力」を区別しておこう。同じ音声認識から生まれるが、用途が違う。

使い分けはシンプルだ。動画に字幕を載せたいならSRT/VTT、内容を読み物・記事・要約にしたいなら書き起こし(transcript)。多くのAIツールは両方を一度に書き出せる。迷ったら、まず汎用性の高いSRTで出しておけば、ほとんどの動画編集ソフトやプラットフォームで使い回せる。

3. 主要ツール比較

代表的なAI字幕・書き起こしツールを並べる。「動画編集まで一体でやりたいか」「無料で始めたいか」「多言語が要るか」で選ぶのがコツだ。精度の数値は各社公表値（最適条件下）で、実環境では変動する。

※ツール名・精度・料金・対応言語は2026年時点の公表値・概算。各社は頻繁に更新するため、最新は公式を確認のこと。多くは内部でWhisper系などの音声認識を使っている。

ざっくり言えば、無料で機密も守りたいならWhisper、Podcast/YouTubeを編集ごとやりたいならDescript、チームで高精度・多言語ならSonixやHappy Scribe、スマホでサクッとならCapCut、とにかく最手軽ならYouTube自動字幕。個人的には、まずYouTube自動字幕かNottaの無料枠で「AI字幕の速さ」を体感し、足りなくなったら専用ツールへ——という順がいちばん失敗しにくい。

4. 実践：4ステップで字幕を作る

ツールが違っても、基本の流れは共通だ。最も再現性の高い4ステップを示す。慣れれば1本5分かからない。

差が出るのは STEP 3 の校正だ。多くの人はAIの出力をそのまま使って、固有名詞の誤変換で恥をかく。逆に言えば、ここさえ丁寧にやれば、AI字幕は一気に実用品質になる。「全部自分で打つ」のではなく「AIの下書きを直す」——この発想が、作業時間を10分の1にする鍵だ。

5. 用途別おすすめ

迷ったら——まず無料ツールで1本作って「AI字幕の速さ」を体験し、編集まで一体でやりたい・多言語が要る・機密だ、といった壁にぶつかった時点で専用ツールへ切り替える。この順がいちばん遠回りしない。

6. 精度を上げる6つのコツ

同じAIでも、入力と下準備しだいで結果は驚くほど変わる。効果の大きい順に挙げる。

この中でも効くのは圧倒的に ①の音質だ。どんな高精度ツールでも、雑音まみれの音声からは正確な字幕は出てこない。「AIが間違える」と感じたら、まず録音環境を見直す。これだけで体感が変わる。

7. 多言語字幕の作り方

動画を世界に届けたいなら、多言語字幕は強力だ。だがやみくもに各言語へ直接起こすより、正しい順番がある。

ポイントは 「原語の字幕を先に完璧にする」こと。土台が雑なまま翻訳すると、誤りが全言語に伝播する。逆に原語が正確なら、AI翻訳でも実用的な多言語字幕が一気に作れる。ChatGPT/Claude/Geminiのような汎用AIにSRTを貼って翻訳させる手もあるが、字幕特化ツールならタイムコードを崩さず訳せて安全だ。

8. 落とし穴（過信・著作権・プライバシー）

便利な反面、AI字幕には定番の落とし穴がある。知っておけば9割は避けられる。

• 精度の過信：クリーンな音声でも90〜96%程度で、100%ではない。固有名詞・専門用語・同音異義語は特に間違える。公開前に必ず人が目視する。
• 雑音・なまり・専門用語に弱い：BGM、複数人の同時発話、強いアクセント、業界用語は精度が落ちる。録音環境と固有名詞リストで対策を。
• 著作権・権利：他人の動画・楽曲・放送をAIで書き起こして再配布するのは権利侵害になり得る。自分が権利を持つ素材か、引用の範囲かを確認。
• 機密・個人情報：クラウドのAIに音声を上げると外部送信になる。社外秘やプライバシーを含む素材は、ローカル実行のWhisperや、入力を学習に使わない法人プランを選ぶ。
• タイムコードのズレ：自動字幕は表示タイミングがずれることがある。長尺ほど後半でずれやすいので、要所を再生して確認する。

正直に言えば、AI字幕最大のリスクは「校正を飛ばして公開すること」だ。逆に言えば、「固有名詞を確認する」「公開前に通しで見る」——この2つの習慣さえ守れば、AI字幕は安心して武器になる。

まとめ

AIによる動画・音声の字幕/書き起こしは、2026年に「丸一日の作業を数分にする」レベルに達した。要点を整理する。

• 4工程を自動化: 音声抽出→書き起こし→字幕化（SRT/VTT）→翻訳・体裁。労力は8〜9割減。
• 字幕と書き起こしは別物: 動画に載せるならSRT/VTT、読み物・要約にするなら書き起こし(transcript)。
• ツールは出口で選ぶ: 無料・機密ならWhisper、編集一体ならDescript、多言語・高精度ならSonix、最手軽ならYouTube自動字幕。
• 精度は音質が8割: クリアに録るのが最速の改善。固有名詞リストと一括置換も効く。
• 多言語は原語を先に完璧化: →AI翻訳→ネイティブ確認の順。
• 2つの習慣で事故防止: 固有名詞を確認／公開前に通しで見る。著作権・機密にも注意。

結局、AI字幕は「文字起こし職人」を置き換えるのではなく、「退屈な下書きを一瞬で出す相棒」だ。聞いて、止めて、打って——あの消耗から人は解放された。残った仕事は、固有名詞を直し、伝わる改行を選び、世界に届ける言語を増やすこと。作業はAIに、仕上げはあなたに。その分担が、あなたの動画を、もっと遠くまで届ける。

FAQ