音声をテキストに変換

関連:AI動画の文字起こし ・ AIドラマの字幕 ・ AI音声読み上げ。
音声をテキストに変換する仕組み
音声は短い区間に切り分けられ、時間ごとの周波数の画像に変換されます。何千時間もの音声と、対応する文字起こしで学習したモデルが、その画像を読み、最も確からしい言葉を予測します。「their」と「there」のように音が似た語は、文全体を使って見分けます。最新のシステムは、句読点と大文字を付け、誰が話しているか、各単語がいつ始まったかも示すものがあります。
音声からテキストへ:ライブの音声入力とファイルの文字起こし
| 音声入力(ライブ) | 音声をテキストに書き起こす(ファイル) | |
|---|---|---|
| 入力 | マイクに向かって話す声 | 録音:会議、インタビュー、ポッドキャスト、ボイスメモ |
| 速度 | 話すと同時に言葉が現れる | 音声の数分が、わずかな時間で終わる |
| 話者 | 一人 | 多くの場合は複数、ラベル付き |
| 出力 | 入力中のアプリ内のテキスト | 文字起こし、ドキュメント、字幕ファイル |
| よくある用途 | メッセージ、メモ、ハンズフリーの執筆 | メモ、引用、キャプション、検索 |
音声を正確にテキストへ書き起こすには
- 静かな部屋で、マイクの近くで録音しましょう。ツールそのものより、これが大事です。
- 自動判定に頼らず、言語と地域を設定しましょう。
- ツールにカスタム語彙があれば、名前、ブランド名、専門用語を登録しましょう。
- いくつかの箇所で文字起こしを音声と照らし合わせ、そのあとすべての数字と名前を確認しましょう。
- タイムスタンプは残しておきましょう。引用から、その言葉が話された瞬間へすぐ戻れます。
無料の音声をテキストに変換:無料ツールは通常何に制限があるか
スマートフォンやコンピューターに標準で入っている音声入力は、無料で使えます。無料の音声からテキストへの変換ツールは、通常、月あたりの分数や一ファイルの長さに上限を設け、書き出し形式を制限したり、話者ラベルを省いたりします。自分のコンピューター上で動くツールは録音を非公開に保ちます。オンラインのツールは音声をアップロードするので、どのくらい保存されるか、モデルの学習に使われるかを確認しましょう。
音声からテキストへの変換がまだ間違えやすい場面
- 名前と珍しい言葉: 音のとおりに綴られる。
- 数字: 「fifteen」と「fifty」は取り違えやすいです。
- 同時に話す声: 二人が同時に話すと、両方の言葉が抜け落ちます。
- 音楽と雑音: 大きな音楽の下にある話し声は、途切れます。
- アクセントと混在する言語: 文の途中で言語が切り替わると、多くのツールは混乱します。
字幕のための音声からテキストへの変換
字幕には文字起こしだけでは足りません。文章は短い行に分けられ、各行は話されたタイミングに合わせて時間を付けられます。そのうえで SRT か VTT ファイルとして保存するか、映像に焼き込みます。台本によって言葉がすでに書かれている場合、たとえば脚本どおりの動画では、台本の文字をそのまま使い、音声認識はタイミングを探すためだけに使うのがよいやり方です。
文字起こしのチェックリスト
- 言語と地域を設定した。
- 名前、数字、専門用語を確認した。
- 話者に必要なラベルを付けた。
- タイムスタンプを残した。
- 録音、文字起こし、公開の許可を得ている。
| 音声をテキストに書き起こす | 台本からの字幕 | |
|---|---|---|
| 言葉の出どころ | 認識エンジンが聞き取ったもの | 書かれたとおりの台本 |
| 名前と綴り | 確認が必要 | 書かれたとおり |
| タイミングの出どころ | 音声 | 動画の中の声 |
| 向いている用途 | 台本のない録音 | 台本から作る動画 |
FAQ
SceneMixerに音声からテキストへの変換ツールはありますか?
自分の録音用の独立したツールとしてはありません。SceneMixerが受け付けるのはテキスト、画像、動画で、音声ファイルは受け付けません。製品の内部では、音声認識は字幕のタイミングを合わせるため、また作り直すクリップのセリフを読み取るために使われます。
SceneMixerの字幕は文字起こしですか?
いいえ。言葉は台本のセリフそのものなので、名前は書いたとおりに出ます。SceneMixerが音声を認識するのは、各セリフがいつ話されるかを見つけるためだけです。
SceneMixerからSRTファイルを取得できますか?
はい。エピソード全体について可能です。SceneMixerで書き出すときに「字幕を付ける」にチェックを入れ、そのあと「SRT をダウンロード」を使ってください。
アップロードした動画のセリフを、SceneMixerはどう読み取りますか?
「リメイク」タブでは、クリップのすべてのカットを音声認識が聞き取り、SceneMixerは口の動きから推測するのではなく、聞き取った内容を新しい絵コンテに書き込みます。
SceneMixerがセリフを聞き取れない場合はどうなりますか?
推測で埋めるのではなく、そのセリフは省かれます。絵コンテとクリップを見比べ、SceneMixerのエディターで、そのカットに抜けたセリフを追加してください。
SceneMixerで字幕にクレジットはかかりますか?
いいえ。SceneMixerでは字幕にクレジットはかかりません。少なくとも一度購入したことのあるアカウントで利用できます。
2026年11月20日更新