文字起こしとは？定義と方法

文字起こしとは、人またはソフトウェアが話された言葉を書き取ることです。結果は、インタビュー、通話、講義などの録音のテキスト版になります。手作業は遅く、ソフトウェアは素早く最初の下書きを出しますが、それでも読み直しが必要です。

録音を文字起こしする

音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。

2 GB までのファイル · TXT、MD、DOCX、PDF、SRT、VTT で書き出し · 話者ラベルとタイムスタンプ · 約30言語

要点

訓練を受けた人は短い区間ごとに聞いて入力し、巻き戻すので、一時間の音声を書き起こすには一時間よりずっと長くかかります。
作業の大半はソフトウェアが処理しますが、同音異義語、名前、専門用語を見つけるには、人による確認が依然として有効です。
文字起こしは話者の言語のままで、別の言語に変えるのは別の作業です。
この言葉は、音楽を楽譜にしたりDNAをRNAに写したりする意味でも使われるため、どの意味かは文脈で決まります。
一人の明瞭な声で雑音が少ない録音が最も簡単な場合で、話者や雑音源が増えるほど難しくなります。

見た目のイメージ

// workflow of a transcription job
1. record      meeting.m4a
2. transcribe  meeting.m4a -> meeting.txt
3. proofread   fix names and numbers against the audio
4. export      meeting.docx or meeting.srt

よくある質問

文字起こしと口述の違いは何ですか？

口述はその場で行われます。話すとテキストが現れます。文字起こしはすでにある録音から始まります。

手作業の文字起こしにはどれくらいかかりますか？

録音よりずっと長くかかります。音声の品質、話者の数、結果にどこまでの詳しさが必要かによります。

ソフトウェアで動画を文字起こしできますか？

はい。映像の内容にかかわらず、音声トラックの話し言葉が認識されます。Potok のボットは動画ファイル、ボイスメッセージ、音声を受け付けます。

ボットから何が得られますか？

短い録音ならチャットのテキスト、長い録音ならファイルで、TXT、MD、DOCX、PDF、SRT、VTTに書き出せます。

機械の文字起こしは校正すべきですか？

はい。音声を聞きながら結果を読み、名前と数字を直し、話者が重なっている箇所を確認してください。

出典

各出典は、記載の日付に手作業で開いて確認しました。ページは変更されることがあるため、細部が重要な場合は出典をご確認ください。

Transcription (linguistics) (Wikipedia), Wikipedia · 確認日 2026-10-18
Speech recognition (Wikipedia), Wikipedia · 確認日 2026-10-18

お手持ちの録音で試してみましょう