🎙️ 経営者の発信術

文字起こしツールの選び方|話者分離・専門用語・学習利用の3点で比べる

🎙️経営者の発信術
文字起こしツールの選び方
話者分離・専門用語・学習利用の3点で比べる
VOICEPRESS BLOG

講演や取材、社内の勉強会を録音したものの、文字にするツールが多すぎてどれを選べばよいか分からない。文字起こしツールを探し始めた人の多くが、無料かどうか、精度が高いかどうかの比較記事を何本も読んで、かえって決められなくなっています。

文字起こしツールを選ぶときに比べるべきは「精度の高さの評判」ではなく、「誰が話したかを分けられるか、自社の言葉を覚えられるか、録音がどう扱われるか」の3点です。精度の評判は録音の条件で入れ替わりますが、この3点は仕様と規約に書いてあり、事前に確かめられます。

この記事でわかること

  • 文字起こしツールの4つの型と、型ごとの得意な場面
  • 話者分離・専門用語・データの学習利用と保存の3軸で、公式文書のどこを読めばよいか
  • 同じ10分の録音で2〜3のツールを試し比べる評価シート

この記事はツールに順位を付けず、候補を何で落とすかの条件を示します。読み終えたら、手元の録音を1本選び、評価シートで候補を比べ始められます。録音をAIで議事録にまとめる使い方は、関連記事「議事録AIの選び方」で扱っています。

文字起こしツールとは|4つの型と得意な場面

  • 4つの型
  • 型ごとの得意な場面
  • 画像やPDFから文字を起こす場合

4つの型

文字起こしツールとは、音声や動画のファイルを読み込んで、話された言葉を文字に変えるソフトやサービスのことです。大きく分けると次の4つの型があります。

型 例 主な使い方
文書ソフトの付属機能 Microsoft Word の「文字起こし」 録音ファイルを文書の画面から読み込み、文字にしてそのまま編集する
専用のWebツール・アプリ 文字起こし専用のサービス 音声・動画(製品によっては画像やPDFも)をアップロードし、話者の書き分けや要約・議事録の作成まで画面上で行う
会議ツールの機能 Zoom・Teams・Google Meet の文字起こし 会議の最中に文字にする。会議中の記録が主な用途
音声認識のAPI Google Cloud Speech-to-Text、OpenAI の音声文字起こし 社内のシステムに組み込み、大量の録音を自動で処理する

型ごとの得意な場面

型を選ぶ基準は、録音の量と、文字にした後の使い道です。月に数本の講演や取材を記事の材料にするなら、文書ソフトの付属機能か専用のWebツールで足ります。毎日の電話や問い合わせの録音を蓄積して検索したいなら、APIを使って社内の仕組みに組み込む型が候補になります。会議ツールの文字起こしは、会議の最中の記録には便利ですが、録り溜めた音声ファイルの処理には別の型が要ります。

画像やPDFから文字を起こす場合

画像やPDFから文字を取り出す処理は、音声の文字起こしとは別の技術で、文字認識(OCR)と呼ばれます。比較記事では「音声・動画・画像・PDFに対応」とまとめて書かれることがありますが、画像やPDFでは、話者分離や語句の登録といった音声向けの軸は当てはまりません。代わりに、紙の書類をスキャンしたPDFか、文字情報を持ったPDFかで結果が変わります。

音声認識のAPIと同じ型で使えるものとして、Google Cloud Vision API は、Cloud Storage に置いたPDFとTIFFのファイルから文字を検出でき、受け付けるのは2,000ページまでと説明しています(Cloud Vision「Detect text in files (PDF/TIFF)」(docs.cloud.google.com)、2026年11月6日確認)。スキャンした書類が主な対象なら、同じページで案内されている Document AI も候補です。専用のWebツールで画像やPDFも扱う製品を選ぶときは、音声と同じく、学習利用と保存の扱いを規約で読みます。

比べる軸1|話者分離で誰が話したかを書き分けられるか

  • 話者分離とは
  • 公式文書での書かれ方
  • 話者分離の試し方

話者分離とは

話者分離とは、録音の中で声の違いを聞き分け、「話者1」「話者2」のように発言ごとに話し手の印を付ける機能です。対談やインタビュー、複数人の会議の録音では、この機能があるかどうかで、文字にした後の手直しの量が大きく変わります。

公式文書での書かれ方

話者分離は、製品によって呼び方が違います。Microsoft のレコーディングの文字起こしのヘルプ(support.microsoft.com)では、異なる話者を識別して分離し、「Speaker 1」「Speaker 2」のようなラベルを付け、ラベルは後から一括で名前に直せると説明されています。Google Cloud Speech-to-Text では「speaker diarization」と呼ばれ、設定項目の説明では、話者分離を有効にし、想定される話者の最少人数と最多人数を指定できる形になっています。比較表に「話者識別あり」とだけ書かれていても、人数の上限や後から名前を付け直せるかは製品ごとに違うので、公式の説明で確かめます。

話者分離の試し方

話者分離は、声の似た2人の録音で試すと差が出やすくなります。同じ性別・同じ年代の2人が交互に話す5分の録音を用意し、発言の切れ目で印が正しく入れ替わるかを見ます。相づちの「はい」「ええ」が相手側の発言に混ざっていないかも、確認する点の1つです。

比べる軸2|専門用語と自社の言葉を覚えられるか

  • 語句の登録とは
  • 強めすぎに注意する
  • 試験用の用語リスト

語句の登録とは

語句の登録とは、社名、製品名、業界の専門用語など、ツールが知らない言葉を前もって教え、認識されやすくする機能です。Google Cloud Speech-to-Text のモデル適応の説明では、認識させたい語句を「PhraseSet」として渡し、さらに「boost」で重みを付けられるとしています。説明の中の例では、同じ発音の「fair」と「fare」のうち、文脈に合う語を選ばせる使い方が紹介されています。

強めすぎに注意する

語句の重みは、強くすれば良いわけではありません。同じ公式文書の設定項目の説明では、boost の値を高くするほど、その語句が正しく認識される可能性が上がる一方で、実際には話されていないのにその語句と認識される誤りも増えると注意しています。登録する語は、本当に聞き違えが多い語に絞ります。

試験用の用語リスト

ツールを比べる前に、自社の録音によく出る言葉を20語ほど書き出しておきます。社名・製品名・取引先の名前・業界の略語を混ぜるのがこつです。この20語が文字起こしの結果に何語正しく出たかを数えると、ツール同士を同じ物差しで比べられます。語句の登録ができるツールは、登録前と登録後の両方を数えます。

比べる軸3|データの学習利用と保存期間を規約で読む

  • 公式文書で確かめた3つの例
  • 規約で読む6つの箇所

公式文書で確かめた3つの例

録音には、話し手の声と、取引先の名前や社内の数字が入ります。ツールに渡した録音が、サービスの改善やAIの学習に使われるか、どのくらいの期間残るかは、各社の公式文書に書かれています。2026年11月6日時点で確かめた3つの例を並べます。

ツール 学習や改善への利用 保存の扱い(公式文書の記載)
Microsoft Word の文字起こし 音声ファイルはMicrosoftに送られ、このサービスの提供のためだけに使われる 文字起こしの完了後、音声と結果はサービス側に保存されない。録音自体は自分の OneDrive の「Transcribed Files」フォルダに残る
Google Cloud Speech-to-Text 既定ではログを取らない。「データロギング」に申し込んだプロジェクトのデータだけが改善に使われる 非同期の処理では、結果の文字起こしが受け取りのために約5日保存され、入力した音声は保存されない
OpenAI の API(音声の文字起こし) APIに送ったデータは、明示的に共有を選ばない限り学習に使われない 文字起こしの窓口(/v1/audio/transcriptions)は、不正利用の監視のための保存も、機能のための保存も「なし」と表に記載

出典は、Wordが上のヘルプ(support.microsoft.com)、Google Cloud がデータの利用に関するよくある質問(docs.cloud.google.com)とデータロギングの説明(docs.cloud.google.com)、OpenAI がプラットフォームのデータ管理の説明(platform.openai.com)です。どれも、条件や対象の機能が変われば記載も変わるので、契約の直前にもう一度読みます。

この表で候補を落とす条件は1つです。学習の列が「既定で使う」で、止める方法が書かれていないサービスには、取引先や顧客の声が入った録音を渡しません。Google Cloud のように申し込んだ場合だけ改善に使う形なら、申し込んでいないことを管理画面で確かめておきます。

規約で読む6つの箇所

専用のWebツールやアプリは、利用規約とプライバシーポリシー、ヘルプのよくある質問に分かれて書かれていることが多くあります。次の6つの箇所を探して、答えを1行ずつ書き出します。

No. 読む箇所 書き出す答えの例
1 入力したデータをAIの学習に使うか 使わない/既定で使う/設定で止められる
2 学習を止める設定の場所 管理画面の〔項目名〕
3 録音と文字起こしの保存期間 削除するまで/〔日数〕日後に自動削除
4 削除したデータが復元できなくなるまでの期間 〔日数〕日以内
5 データを保存するサーバの国 日本/米国/記載なし
6 処理を他社に任せているか 再委託先の一覧あり/記載なし

書き出せない欄が残ったツールは、問い合わせて答えをもらってから使います。答えが返ってこない場合は、取引先の名前が出る録音には使わない、と決めておきます。

録音ファイルを用意する|形式・長さ・音質

  • 受け付ける形式と上限
  • 文字起こしに役立つ録音のこつ

受け付ける形式と上限

ツールごとに、読み込める形式と、月にどれだけ使えるかの上限があります。たとえば Word の文字起こしは、ヘルプ(2026年11月6日確認)によると .wav・.mp4・.m4a・.mp3 の形式に対応し、Microsoft 365 のサブスクリプションでは、アップロードした音声を月に最大300分まで文字にできます(Microsoft Copilot のライセンスでは最大30,000分)。月に何時間ぶんの録音があるかを先に数えておくと、上限で足りるかがすぐに分かります。

文字起こしに役立つ録音のこつ

文字起こしの結果は、ツールより録音の条件で決まる部分が大きくなります。手間の少ないこつを3つ挙げます。

  • 話す人とマイクの距離を一定にする。1人ずつピンマイクを付けられると理想的
  • 空調の真下や、食器の音がする場所を避ける
  • 複数人が同時に話さないよう、進行役が発言を回す

試し比べの手順|同じ10分の録音で比べる

  • 評価シート
  • 結果の読み方

評価シート

候補を2〜3に絞ったら、同じ10分の録音を全部のツールに通し、次のシートに数字を入れます。シートの欄はあえて空けてある記入用のひな形で、数字は自社の録音で測って埋めます。録音には、話者が2人以上いる場面と、試験用の用語リストの言葉が出てくる場面を含めます。

評価項目 数え方 ツールA ツールB ツールC
用語リストの正答数 20語のうち正しく出た語の数
話者の取り違え 発言の印が間違った回数
数字の誤り 金額・日付・数量の誤りの数
手直しの時間 読める状態にするまでの分数
規約の6項目 答えを書き出せた項目の数

結果の読み方

5つの項目のうち、最後の「規約の6項目」は、他の4つがどれだけ良くても足りなければ採用しない、足切りの項目として扱います。残りの4つは、文字にした後の使い道で重みを変えます。記事の材料にするなら手直しの時間、議事録にするなら話者の取り違えと数字の誤りを重く見ます。料金は、月あたりの処理時間、利用する人数、保存できる容量、話者分離や語句登録の有無で変わるので、見積もりでは評価シートと同じ条件で比べます。

自分で起こす・ツールに任せる・人に頼む|判断表

  • 判断表
  • 文字にした後の使い道

判断表

文字起こしの方法は、ツールだけではありません。録音の性質によっては、自分で聞きながら打つほうが早いことも、人の手による文字起こしの業者に頼むほうが確実なこともあります。下の表は実測の結果ではなく、この記事で確かめた仕様から筆者が整理した目安です。○=向きやすい、△=条件しだい、を表し、右の列に理由を書きました。迷う行は、評価シートで実際に試して決めてください。

録音の性質 自分で起こす ツールに任せる 人に頼む 理由
5分以内のメモ ○ ○ △ 短いので自分で打っても手間が小さく、外に頼むと受け渡しの手間のほうが大きくなりやすい
1時間の講演・取材 △ ○ ○ 自分で打つと時間がかかる。ツールでも人でも、手直しの時間を評価シートで比べて決める
専門用語が多く、誤りが許されない △ △(語句登録できれば候補) △(その分野に慣れた相手なら候補) 語句の登録は誤認識を増やすこともあると公式文書が注意している。どの方法でも、用語リストの正答数で確かめてから決める
雑音が多い、同時発言が多い △ △ △ 録音の条件が悪いと、どの方法でも聞き違いが増える。まず録り直しや録音環境の見直しを検討する
録音を社外に出せない ○ △(端末内で処理できる製品なら候補) △ 社外のサービスや業者に渡すこと自体が条件に反するため、規約の6項目と社内の決まりを先に確かめる

文字にした後の使い道

文字起こしは、それ自体が目的になることは少なく、要約・議事録・記事・SNSの投稿などの材料になります。

議事録にする場合は、発言をほぼそのまま残す「逐語」の記録にするか、決定事項と要点だけを残す「要約議事録」にするかを先に決めます。専用のWebツールには、文字起こしのあと要約まで自動で作るものがありますが、要約は元の発言を削った結果です。数字や約束が絡む会議では、要約議事録を作ったあとも、元の文字起こしを一定期間残しておくと、聞き返しが必要になったときに困りません。AIに任せてよいのは「下書きの要約」まで、決定事項と担当の確定は人、と分けておくのが安全です。インタビューを受けた録音を記事にしたい場合は、関連記事「話すのが苦手な経営者のための「インタビューされ方」入門」で、話し方の段階から整える方法を紹介しています。対談の録音を記事の形に組み立てる手順は、関連記事「対談コンテンツの作り方」が参考になります。

運営会社のウェブリカでは、代表が連載「ウェブリカラジオ」を月1回、話すことだけで続けています。2026年8月には、VoicePressの第1号導入企業であるオフィス南の連載も始まりました。

よくある質問

スマートフォンで録った音声でも、文字起こしツールで使えますか

使えます。多くのツールは m4a や mp3 などスマートフォンの録音アプリが書き出す形式を受け付けます。ただ、ポケットや鞄の中で録った音声は衣擦れの音が入り、認識が崩れやすくなります。机の上に置き、話す人との距離を1メートル以内にするだけでも結果が変わります。

1時間の講演を文字起こしすると、どのくらいの分量になりますか

話す速さや間の取り方で大きく変わるので、一律の目安はありません。講演の文字起こしは、話し言葉の「えー」「あのー」も含めて文字になるため、記事に使う場合は分量が半分程度になるまで削る前提で考えておくと、作業の見通しが立てやすくなります。

方言が強い話し手でも文字起こしできますか

標準語に比べて聞き違いが増えることが多いので、試し比べの録音に、実際にその話し手の声を入れておくのが確実です。どのツールも、話し手本人の声で試すまで本当の精度は分かりません。

文字起こしした内容を、そのまま記事として公開してもよいですか

話し言葉のままでは読みにくく、言い間違いもそのまま残ります。公開する場合は、話し手本人に内容を確認してもらい、意図と違う箇所を直してからにします。他人の発言を含む場合は、その人の了解も必要です。

VoicePress

月1回、AIと対談するだけで。記事も、SNSも、ショート動画も。

VoicePress(ボイスプレス)は、AIとの対談から記事・SNS投稿・ショート動画を作り、公開まで運ぶサービスです。ホームページも声で直せます。
無料お試しは対談の収録から(10分・カード登録なし)。ホームページだけ先に整えたい方は見本から。