目次
AIで動画・音声を文字起こしし、表示時刻付きの字幕ファイル（SRT/VTT）の下書きを作れます。ただし、自動生成が終わることと、公開できる字幕が完成することは別です。聞き取り、表示タイミング、改行、翻訳を確認する時間まで含めて、作業の負担を判断してください。
まず必要な出力と、素材を外部へ送ってよいかを決め、対応する道具を選びます。このページでは、字幕と全文の書き起こしの違い、ツール比較、4工程の作業手順、校正、多言語化、データ管理を整理します。会議の決定事項やToDoの抽出は議事録自動化の記事、画像内の文字抽出はOCRの記事で扱います。
音声が、タイムコード付きの文字になる
下書きを生成し、音声と画面を照合して仕上げる
音声認識
こんにちは、本日のテーマは…
AIによる字幕作成です。
AIは音声を聞き取るだけでなく、発言と表示時刻の下書きを作成する。話者分離の有無はツールによって異なる。
公式資料の確認日：2026年10月8日。製品仕様と確認手順を整理した記事であり、同じ素材による精度・処理時間の比較測定ではありません。
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）は、対応する機能を別に確認する。
- 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。
自動化できる範囲は製品や契約によって異なります。文字起こしができても、字幕ファイルの書き出し、話者分離、翻訳、動画への焼き込みまでそろうとは限りません。必要な出力を実際に取り出せるかを、利用許可のある短い素材で試してください。
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。
字幕（SRT / VTT）
「何秒〜何秒に、この文を表示」というタイムコード付きのファイル。動画に重ねて使う。
- 用途：動画への字幕表示
- SRT＝表示時刻と字幕本文を記録（YouTubeが対応。取り込み先の仕様を確認）
- VTT＝Web向け（HTML5動画など）
書き起こし（transcript）
タイムコードに縛られない「全文テキスト」。読む・検索する・要約するためのもの。
- 用途：記事化・議事録・検索・要約の素材
- 話者分離で「誰の発言か」も付けられる
- 出力：TXT・DOCX・Markdownなど
動画に字幕を載せるなら、取り込み先が対応するSRT/VTT等。内容を読む・検索・要約するなら全文テキストを選びます。書き出し形式と有料プランの要否は別に確認してください。YouTubeは基本的なSRTをサポートしますが、SRT内のスタイル指定は認識せず、UTF-8のプレーンテキストを求めています。字幕ファイルを変換するだけで、装飾まで引き継げるとは限りません。
3. 主要ツール比較
「文字起こしだけ」「字幕ファイル」「動画編集まで」のどこが必要かで選びます。以下は公開仕様を確認した3つの候補です。異なる条件の精度パーセントを並べて、性能の順位にはしません。
| 候補 | 利用方法 | 確認する制限 |
|---|---|---|
| Whisper | 自分の実行環境で文字起こし。SRT/VTT/TXT等を出力。 | ソフトウェアはMITライセンス。端末・計算資源・環境準備は必要で、処理全体の費用がゼロとは限らない。 |
| Notta | 会議やファイルから文字起こしを作成。 | 無料枠は月120分・1回最大3分。料金ページでは文字起こしの書き出しはPro以上の機能。 |
| YouTube自動字幕 | YouTubeに取り込んだ動画で字幕を生成し、Studioで見直す。 | 生成に時間がかかる場合や、音質・言語等で生成されない場合がある。ローカル処理ではない。 |
素材を外部へ送れない場合は、文字起こしから字幕出力まで許可された実行環境で完結する構成を選びます。YouTubeで使う素材なら自動字幕も候補ですが、アップロード直後に字幕が完成する保証はありません。長い録音を全文テキストとして取り出す場合は、無料枠の1回上限と書き出し制限が足りるか確認します。
4. 実践：4ステップで字幕を作る
素材の準備、文字起こし、校正、書き出しの順で進めます。処理時間は素材の長さ・音質・実行環境などで変わり、校正時間も別に必要です。ここでは「1本5分」といった共通の所要時間は示しません。
校正では、誤変換だけでなく、否定・数値・単位・話者・発言の省略を確認します。表示時刻が正しくても内容が誤っている字幕と、内容が正しくても読めない字幕は、別々に直す必要があります。修正量が多い場合は、入力音声やツールの選択も見直してください。
5. 用途別おすすめ
| 用途 | 確認すること |
|---|---|
| YouTube動画 | 自動字幕の生成状況、内容、字幕ファイルの取り込み形式。 |
| 講義・ポッドキャスト | 録音の長さが1回上限内か、全文を書き出せるか。 |
| 複数人のインタビュー | 話者分離の対応と、人名への割り当てを修正できるか。 |
| 機密・社外秘の素材 | 音声・字幕・翻訳を処理する全工程の送信先と保存先。 |
| 多言語字幕 | 翻訳後の時刻・字幕の対応・表示時間を検査できるか。 |
試用には公開してよい素材や架空の内容を使います。機密素材を無料サービスへ入れてから、取扱条件を考える順番にはしないでください。出力・修正のしやすさ・料金・データの取扱条件をそろえて判断します。
6. 精度を上げる6つのコツ
公開前に確認する3つの失敗例
内容の誤り
音声は「15ドル」なのに字幕が「50ドル」。文章として自然でも、元の音声と違います。金額・日付・否定表現は、前後の発言も聞いて直します。
時刻の誤り
内容は正しいのに、次の話者へ切り替わってから字幕が出る。誰の発言か誤解されるため、開始・終了時刻を動画上で調整します。
表示の問題
長文の字幕が短時間で消える、重要な図に重なる、スマホで読み切れない。全文テキストの校正だけでは見つからないので、字幕を載せた画面を再生します。
試用では、同じ素材について「自動処理の待ち時間」「内容の修正時間」「表示の調整時間」「最終確認時間」を分けて記録します。どの工程に手間がかかるかが分かれば、辞書や言語設定を見直すべきか、編集機能のある道具が必要か判断できます。
翻訳後も同じ確認が必要です。元の字幕が正しくても、翻訳で否定が落ちたり、文章が長くなって表示時間内に読めなくなったりします。字幕の件数と時刻を比較したうえで、意味と読みやすさをその言語で確認してください。
入力と下準備は結果に影響しますが、以下の順番がすべての素材で最も効果的という測定ではありません。困っている誤りに合う対策を選び、同じ素材で改善したか確認します。
① 聞き取りやすい音声を用意
マイクを近づけ、雑音・反響を減らす。元の音声を人が聞いても判別しにくい箇所は、別の記録や発言者に確認する。
② 言語を正しく指定
設定可能な場合は素材の言語を確認する。言語が混在する素材では、指定後も両方の言語を正しく認識したか見直す。
③ 固有名詞リストを先に作る
登場する社名・人名・専門用語を事前に列挙。対応ツールなら辞書登録を試し、出力に反映されたか確認する。
④ 一括置換で誤りを直す
よくある誤変換は検索・置換でまとめて修正。自分用の「修正辞書」を育てると速くなる。
⑤ 話者分離を活用
対応ツールでは、複数人の素材の話者分離を有効にする。「Speaker 1」が誰かを音声で確認してから実名へ置き換える。
⑥ 1行の長さを整える
字幕は1行を短く（読める長さに）改行。長すぎる字幕は画面で読み切れない。
YouTubeの公式ヘルプは、雑音や発言の重なりなどを、自動字幕が生成されない原因として挙げています。音声が明瞭でも誤認識は起こり得ます。また、Whisperの公式モデルカードは、音声にない文を生成する場合や、言語による性能差を説明しています。聞こえていない発言を、もっともらしい文章で補っていないかも確認してください。
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、確認しやすい手順がある。
🌍 多言語字幕の確認手順
先に原語字幕の誤りを直せば、その誤りを翻訳へ引き継ぐことを減らせます。ただし、翻訳で意味や時刻が変わる可能性は残ります。翻訳後は、字幕の件数・順序・開始終了時刻・意味・表示時間内に読める長さを再確認してください。専門分野や商用の素材では、その言語と内容を理解できる確認者を用意します。
8. 落とし穴（過信・著作権・プライバシー）
自動字幕を利用するときは、内容の誤り、素材の利用許可、データの送信先、表示タイミングを別々に確認します。
- 精度の過信：クリーンな音声でも100%ではない（YouTube自身も自動字幕は必ず見直すよう求めている）。固有名詞・専門用語・同音異義語も確認する。公開前に必ず人が目視する。
- 音声と認識結果を照合：雑音・発言の重なり等で誤認識が起きることがある。専門用語は素材に沿って確認し、必要なら対応ツールの辞書を試す。
- 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、組織が許可した構成を使う。ローカル処理後の翻訳をクラウドに頼めば、その字幕内容は外部へ送信される。学習に使わない契約でも、送信・保存・閲覧条件の確認は必要。
- 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。冒頭・中盤・末尾だけでなく、発言の切り替わりや長い無音の前後も再生して確認する。
内容が正しい字幕でも、共有先を間違えれば機密情報を公開してしまいます。校正と、素材の利用許可・共有範囲の確認を分けて行ってください。「名前を直して通しで見れば、すべて安全」とは判断できません。
まとめ
AIは字幕・書き起こしの下書きに使えます。必要な出力形式、利用制限、データの流れを確認し、校正まで含めて完成させます。この記事では時間短縮率や、音質が精度に寄与する割合を測定していません。
- 出力を決める：字幕には表示時刻、全文テキストには読む・検索するための内容が必要
- 制限を確認する：月間量、1回の長さ、書き出し形式、追加費用を見る
- 公開前に照合する：発言内容・時刻・改行・表示時間を、音声と画面で確認する
- 翻訳も再確認する：原語の校正だけでは、翻訳後の意味や時刻を保証しない
- 全工程の送信先を見る：ローカル文字起こし後のクラウド翻訳・要約も外部送信になる
AIの処理時間だけでなく、素材の準備から校正・書き出し・動画への取り込みまで記録すると、自分の用途で役立つか判断できます。同じ素材の結果でも、別の言語や録音条件にそのまま一般化しないでください。
保存済みの音声をChatGPTへ添付して文字起こししたい場合は、ChatGPTの音声アップロード手順・形式・料金と制限をご覧ください。音声のみのMP4／WebMと動画を区別し、字幕の時刻や内容は元の録音と照合します。
FAQ
Q. 無料で字幕や書き起こしを試せますか？
A. YouTube自動字幕、Nottaの無料枠、Whisperのローカル実行が候補です。Nottaは月120分・1回最大3分で、書き出しはPro以上の機能です。Whisper自体はMITライセンスですが、端末や計算資源の費用は別に考えます。
Q. 1時間の動画を数分で完成させられますか？
A. 共通の所要時間としては保証できません。自動処理の待ち時間と、発言・時刻・改行・翻訳を直す時間は別です。YouTubeも、アップロード時点では字幕がまだ完成していない場合があると説明しています。
Q. AI字幕の精度はどのくらいですか？
A. この記事では共通の音声による比較測定をしていません。言語・音声・モデル・誤りの数え方が異なる精度を、そのまま順位にはできません。用途に近い素材で、修正する箇所と確認時間を比べてください。
Q. SRTとVTTのどちらで書き出しますか？
A. 動画の取り込み先が対応する形式を選びます。YouTubeは基本的なSRTに対応し、UTF-8のプレーンテキストを求めます。SRT内のスタイル情報は認識しません。表示時刻と文字だけでなく、装飾を引き継ぐ必要があるかも確認してください。
Q. 複数人の発言を分けられますか？
A. 話者分離に対応したツールなら候補になります。ただし、自動ラベルが実名を正しく識別した証拠にはなりません。発言が重なる箇所も音声で確認します。文字起こし機能だけで話者分離までできるとは限りません。
Q. 多言語字幕はどう作りますか？
A. 原語の字幕を校正してから翻訳し、翻訳後に件数・順序・時刻・意味・表示時間を再確認します。時刻を変えないという指示だけで、保持が保証されるわけではありません。
Q. 他人の動画を書き起こして使えますか？
A. 技術的に書き起こせることと、再利用・再配布の許可は別です。素材の利用条件、権利者の許可、適用されるルールを確認してください。ここでは個別の利用が許可されるかは判断しません。
Q. ローカルWhisperなら機密を守れますか？
A. 自分の環境で音声を処理できますが、端末や保存ファイルのアクセス管理は必要です。その後、字幕をクラウドへ翻訳・要約目的で送れば、内容は外部へ送信されます。音声から最終字幕までの全工程を確認してください。
