インタビューや講義を文字起こしする方法(2026年):全手法を時間と金額で比べる

1時間ぶんの音声と締め切りがあるなら、サービスにアップロードすれば数分で粗い文字起こしが手に入ります。1時間ぶんの音声と、そこに声が入っている相手への責任があるなら、その近道はゆっくり決めるべき判断です。ここに出てくるサービスの多くはファイルを保持しますし、いくつかは学習に使うとはっきり書いています。以下はすべてこの分かれ道を軸に並べました。費用のかからない道が3つ、お金のかかる道がいくつか、午後がまるごと消える道が1つ、そしてそれぞれが何を取りこぼすかを正直に。

VoiceBoard編集部更新日 2026年9月2日

編集部の推薦

手法に入る前にひとつ整理を。この2語は絶えず混同されます。文字起こしは、すでにある録音をテキストに変えることです。音声入力は、いま話している言葉をその場でテキストにすることです。打つ代わりに話したいというのが本当の目的なら、必要なのは音声入力アプリで、それについてはWindowsとMacの別のガイドがあります。

アップロードする前に

ひとつ質問に答えれば、このページの残りは2つか3つの選択肢に絞られます。

録音されている人は、自分の声が名前も知らない会社へ送られることに同意したのでしょうか。

録音されることへの同意と、アップロードされることへの同意は別物です。「いいよ、録っていい」と言う相手が思い浮かべているのはあなたのノートであって、どこかの会社のサーバでも、データにラベルを付ける委託業者でも、モデルの学習でもありません。記者会見や自分の講義メモなら問題になりません。内部告発者、患者、誰が自分のデータを扱うのかを列挙した同意書に署名した研究協力者、あるいは知られれば職を失いかねない話をしている人が相手なら、この一点で作業の流れ全体が決まります。

答えが「していない」か、あるいは自信がないなら、ローカルのWhisperまで飛んでください。自分のパソコンで動き、費用はかからず、音声はどこにも動きません。このページの他の道はすべて、ファイルを誰かに手渡すことを含みます。

これは一部の人だけの心配ではありません。まさにこの種の判断についてジャーナリストを訓練しているFreedom of the Press Foundationは、よく使われる文字起こしツールを検証し、2026年6月2日に更新した記事で率直な結論に達しています。「これらの企業はいずれも、あなたがアップロードした音声にアクセスする技術的な能力を持っている」。そして「その音声が悪い手に渡れば人を危険にさらしうるのであれば、文字起こしそのものを避けることを推奨する」。同財団のセキュリティ講師は、同じ読者に自分の端末で動くオフラインのWhisperを勧めています。

現場の研究者が、私たちより上手に実務的な言い方をしています。2026年7月17日にHacker Newsに書いた開発者は、自分で文字起こしツールを作った理由をこう説明しました。「大学の研究評価の文脈で使える、話者判別つきのインタビュー文字起こしの選択肢が実質的に存在しない。プライバシーポリシーが怪しい他人のクラウドにデータを上げずに済むものが、という意味だ」。

一覧

費用は録音1時間あたりで示します。手元にあるのはその単位だからです。すべて2026年8月27日に確認しました。

道その1。自分で打つ

向いている場面:短い素材、ひどい音質、そして言いよどみまで聞き取る必要がある材料。

これにどれだけ時間がかかるかを知らせたいソフトウェア企業はないので、文字起こしを売っている側、つまり手間を大きく見せる理由のない人たちの見積もりを3つ挙げます。SpeakWriteは「音声の長さのおよそ4倍」としています。Otter自身のガイドは「音声1時間あたり3時間から6時間」。Happy ScribeのCEOは2025年9月に、実務上の比率を4対1、「複雑な文字起こしでは6対1、場合によっては8対1まで」とし、校正でさらに「25%から50%」上乗せされると書いています。

3つとも研究を引いてはいないので、数字はそのまま受け取ってください。毎日これをやっている人たちの、一致した業界的な見積もりです。1時間のインタビューで丸一日、2人が同時に話していればそれ以上、と考えておけば足ります。

それでもなぜ今も手でやるのか。本当の理由が3つあります。ごく短い抜粋は、アップロードして直すより打った方が速い。バーで録った音声、電話越しの音声、マスク越しの音声、強い訛りのある音声は、このページのどのモデルも負かします。そうなると自分の文章を書く代わりに機械の当て推量を直して一日が終わります。そして質的研究では、文字起こしそのものが分析です。自分でインタビューを打つ人は、きれいな文字起こしを流し読みしていたら決して気づかないことに気づきます。日本語では、ここに漢字の当て方という判断が加わります。同音異義語をどう書くかは、聞き手の解釈がそのまま文字になる作業です。

手でやるなら、メディアプレーヤーとワープロを並べてやってはいけません。oTranscribeは、この一つの仕事のために作られた無料のオープンソースのエディタです。音声プレーヤーとテキストが同じ画面にあるのでウィンドウを切り替える必要がなく、キーボードから手を離さずに一時停止と巻き戻しができます。MITライセンスで、リポジトリには2026年8月10日にもコミットが入っていました。この世代の無料ツールとしては珍しいことです。ファイルは自分のパソコンに残ります。

始める前に方式を決めてください。途中で変えると、そのセッションが丸ごと無駄になります。

• 素起こしは「えー」も言い直しも繰り返しも全部残します。会話分析にはこれが要ります。それ以外の人には要りません。
• ケバ取りは、意味を持たないつなぎ言葉と言いよどみを落として、意味のあるものは全部残します。報道と多くの研究ではこれが既定です。
• 整文は、文法や言いさしを整えて読める文章にします。公開するQ&A記事には向き、後から発言として引用するものには向きません。

道その2。無料の道

3つとも本当に無料で、そしてこのテーマで現在上位に出ている8本の記事は、どれ一つとしてこれらに触れていません。どれにも本物の限界があるので、午後を投じる前に、どこで失敗するのかを読んでください。

Wordの文字起こし

向いている人:すでにMicrosoft 365を払っていて、この機能の存在に気づいていない、ほとんどすべての人。

ブラウザでWordを開き、「ホーム」から「ディクテーション」の横の矢印を押して「文字起こし」を選び、ファイルをアップロードします。Microsoftの公式ドキュメントが上限を定めています。「Microsoft 365のサブスクリプションをお持ちのユーザーは、アップロードした音声を月あたり最大300分まで文字起こしできます」。Copilotのライセンスがあれば30,000分です。.wav、.mp4、.m4a、.mp3を受け付け、EdgeとChromeでのみ動き、接続が必要で、話者は自動的に分けられます。処理時間はおおむね録音の長さと同じくらいです。結果はOneDriveの「Transcribed Files」フォルダに落ち、個々の発言や文字起こし全体をそのまま文書に差し込めます。対応言語は80以上のロケールで、「日本語(日本)」も明記されています。

月5時間、無料、話者の分離つき、しかも何千万人がすでに払っている製品で。このジャンルでいちばん使われていないものです。

引っかかる点を、実際に困る順に。クラウド処理です。Microsoftは「お客様の音声ファイルはMicrosoftに送信され、このサービスの提供のためだけに使用されます」と述べていて、これは明確な約束ですが、ファイルがマシンを出ることに変わりはありません。ブラウザ版でしか動かず、デスクトップアプリでは動きません。そしてファイル1個あたり200MBという上限が、Microsoft自身のサポート回答も含めて広く出回っていますが、現在のドキュメントのページには載っていないので、事実としては書きません。アップロードを拒まれたら長い録音を分割してください。

YouTubeの自動字幕

向いている場面:すでにYouTubeにある、あるいは公開してかまわない講演、講義、パネル。

動画がYouTubeにあるなら、文字起こしはもう手元にあるかもしれません。説明欄の「文字起こしを表示」を押すと、タイムスタンプ付きのテキストがスクロールできるパネルに出て、行をクリックすればその位置に飛べます。自分がアップロードしたものなら、YouTube Studioが字幕ファイルそのものをくれます。「字幕」から動画を選び、言語の横の「編集」、「オプション」、「字幕をダウンロード」。

Googleは自動字幕が付く言語の一覧を公開していて、これが長く、アフリカーンス語からズールー語まで60余りが並びます。日本語もその中にあります。Googleはこれが失敗する条件も、珍しく率直に公開しています。処理するには複雑すぎる音声、非対応の言語、「動画が長すぎる」場合、「音質が悪い、またはYouTubeが音声を認識できない」場合、冒頭に「長い無音が続く」場合、そして「複数の話者の声が重なる、または複数の言語が同時に話される」場合には字幕が付きません。最後のひとつは、ほとんどのインタビューの説明そのものです。精度についての警告もGoogle自身のものです。「自動字幕は、発音の誤り、アクセント、方言、背景の雑音により、話された内容を正しく表さない場合があります」。

字幕だけを取り出す目的で非公開または限定公開の動画をアップロードするという、よく知られた裏技があります。たいてい動きます。私たちがそれを推奨しないのは2つの理由からです。公開設定が字幕生成に影響するかどうかをGoogleは文書化しておらず、挙動は予告なく変わりうること。そして取材相手のインタビューをYouTubeにアップロードすることは、それをGoogleにアップロードすることだからです。自分の講義の録音ならかまいません。機微なものなら、やめてください。

ローカルのWhisper

向いている場面:パソコンの外に出してはいけない録音、そして20個まとめての処理。

OpenAIはWhisperを公開モデルとして出し、その周りの生態系はいまこのジャンルで最も強い無料の選択肢になっています。何もアップロードされず、従量課金もなく、きれいな音声での品質は有料サービスに十分近いので、たいていの人は差を気にしなくなります。日本語もWhisperがもともと扱える言語のひとつで、読み上げに近い音声なら実用の水準に届きます。

入口としていちばん楽なのはGUIです。Buzzは無料のオープンソースで、Mac、Windows、Linuxで動き、ファイルでもYouTubeのリンクでも受け付け、プレーンテキストや字幕として書き出せます。MacWhisperは洗練されたMac向けの選択肢で、フリーミアムで、毎週これをやるなら払う価値があります(マルウェアを仕込んだ偽サイトが存在するとサイト自身が警告しているので、macwhisper.comからだけダウンロードしてください)。その両方の下にあるのがwhisper.cppで、依存関係がなく、CPUだけで動き、Apple Siliconで大きく最適化されていて、そこではCore MLがエンコーダを「CPUのみの実行と比べて3倍以上速く」できます。

選ばなければならない判断はモデルだけで、天秤にかかるのは速度と精度です。largeは15億5千万パラメータで、VRAMが10GBほど欲しくなります。turboはlarge-v3を最適化したもので、OpenAIの言葉で「精度の低下は最小限」のままおよそ8倍速く動きます。小さい方の端では、tinyはどんな機械でも動き、そして固有名詞を絶えず間違えます。英語での経験則は2026年6月のHacker Newsから、「後処理を挟むなら、英語の精度と速度の釣り合いではmediumが勝負どころになることが多い」。日本語ではこの勝負どころがもっと上にずれます。小さいモデルは漢字の当て方から崩れるので、実用に耐えるのはlarge-v3かlarge-v3-turboからだと考えておくのが安全です。

期待値はデモではなく、毎日これを動かしている人から取ってください。そのひとりが2026年8月に書いています。「誰かが後から直す前提の一次稿としては見事に働く。それ単体では無理だ」。これは無料でも有料でも、このページのすべての道についての正直な要約であり、どの道からも編集の工程が消えない理由です。

本当の弱点は話者ラベルです。素のWhisperが返すのは区別のない文字の壁で、2023年からそうでした。当時Hacker Newsで「Whisperに唯一足りないのは話者分離だ」とまとめた人がいます。3年経っても、解決策はいまだに外付けの道具です。単語単位のタイムスタンプと話者分離を足すWhisperXか、whisper-diarization。どちらも動きます。どちらもインストールとモデルのダウンロードと、読むべきライセンスを増やします。ある開発者は2026年7月に、依存する話者モデルのライセンスを理由にWhisperXから離れました。2人のインタビューを別チャンネルで録っているなら、チャンネルごとに文字起こしすれば問題そのものを回避できます。

何もインストールしたくないなら、同じモデルがOpenAIのAPIに分あたり0.006ドルで載っていて、これは音声1時間あたり36セントです。有料の道ですが、このページで2桁安い最安であること、そしてより安いgpt-4o-mini-transcribeがその半額であることから、ここに置いています。もちろん、またアップロードする話に戻ります。

聞き直して言い直す回避策

向いている場面:正直なところ、どこにも。それでも繰り返し質問されます。

手口はこうです。Googleドキュメントの音声入力かWordのディクテーションを開き、録音を大きな音で流して、マイクに拾わせる。半分は動きます。認識は会話の距離にいる生身の話者に合わせて作られているので、机の向こうのスピーカーからでは単語が落ち、句読点は崩れ、ウィンドウを切り替えるとセッションが止まりがちです。Googleのドキュメントは録音にも再生にも仮想オーディオデバイスにも触れていないので、ここには保証された挙動が一つもありません。

本当に動く方はきちんと退屈です。ヘッドホンで聞き、聞こえたことをはっきりマイクに向かって言い直す。プロの文字起こし者はこれをリスピークと呼び、実在する技法です。おおむね実時間に修正を足したくらいで進むので、1時間に対して90分を見ておいてください。Wordの文字起こしが同じ仕事を無人で無料でやってくれる以上、これはもう、Microsoft 365を契約しておらずソフトも入れられない人のための最後の手段です。

道その3。サービス

これらは数分で仕事を終え、結果を整形し、話者にラベルを付け、他人に渡せる形で書き出します。払う理由は精度ではありません。ローカルのモデルでも十分近いところまで行きます。払う理由は、整形と話者ラベルと書き出しを、ファイルのたびに手で組み立てずに済むことです。

Transkriptor

向いている場面:仕事全体をいちばん安く片付けたいとき。

価格:まず90分の無料プラン。Liteは月9.99ドルで300分。Proは月19.99ドル、または年99.99ドルで、月あたり8.33ドル、月2,400分が含まれます。Teamは1席30ドル、または年240ドル。

この計算をすると立ち位置がはっきりします。Proはサンドイッチ1個の値段で月40時間ぶんの録音をまかないます。インタビューを20本抱えた大学院生や、テープの山を抱えた記者にとって、このページの他のどのサービスも同じ価格帯にいません。100以上の言語に対応していて日本語もそこに入り、複数の話者を判別してラベルは編集でき、TXT、SRT、Wordで書き出せます(インタビュー向けのページにはPDFも挙がっています)。そして手でやることになるはずの作業もやってくれます。要約、文字起こしに対するAIとの対話、翻訳です。

率直にしておくべきことが2つ。インタビュー向けのページには「99%の精度を実現」とあり、講義向けのページでは同じ製品が「ほとんどの場合において99%の精度の文字起こしを提供します」となっています。正直なのは後者で、それでもベンダーの数字であって測定ではありません。もうひとつ、「お客様のデータは学習目的には使用されません」という一文はProの機能一覧に載っていて、サイトの先頭にはありません。つまり無料プランとLiteにはその約束が付きません。機微なものをアップロードするなら、それは無料で試すより払うべき理由になります。

Transkriptorを試す

Otter

向いている場面:自分が進行し、その場で録っている会議やインタビュー。

価格:無料のBasicは月300分、1回の会話につき30分まで、そしてアカウントの生涯でファイルの取り込みは3回まで。Proは月16.99ドル、年払いなら月8.33ドルで、録音1,200分、取り込みは月10回、会議1回あたり90分まで。Businessは30ドル、年払いで19.99ドルで、会議は無制限、1回4時間まで。

この無料枠をもう一度読んでください。どのまとめ記事もOtterを「インタビューを無料で文字起こしする方法」として挙げますが、そうではありません。アップロードは生涯で3回です。OtterはZoom、Meet、Teamsの生の通話に同席して話しながら文字にするために作られていて、その仕事では非常に優秀です。会話の最中に画面へ文字が出て、文脈が来ると自分で直します。Hacker Newsでそれを説明した耳の聞こえないインタビュアーは、この自己修正を「大きな助け」と呼びました。ファイルをアップロードするサービスには真似のできない使い方です。ただ、ハンディレコーダーの録音を食わせるのは、この道具を目に逆らって使うことになります。

決める前に知っておくべき限界がもう2つ。価格ページが挙げている言語は6つ、英語、スペイン語、フランス語、ドイツ語、日本語、中国語です。日本語がその6つに入っているのは、このページの読者にとっては朗報です。そして書き出しはBasicとProではmp3とtxtだけ。SRT、DOCX、PDFはBusinessの機能なので、字幕や整形された文書が必要なら実際の価格は月8.33ドルではなく19.99ドルです。

Notta

向いている場面:日本語の仕事、多言語の仕事、そして長い録音。

価格:無料は月120分で1回の録音につき3分まで、これはプランというより体験版です。Proは年97.99ドル、月あたり約8.17ドルで、月1,800分、1回の録音は5時間まで。Businessは年199.99ドルで文字起こし無制限。

Proの「1回5時間」という上限はここでいちばん高く、丸一日の収録をする人には効いてきます。NottaはSOC 2 Type IIとISO 27001の認証を取得し、話者の識別とタイムスタンプ付きのメモに対応し、Zoom、Meet、Teams、Webexにつながります。東京発の製品で日本語に際立って強く、作業言語が日本語ならTranskriptorより先にこれを見る理由がここにあります。日本語の話し言葉、社名や役職の表記、会議の言い回しに合わせて作られた製品と、100以上の言語を等しく扱う製品とでは、同じ録音でも直す量が変わります。一方で価格ページには対応言語の総数も書き出し形式の一覧もなく、録音をモデルの学習に使うかどうかについての記述は、サイトのどこにも見つけられませんでした。書いていないことは、どちらの意味でも約束ではありません。

Rev

向いている場面:間違えられない文字起こし。そして月額ではなくファイル単位で払いたいとき。

価格:AIの文字起こしは分あたり0.25ドル、つまり音声1時間で15.00ドル。人力は分あたり1.99ドル、1時間で119.40ドル。量が要るなら定額もあります。Essentialsは年払いで1席月25.49ドル、AI 5,000分。Proは47.99ドルで10,000分。

人力の文字起こしはこのページの他のすべてとは別の商品で、そう扱うに値します。Revはそれを「99%以上の精度、12時間以内に納品」と表現し、AI版は「95%以上の精度を5分以内で」としています。この差は小さく聞こえますが、数えると印象が変わります。1時間の会話は英語でおよそ9,000語なので、95%なら探すべき誤りが450語ほど残り、しかもそれは意味のあるところに集まります。人名、数字、専門用語です。日本語なら分あたり300字前後という目安で1時間およそ1万8千字、同じ割合なら直す対象は900字ぶんになります。裁判の書面、放送、弁護士が読む公開の引用に入る文字起こしなら、119ドルは半日の確認作業と、ある種類のリスクを買い戻します。ただし日本語には、ここに決定的な条件が付きます。Revの人力文字起こしは英語から英語だけです。ヘルプセンターの対応言語のページが自らそう書いていて、将来ほかの言語を足すかもしれない、とだけ添えています。日本語の録音を人の手で仕上げてほしいなら、Revは選択肢ではなく、国内の文字起こし業者を探すことになります。AI側の対応言語もプランによって変わり、下位のプランは英語中心で、多言語は上位プランの範囲です。都度払いで日本語のファイルを投げる前に、いま自分のアカウントでどの言語が有効かを価格ページで確認してください。

プライバシーについて言えば、人の側の話は有料の選択肢のなかでいちばん強いものです。担当者は「身元確認と秘密保持契約を含む厳格な審査を受けて」おり、これは本物の統制で、しかも珍しいものです。

機械の側は注意して読む必要があり、宣伝ページは文書ではないという、このページで最も分かりやすい実例になっています。Revのセキュリティのページには「お客様のデータで外部のLLMを学習させることは決してありません」とあります。2026年5月15日発効の利用規約は違うことを言っています。「お客様のコンテンツは当社のASRモデルおよびその他のRevの人工知能モデルによって解析され、それらのモデルの継続的な学習に使用される場合があります」。ここで除外されているのは生成系の学習であって、学習一般ではありません。契約そのものにスイッチはありません。オプトアウトは存在し、そして設定ではないので見落とされます。2025年9月12日に最終更新されたRevのヘルプセンターは、顧客は「support@rev.comへメールを送ることで、いつでも学習目的でのデータ共有をオプトアウトできます」と書いています。不格好な経路ですが、書かれた経路です。2つの文はどちらも同時に正しく、違いは「外部の」という一語に全部あります。あなたのインタビューが他社の基盤モデルに入ることはありません。Rev自身のモデルには十分入りえます。

Descript

向いている場面:ポッドキャストや動画に切り出されるインタビュー。

価格:無料はメディア1時間ぶん。Hobbyistは年払いで1人月16ドル、月払いなら24ドルで、メディア10時間。Creatorは年払い24ドル、月払い35ドルで30時間。Businessは年払い50ドルで40時間。

Descriptは本当のところ文字起こしサービスではなく、だから最後に置いています。これは文字起こしがタイムラインになっているエディタです。テキストで一文を消せば音声も一緒に消え、つなぎ言葉はコマンド一つで削れ、言い間違いは上から打ち直して直します。公開用の音声や動画になるインタビューなら、2つの仕事が1つになります。文字起こしは25言語、話者は8人以上まで判別します。ただし日本語はその25言語に入っていません。Descriptの対応言語はラテン文字の言語に限られていて、日本語、中国語、ロシア語は対象外だとヘルプが明記しています。日本語のインタビューを編集したいなら、文字起こしは別のサービスで作って持ち込むか、別の編集環境を選ぶことになります。

単位に注意してください。Descriptが数えるのはメディア時間で、これは文字起こしだけでなく編集と書き出しも含みます。編集もするつもりなら、月10時間はインタビュー10時間ではありません。

プライバシーポリシーは処理の目的の中に「当社の人工知能モデルの学習」を確かに挙げていますが、実際の制御はその一文が思わせるよりましです。学習の対象になるのは「Share Data with Descript」の設定を通じて共有したデータだけです。その設定がどちらの状態で始まるのかは、見た目ほどはっきりしません。セキュリティのページは既定で無効だと書き、ヘルプセンターは同じ設定が「Allowed」と表示されているとしてそれを押して共有を切れと案内しています。ベンダー自身の文書が既定を決着させていないので、自分のものを確認してください。はっきりしているのはスイッチが存在することで、それは普通のOtterのアカウントより多く、オプトアウトがメールであるRevより手軽です。評価すべきところは評価します。

実際に何がうまくいかないのか

このページのどのベンダーも95%から99%の間の数字を挙げます。再現できる試験を公開しているところはありません。代わりに、独立した研究と毎日これをやっている人たちが言っていることを並べます。その方が役に立ちます。誤りは無作為に散らばらないからです。誤りは、あなたが引用しようとしていたまさにその語に降ります。

訛り。訛りを横断してWhisperを評価したものとして最も引用されるのは、2024年2月にJASA Express Lettersに載ったGrahamとRollの研究です。その結論は彼ら自身の言葉で、「アメリカ英語の認識がイギリス英語やオーストラリア英語より優れており、カナダ英語は同程度の成績を示した」、そして「母語話者の英語の訛りは非母語話者の訛りより高い精度を示す」。誤り率が話者の第一言語と英語の習熟度に連動することも見つけています。大人になってから英語を学んだ人に取材するなら、あなたの文字起こしは試したデモより測定できるほど悪くなり、ツールはそれを教えてくれません。これは英語の研究であって、日本語には直接あてはまりません。日本語で同じ位置を占めるのは方言と話速、そして次に挙げる漢字の当て方です。ここについて再現可能な公開研究は見当たらないので、私たちも数字を出しません。

固有名詞と専門用語。これが編集時間の最大の発生源で、モデルには推測しようのない唯一のものです。2026年7月にHacker Newsである開発者が書いています。「OpenBaoがopen bowelになって出てくることがある。笑える。おかげで相当な後始末が要る」。ここに取材相手の姓、その分野の略語、記事にしようとしている会社名を代入してください。日本語ではこれが漢字の当て方の問題になります。同じ読みの人名や社名をどう書くかは音からは決まらないので、モデルは必ずどこかで外します。処理の前に固有名詞の一覧を渡せるサービスは、見出しの精度が1ポイント上がるより多くの時間を節約してくれます。

無音。これは驚かれます。音声認識モデルは、何もないところに文字を作ることがあります。2024年6月にACM FAccTで発表された「Careless Whisper: Speech-to-Text Hallucination Harms」で、コーネル大学、ワシントン大学、ニューヨーク大学、バージニア大学の研究者が13,000本を超える音声を分析し、Whisperの文字起こしのおよそ1%に、まるごと作られた文が含まれていることを見つけました。引き金として特定されたのは間です。「単語間の長い休止と無音は、有害な幻覚を引き起こしやすい」。これは言語障害のある話者にいちばん強く当たります。この失敗には実務家のあいだで語り草があり、モデルが何もないところから出す決まり文句で見分けます。2026年2月のHacker Newsのコメントでは「定番の『Thank you for watching!』」、何千時間もの音声をWhisperに通した人は同じものが「please like and subscribe」として来たと報告しています。日本語では文面が変わり、出てくるのは「ご視聴ありがとうございました」や、それに類する動画の締めの言葉です。どれもネット動画を大量に学習したモデルの副産物で、どれも無音のところに現れます。

実務的な対処があり、10分の価値があります。文字起こしの前に無音を切るか、音声を音声区間検出に通して、モデルに発話だけを食わせること。間がなければ、作られた文も出ません。切れない場合はもっと単純な規則になります。文字起こしの中に妙になめらかな行や、誰かに礼を言っている行があったら、どこかへ出す前に音声と突き合わせてください。

誰が話したか。話者のラベル付けは、無料でも有料でも、どこでも文字起こし本体より弱いところです。声の高さが近い2人、声が重なった一瞬、途中から参加した人。ラベルはずれて、しかも黙ってずれます。どのツールを使うにせよ、公開するつもりの引用の周りでは、話者が変わる箇所を目で確認してください。

この4つから出る実務上の結論は同じです。AIの文字起こしは検索できる下書きであって、原典ではありません。引用するつもりの箇所はすべて音声を再生して突き合わせます。この最後の確認は数時間ではなく数分で終わり、そして作業に使える文字起こしと、公開できる文字起こしを分ける工程です。

誰があなたの録音で学習するのか

2026年8月27日に読みました。変わるものなので、日付が意味を持ちます。

この表の正直な読み方を3つ。

Otterの文で重い仕事をしているのは「識別情報を除去した」です。音声ファイルからアカウント情報を剥がしても、声も、その中で呼ばれた名前も、話された中身も剥がれません。

宣伝ページは文書ではありません。OtterもRevも、狭い意味では正しく、広く誤読される一文を公開しています。Otterのプライバシーとセキュリティのページには「顧客データがAIサービス提供者のモデルの学習に使われることはありません」とあり、これは他社についての約束であって、Otter自身についての約束ではありません。Revのセキュリティのページは外部のLLMを排除する一方で、規約はRev自身のモデルの継続的な学習を許しています。どちらの場合も、拘束力があるのは発効日の入っている方です。

そしてこれは何も隠されていません。公開されていて、平易な文で書かれていて、そしてこのテーマで上位に出る記事は一語も引用していません。

録音の同意とアップロードの同意は別の質問

法律の助言ではありません。録音に関する法律は本当に複雑で管轄ごとに違うので、これは道標であって判断ではありません。そして以下は米国の話です。日本の読者にとって直接の規則ではないので、自分の状況の判断は日本の実務に当たってください。原則の構造、つまり「録音してよいか」と「他社に渡してよいか」が別の質問であることは、どの国でも変わりません。

録音について、米国のジャーナリストが実際に参照するのはReporters Committee for Freedom of the Pressです。その手引きは「連邦法は、対面、電話、電子的な会話を録音する前に、少なくとも一方の当事者の同意を求めている」と述べていて、根拠は18 U.S.C. §§ 2510と2511の連邦盗聴法です。そのうえで「およそ11の州が、録音について主として全当事者の同意を要求している。カリフォルニア、デラウェア、フロリダ、イリノイ、メリーランド、マサチューセッツ、ミシガン(少なくとも会話に参加していない第三者による録音について)、モンタナ、ニューハンプシャー、ペンシルベニア、ワシントンの各州である」。折衷の州もあります。ミズーリとオレゴンは対面の会話についてのみ全員の同意を求め、コネチカットとネバダは電話についてのみ求めます。州をまたぐ通話については、手引きは「より厳しい方の州法が適用されると想定せよ」と助言しています。

この引用の中の逃げ道は意図的なものです。「およそ」や「主として」が入っているのは、これらの法律に例外があるからで、検索結果の抜粋に出てくる自信ありげな切りのいい数字が、手引きそのものより価値が低い理由もそこにあります。2026年2月にAI議事録ツールについて書いた弁護士たちは、運用上の要点を足しています。ファイルを上げる前に、ベンダーの規約、プライバシーポリシー、保存方針を読むこと。

アップロードについては、法律はほとんどありません。だからこそ、習慣ではなく判断が必要になります。適法に録音したインタビューを文字起こし業者へ送ることを止めるものは何もありません。送るべきかどうかは、テープに声が入っている相手にした約束の話です。

費用のかからない実務的な規則を3つ。

録音の冒頭で声に出して言うこと。「録音します。そのあと自動の文字起こしサービスに通します」は4秒で済み、テープに永久に残り、想定を同意に変えます。相手がためらったなら、早い段階で重要なことを知れたということです。

研究なら同意書に書き、その前に自分の所属機関の規定を確認すること。倫理審査が守っているのは、あなたが記述したデータの取り扱いであり、「第三者のクラウド文字起こしサービス」はデータの取り扱いの一工程です。協力者の録音はそれ自体が識別可能なデータで、文字起こしに何が書かれていようと、大学の倫理委員会はそう扱います。ここは機関によって判断が割れています。バージニア工科大学の図書館は「otter.aiやNVivoの文字起こしを含む複数の文字起こしツールは、本学の研究者にはIT部門として推奨しない」と述べ、一方でベンダーの公開しているプライバシーポリシーで足りるとする審査委員会もあります。つまりあなたにとっての答えは、記事から下す判断ではなく、自分の研究支援窓口への5分の質問です。ベンダー名、保存期間、削除の手順を書くのは、申請段階なら一段落ぶんの作業で、後からでは直せない問題になります。

建物の外に出ない道をひとつ確保しておくこと。ローカルのWhisperは一度だけ午後をかければ用意できます。それが準備してあるということは、「これはそもそもアップロードしていいのか」への答えが、既定で「はい」になる必要がなくなるということです。

使える文字起こしにするために

タイムスタンプは、文字起こしと文書を分けるものです。これがないと、引用の裏を取るのに1時間の音声を行ったり来たりすることになります。ここに挙げた有料サービスはすべて付けます。Revは人が確認した文字起こしを段落ごとに音声と同期させます。Whisperは元から出力し、WhisperXは単語の単位まで下ろします。

話者ラベルは、他の編集より先に直してください。最初の一周のうちに、まだ誰がどこに座っていたか覚えているうちに「話者1」「話者2」を実際の名前に変えれば、ファイル全体が人で検索できるようになります。

方式は一度だけ決めること。会話分析なら素起こし、それ以外のほとんどはケバ取り、公開するQ&A記事にだけ整文。途中で切り替えると、誰も安心して引用できない文書ができあがります。

次に使う道具が求める形式で書き出すこと。編集とコーディングにはDOCX、字幕にはSRTかVTT、検索と他のツールへの受け渡しにはTXT、編集しない相手に送るときだけPDF。払う前にここを確認してください。OtterはSRT、DOCX、PDFをBusinessプランの向こうに置いています。

引用箇所は音声で確認すること。公開するすべての箇所を再生してください。このページでいちばん速い保険です。

そして最大の改善は、そのすべての前に起きます。もっと良く録ること。2人のあいだの机に置いたスマートフォン1台と、換気扇もコーヒーメーカーも動いていない部屋は、どのベンダーが売るどの精度機能にも勝ちます。日常的に取材するなら、安いクリップ型のマイク1本の方が、無料プランから有料プランへの乗り換えより文字起こしを良くします。

どうやって確認したか

実機での精度ベンチマークは行っていませんし、行ったかのように書くつもりもありません。検索結果でこのページより上にあるまとめ記事を読むと、自分を1位に置いた会社が出した自信ありげな数字(「最大99%」「85%が上限」)が並び、試験用ファイルも方法論も生データもありません。確認できない数字は、数字がないことより価値が低いのです。

代わりに2026年8月27日にやったことは以下です。

• ここに出てくる全サービスの現在の価格ページを読み、価格と分数の枠をそこから直接取りました。他の記事から数字を写してはいません。
• Microsoftの「文字起こし」と「ディクテーション」のサポート文書、そしてGoogleのYouTube自動字幕とドキュメント音声入力のヘルプページを読み、上に引用した上限と失敗条件を取りました。対応言語に日本語が入っているかどうかも、この一次情報で確認しました。
• Otter、Descript、Rev、Transkriptor、Nottaのプライバシーポリシー、セキュリティのページ、そして利用規約を読み、言い換えずに引用しました。Revのセキュリティのページと契約の食い違いが見えたのはこのやり方のおかげです。
• 結論をベンダーだけでなく独立した権威に照らしました。Freedom of the Press Foundationによる文字起こしツールの検証、2026年6月2日更新です。
• オープンソース側の状態をGitHub APIで確認しました。whisper、whisper.cpp、WhisperX、Buzz、whisper-diarization、oTranscribeはすべて生きていてアーカイブされておらず、直近のコミットは2026年8月に入っています。
• 訛りと幻覚についての知見は、ベンダーの宣伝ではなく公開された研究から取りました(JASA Express Letters、2024年2月。ACM FAccT、2024年6月)。
• 実務家のコメントは公開の検索APIを通じてHacker Newsから、日付つきで引きました。ここに引用したものはすべてリンクと日付をたどれます。

確認できなかったことを4つ、ならして隠さずに挙げます。JASAの論文の全文は私たちのいる場所からは有料の壁の向こうなので、訛りについての知見は要旨から取りました。Transkriptorの価格ページには、無料の90分が一度きりの枠なのか毎月なのかが書かれていません。Otterの法人向けドキュメントは、通常のアカウントにはないオプトアウトを記述しているかもしれませんが、私たちには開きませんでした。そしてRedditは調査環境から到達できないので、ここでのコミュニティの声はHacker Newsだけになり、技術寄りに偏っています。

意図的に出さない数字がひとつあります。AIの文字起こしを音声1時間あたり何分で整えられるか、です。いくつもの記事が数字を挙げていますが、出典を示したものはなく、実際の値は、きれいな一人語りの講義なら数分、うるさい3人のインタビューなら午後のほとんど、というほど振れます。

検討して順位に入れなかったもの

目を通したうえで順位に入れなかったツールと、その理由です。

Sonix、Trint、Happy Scribe、TranscribeMe、GoTranscript、Scribie、Temiはどれも定評があり、いくつかは優秀です。上の5つのサービスと同じ場所を、同程度かそれ以上の価格で占めていて、足してもページが長くなるだけで判断は楽になりませんでした。多言語の出力を大量に必要とするなら、SonixとHappy Scribeはとくに見る価値があります。

TurboScribe、ScreenApp、VEED、そしてブラウザツールの群れは「音声 テキスト化」で強く上位に出ますが、たいてい短い上限のついた無料枠と会員登録の壁に行き着きます。短いファイルが1個だけで、どこにもアカウントがないなら使えます。1時間のインタビューなら、Wordより条件の悪い取引です。

会議の議事録ツール、つまりFireflies、Fathom、Jamieなどは、あなたのファイルではなくあなたのカレンダーを文字起こしします。「インタビュー」が自分の主催するZoomの通話なら、そのジャンルとOtterを見てください。ハンディレコーダーの録音なら、そのために作られてはいません。

MAXQDA、NVivo、ATLAS.tiは質的分析ソフトの中に文字起こしを持っています。すでにどれかでデータをコーディングしているなら、払ったものを使ってください。そうでないなら、文字起こしのために分析ソフトを買ってはいけません。

Speechmatics、AssemblyAI、Deepgramは、これを自分の製品に組み込むためのAPIです。品質は本物ですが、ファイルと締め切りを抱えた人にとっては形が違います。

音声入力アプリは文字起こしのまとめ記事に出続けますが、出るべきではありません。Wispr Flow、Voicy、WindowsとMacの標準機能は、いま話している言葉を打ちます。すでに手元にある録音は処理しません。それがこのページの仕事です。求めていたのがそちらなら、ChatGPTへの音声入力かMac向けのまとめから始めてください。

次にやること

実際の録音、それも空調が回っていて2人が同時にしゃべっている厄介な方の、最初の30分を取って、Transkriptorの無料90分に通してください。きれいなサンプルでも、誰かのデモファイルでもなく。自分の最悪の音声30分は、AIの文字起こしが自分の話し方、自分が扱う人名、自分の分野の用語に対して十分かどうかを5分で教えてくれます。そして、そもそもこれにお金を払うべきかを決める問いはそれだけです。答えが「足りない」なら、Revか、oTranscribeでの半日ぶんの作業を予算に入れることが分かります。日本語の録音なら、同じ30分をNottaでも試してください。そして、そもそもアップロードすべきでない録音だったのなら、代わりにローカルのWhisperを用意して、その道をいつでも使えるようにしておいてください。