文字起こしのやり方を解説｜音声を文字にする2つの方法と、スマホ・Word・PC別の手順
会議やインタビューの音声を、自分で文字に起こす作業には手間がかかります。議事録をまとめるたびにこの作業が挟まり、本業の時間を押しのけていきます。録音までは済ませました。あとは文字にするだけです。
ただ、そこから先で手が止まります。
- 録音したファイルを文字にするには、何を使えばいいのか
- 手元のスマートフォンやパソコンだけで、どこまでできるのか
- 一度試したら誤変換が多かった。どこを直せば結果が変わるのか
そのためこの記事では、いま話している声をその場で文字にする方法と、録音済みのファイルをあとから文字にする方法の違いを解説します。あわせて、手元の道具ごとの進み先と、精度を上げる録音の準備も紹介します。「まずは手元にある道具で一度試してみたい」とお考えの方は、ぜひ最後までご覧ください。
定例会議、商談、インタビュー。録音した音声を取り込むだけで、Otolioが文字起こしから要点の整理までを自動で進めます。対面の場でもその場で録音でき、聞き直しながら一から打ち直す作業を減らせます。累計8,000社以上のご利用実績があります。
Otolioがわかる人気3点セット資料（サービス概要・導入事例・機能詳細）をみる
文字起こしのやり方は2つに分かれる
AIで文字起こしする方法は、大きく「いま話している声をリアルタイムで文字にする方法」と「録音済みの音声をあとから文字にする方法」に分けられます。
iPhoneのボイスメモは、録音中・録音後の両方で文字起こしを確認できます。一方、Wordのトランスクリプトはその場で録音できますが、文字起こし結果が表示されるのは録音を保存して処理したあとです。
Googleドキュメントの音声入力やWindows 11のライブキャプションなど、用途が限られる機能もあります。文字起こしの精度は、録音する音声の品質と、利用する音声認識・AIの性能の両方に左右されます。
自分がどちらに当てはまるかで、準備するものも、結果が見えるタイミングも変わります。先にここを決めてください。
いま話している声をその場で文字にする
会議中や取材中に、話している声がそのまま文字になっていく方法です。iPhoneのボイスメモ、Googleドキュメントの音声入力、Windows 11の音声入力やライブキャプションなどが当てはまります。
準備するのは録音環境です。静かな場所を選び、マイクを話す人の近くに置いてください。この2点を整えると、話しながら画面に文字が表示されやすくなります。結果はその場で確認できます。ただし、表示された文字をその場で編集できるかどうかは機能によって異なります。
向いているのは、会議中に内容を確認したい場面です。ただし、話すことと画面を見ることを同時にこなす必要があり、議論に集中したい会議では負担になることもあります。
録音済みのファイルをあとから文字にする
ICレコーダーで録った音声や、Web会議ツールで書き出した録画、スマートフォンの録音アプリのデータなど、すでに手元にあるファイルをAIで文字に起こす方法です。
準備するのはファイルのほうです。多くの道具には、扱える形式（mp3、m4a、wavなど）とファイルの大きさや長さに上限があります。長時間の会議では、利用する機能の上限に引っかかり、音声ファイルの分割が必要になる場合もあります。
結果が見えるのは処理が終わってからです。会議中は話に集中できる代わりに、その場で直すことはできません。過去に録りためた音源を整理したいときも、こちらから入ります。
どちらを選ぶかの分かれ目
| いま話している声 | 録音済みのファイル | |
|---|---|---|
| 始めるタイミング | 話し始める前 | 録り終わったあと |
| 結果が見えるまで | その場 | ファイルの長さによる |
| 向いている場面 | 会議中に内容を確認したい | 過去の録音を整理したい、会議中は話に集中したい |
| つまずきやすい点 | 通信の状態、マイクの置き方 | ファイルの大きさや長さの上限 |
どちらか一方に決め打ちする必要はありません。毎週の定例はその場で文字にし、取材の録音はあとから処理するなど、場面に応じて使い分けられます。
どの道具で文字起こしする？
どの道具で進めるかは、手元にあるものと、文字にしたあとで何をしたいかで決まります。自分の声を短く残すならiPhone、文書に仕上げるところまで一続きにしたいならWordやGoogleドキュメントが候補です。パソコンを通る音声をリアルタイムに表示したいなら、Windows 11やMacのライブキャプションを使えます。
iPhoneやWindowsのノートパソコンなど、すでに手元にある端末の標準機能から文字起こしを試せます。
| 手元にあるもの | 向いている使い方 | 進み先 |
|---|---|---|
| iPhone（12以降） | 録音中・録音後の音声を文字起こし | iPhoneのボイスメモで文字起こしする手順 |
| Word | Microsoft 365の対応環境で、録音または音声ファイルを文字起こし | Wordで文字起こしする方法 |
| Googleドキュメント | ブラウザだけで無料で試したい | Googleドキュメントの音声入力で文字にする方法 |
| Windows 11のパソコン | パソコンを通る音声をリアルタイムに字幕表示したい | Windowsで文字起こしする方法 |
| Appleシリコン搭載Mac（macOS 15以降） | ボイスメモで録音中・録音後の音声を文字起こし | Macで自動文字起こしする方法 |
表の右端が、あなたの次の一手です。ただ、進む前に知っておくと落胆が減る目安があります。道具にはそれぞれ得意な場面と苦手な場面があり、そこを外したまま試すと「使えなかった」で終わってしまうからです。
iPhoneだけで完結させたいとき
iPhoneのボイスメモは、対応端末では録音中・録音後の文字起こしに対応しています。自分の議事メモや口述など、話者と端末の距離を近く保ちやすい場面で使いやすい方法です。
一方、会議室の中央に1台だけ置いて離れた複数人の声を拾うと、話者ごとの距離や向きによって音声が不明瞭になりやすくなります。自分用のメモと会議室全体の記録では、必要な録音環境が異なります。
パソコンの標準機能で済ませたいとき
Windows 11では、ライブキャプションでパソコンを通る音声をリアルタイムに字幕表示できます。ただし、生成された字幕は保存されません。録音済みの音声から保存できる全文を作りたい場合は、Wordのトランスクリプトなど、音声ファイルの取り込みに対応した機能を使います。
Appleシリコン搭載Macでは、macOS 15以降のボイスメモで録音中・録音後の文字起こしができます。ライブキャプションも対応するAppleシリコン搭載Macで利用でき、コンピュータのオーディオや周囲の会話をリアルタイムに表示できます。目的が「その場で確認する」か「あとで編集できる全文を残す」かで、使う機能を分けてください。
文書ファイルに直接起こしたいとき
議事録や報告書の形に仕上げるところまで一続きにしたいなら、WordかGoogleドキュメントから入る方法があります。文字起こしから文書の編集まで同じアプリ内で進められるため、別のアプリへコピーして貼り直す工程を減らせます。
2つの違いは、使える環境と目的です。Wordのトランスクリプト機能が使えるMicrosoft 365環境なら、録音や音声ファイルのアップロードから文字起こしできます。Googleドキュメントは、対応ブラウザとマイクがあれば音声入力を使えます。
ここまでは、自分の手元にある道具で録る前提の話でした。ZoomやTeamsで会議をしているなら、会議ツール側に録画や文字起こしの機能があります。そちらを使えるなら、Web会議の音声をそのまま文字にする方法から入るほうが手数は少なくなります。
文字起こしの精度は何で決まる？
文字起こしの精度は、録音する音声の品質と、利用する音声認識・AIの性能の両方に左右されます。特に同じツールを使う場合は、録音環境を整えるだけでも結果が変わります。Otolioでも、集音・話者識別の品質はツールの性能だけでなく、マイクの置き方や会議の進め方によって変わると考えています。
試す前に整えるのは3つだけです。どれも今日から変えられます。
1. 録音する場所と周りの音
空調の音、隣の席の会話、廊下の足音などはマイクにも入ります。発話以外の音が大きいと、話者の声が埋もれて文字起こしの精度が下がりやすくなるため、静かな部屋を選び、必要に応じて窓を閉めてください。
Web会議なら、参加者がそれぞれマイク付きのヘッドセットを使うと認識が安定します。1台のスピーカーフォンに全員の声を集めるより、一人ひとりの声を近くで拾うほうが、AIには読み取りやすい音になるからです。
2. マイクとの距離と向き
近すぎず、遠すぎない位置で話してください。近すぎると息の音や音割れが入り、遠すぎると声そのものが届きません。手が届く範囲にマイクがあるかを目安にしてください。距離の具体的な数字は、文字起こしの精度を上げる録音の整え方にまとめています。
向きも同じくらい効きます。ホワイトボードやモニターのほうを向いて話すと、距離は近いのに声がマイクから逸れてしまいます。集音の結果を決めるのは、ツールの性能だけではありません。マイクをどこに置いてどちらへ向けるかだけでなく、参加者がどこを向いて話すかも確認してください。会議の進め方まで含めて整える話だと考えてください。
3. 話し方とマイクの使い分け
早口や語尾が不明瞭な話し方、複数人の同時発話は、文字起こしの誤認識が増える要因になります。ひと呼吸置いて話す、発言が終わってから次の人が話し始めるなど、会議の進め方を少し変えると修正量を減らしやすくなります。
対面の会議なら、マイクの置き場所も一緒に見直してください。拡声器を使う広い部屋では、実際の録音を確認しながら、話者の声を明瞭に拾える位置へマイクを調整します。パソコンの内蔵マイクは正面の音を拾いやすい設計なので、背中側や真横にいる人の声は拾いにくくなります。
録り方を整えても誤変換が残りやすいもの
録り方を整えても、誤変換が残りやすいのが同音異義語と社内の固有名詞です。
たとえば、「こうじょう」を「工場」と「向上」のどちらに変換するか、社内の部署名や型番を正しく認識できるかといった点では、誤変換が残ることがあります。Otolioの商談でも、型番・製品名などの専門用語が汎用ツールでは正しく文字起こしされにくいという声が繰り返し出ています。
同音異義語や固有名詞は、録音環境だけでは解消しにくい部分です。利用するツールに用語登録などの補助機能があれば活用し、対応できない場合は誤変換が出やすい語を把握して置き換える運用を決めておきましょう。
手元の道具では足りなくなる場面
先週の会議の録音が3本、手つかずのまま残る状態が毎週続くなら、道具の使い方だけでなく、運用そのものを見直すタイミングです。手元の標準機能だけでは負担が大きくなりやすいのは、次の3つの場面です。
複数人が同時に話す会議
Otolioが商談や導入の現場で受けてきた相談には、食堂の一角を区切った大部屋に、拡声器とワイヤレスマイクを持ち込んで複数人が集まる会議環境もあります。スマートフォンを机の中央に置くだけでは、話者との距離が遠くなり、発言を十分に拾えないことがあります。
もうひとつの壁が、誰が話したかを区別できるかです。Googleドキュメントの音声入力など、話者分離に対応していない機能では、発言を人ごとに自動で振り分けられません。複数人の発言を議事録として残す場合は、話者分離に対応した機能やサービスを選ぶ必要があります。
録音データが毎週たまっていく
Otolioが実施した250件以上の導入企業アンケートでは、60〜90分の会議1本に対し、文字起こしと議事録作成に2〜3時間かかったという回答が複数ありました。1本だけなら対応できても、毎週複数本が積み上がると負担は大きくなります。
機密性の高い役員会をICレコーダーで録り、大事だと思った箇所の前後まで聞き直しながら議事録をまとめていた企業があります。役員自身が書き手だったため、完成までに何日もかかっていました。
会議の記録をAIに任せる形に切り替えたあとは、議事録作成の時間が50%削減されています。手元の道具で対応を続けるか、専用の仕組みに切り替えるかは、録音の本数と頻度、修正にかかる時間を見て判断します。
参考記事：機密性の高い役員会の議事録作成時間を50%削減した事例
社外の会話・機密を含む会議
音声やテキストの処理・保存・サービス改善への利用条件は、サービスや設定、契約プランによって異なります。経営会議、人事評価、契約交渉など機密性の高い会議で使う前に、利用規約やプライバシーポリシーでデータの扱いを確認してください。
社外との会話では、自社が録音した相手の発言を外部サービスに送ること自体も確認事項になります。社内ルールや相手先との取り決めに沿って利用してください。確認すべき点は無料の文字起こしツールを業務で使う前の確認事項にまとめています。
3つのうちどれかに当てはまる場合は、手元の標準機能だけでなく、話者分離・継続的な録音処理・管理機能などを備えた専用サービスも比較してみてください。会議業務を自動化するAIエージェントなら、録音から文字起こし、要点の整理までを一続きで進められます。道具を選び直す段階に入った方は、会議で使える文字起こしソフトの選び方もあわせてご覧ください。
まとめ｜自分の道具から始める文字起こしのやり方
文字起こしで迷ったら、次の順で決めていくと選びやすくなります。
- 録音済みか、いま話している声か。準備するものも、結果が見えるタイミングも、ここで変わります
- 手元にあるのはどの道具か。スマートフォン、Word、Googleドキュメント、Windows、Mac。それぞれの手順に進んでください
- 録り方を整えてから試す。静かな場所、マイクとの距離と向き、話し方を見直します
- 負担が大きければ専用サービスも検討する。複数人の会議、録音の蓄積、機密性の高い会話は、切り替えを検討する目安です
順番を守る意味は、やり直しが減ることにあります。道具から入ると、うまくいかなかったときに原因が録り方なのか道具なのか分かりません。そのまま別の道具を試しては、同じ結果を繰り返すことになりがちです。
まず1本、いま手元にあるもので録ってみてください。自分の会議の音がどこまで文字になるのかが分かれば、次に何を変えればよいかも見えてきます。
手元の道具で足りるかどうかは、会議室の広さや参加人数、話す人との距離によって変わります。実際に試して、複数人の発言整理や毎回の修正に負担が残るなら、専用の仕組みを比較する段階です。
Web会議ならカレンダーに予定を入れておくだけで、Otolioが自動で参加して録音します。対面の会議は端末のマイクで録る。どちらも、そこから文字起こしと要点の整理までが自動で進み、発言は話者ごとに自動で振り分けられます。過去に作成した議事録を参照して認識精度を高める仕組みのため、用語登録は不要です。手元に残るのは、整えるだけでよい下地と、いつでも戻れる元の音声です。14日間、自社の会議でそのまま試せます。
よくある質問とその回答
Q. 録音した音声ファイルを文字にするには何を使えばいいですか？
録音済みの音声ファイルを直接読み込ませたい場合は、Wordのトランスクリプトなど、ファイルアップロードに対応した機能を使います。iPhoneやMacのボイスメモは、対応環境で録音した音声を録音中・録音後に文字起こしできます。Windows 11のライブキャプションは、パソコンを通る音声をリアルタイムに表示する機能です。
ファイルをアップロードする機能を使う場合は、対応形式、1ファイル当たりの容量・時間、月間上限を確認してください。上限はサービスごとに異なります。
Q. 無料でできる文字起こしはどこまで使えますか？
1人の口述や短時間の録音などは、無料の標準機能でも試せます。ただし、無料で使える範囲や利用条件は機能ごとに異なります。
複数人の発言を話者ごとに整理したい、録音を継続的に処理したい、機密性の高い会話を社内ルールに沿って管理したいといった要件がある場合は、標準機能だけで足りるかを確認し、必要に応じて専用サービスを検討してください。
Q. 文字起こしの精度が低いとき、まず何を直せばいいですか？
まず録り方を見直してください。静かな場所で録る、マイクを話者の近くに置く、話す人がマイクのほうを向くといった点は、同じ道具を使ったまま改善できます。
それでも残るのが、同音異義語と社内の固有名詞です。ここは録り方では直りません。誤変換が出やすい語をあらかじめ把握しておき、文字にしたあとで置き換える前提で運用を組むほうが現実的です。
Q. 会議の文字起こしを手元の道具だけで続けられますか？
会議の種類、本数、必要な管理レベルによります。会議の本数が少なく、話者分離や厳密な権限管理が不要であれば、標準機能で運用できる場合があります。
専用サービスを検討する目安は、複数人の発言を区別して残したい、録音が継続的に積み上がる、社外の会話や機密性の高い会議を扱うといった場合です。手直しを含む総作業時間を測り、負担が減っていなければ運用を見直してください。
