7つのコンバーターを各社の公開情報で比べ、ファイルの長さと話者の数ごとにおすすめを示し、それぞれの制限も明記しました。インタビューやポッドキャスト、引用する予定のある音声ならSonixです。
30分無料。クレジットカードは不要です。料金を見る
短くて聞き取りやすいメモなら、無料の方法でも文字にできます。インタビューやポッドキャスト、話者が複数いる音声や締め切りのある仕事ならSonixです。話者ラベル、単語ごとに音声を再生できるエディター、18種類以上のエクスポート形式を備え、最初の30分は無料です。
その場で録音する会議ならOtter.ai、どのみち編集する音声ならDescript、人による文字起こしも選びたいならRevとHappy Scribe、自分で動かせるなら無料のOpenAI Whisperが向いています。表には各社が公開している内容を、カードにはそれぞれの弱点をまとめました。
7社それぞれが自社製品について公開している内容を、各社の自社ページで確認し、アルファベット順に並べました。当社が測定した数値ではありません。
| コンバーター | 文字起こしの方式 | 話者ラベル | 内蔵エディター | 言語 | 書き出し | 無料枠 | 料金 |
|---|---|---|---|---|---|---|---|
| Descript | AI、音声・動画エディターに内蔵 | 自動、8人以上に対応 | テキストを直して音声を編集 | 25言語 | 音声、動画、編集ソフトのタイムライン。テキスト形式は非公開 | 毎月60メディア分 | Hobbyist：年払いで月$16から、月払いは$24 |
| Google Docs voice typing | マイクからのリアルタイム音声入力 | なし | 入力中の文書そのもの | 多数、言語数は非公開 | ドキュメントの書き出し | Googleアカウントで利用可 | Googleアカウントで利用可 |
| Happy Scribe | AI、人による作業も選択可 | 自動 | 文字起こしエディター | 150以上の言語と方言 | 上位プランで15以上の形式を追加。エントリープランはTXT、SRT、PDF、DOCX | 10分のトライアル | Basic：年払いで月$8.50、月払いは$17、120分まで。超過は1分$0.20。人による文字起こしは1分$2.00から |
| OpenAI Whisper | 自分で動かすオープンソースモデル | なし | なし、未整形テキスト | 多言語、言語数の記載なし | コマンドラインでテキストファイル | 無料のオープンソース | 無料、パソコンは自前 |
| Otter.ai | AI、リアルタイムの会議向け | 自動 | 会議メモ | 6言語 | TXTは無料、PDF・DOCX・SRTは有料プラン | 毎月300分、1会話30分まで、ファイルのインポートは通算3件 | Pro：年払いで1ユーザー月$8.33から、月払いは$16.99 |
| Rev | AI、人による作業も選択可 | 公式ページに記載なし | 文字起こしエディター | 無料プランは英語、上位プランは37以上の言語 | Word、PDF、字幕ファイル | 毎月AI文字起こし45分 | Essentials：年払いで1席月$25.49から、月払いは$29.99。人による文字起こしは1分$1.99 |
| Sonix | アップロードファイル向けAI。クリアな音声で最大99% | 自動 | ブラウザで使うAudioText Editor、100ミリ秒単位 | 54以上の言語 | 18種類以上の形式（Word、PDF、SRT、VTTなど） | 30分、カード不要 | 従量課金で1時間$10、またはプランが月$25から |
競合各社の欄はすべて、に各社のページで確認したものです。料金は変わることがあるため、ご購入前にご確認ください。
順位はつけていません。各カードに、そのツールの得意分野と弱点をまとめました。
Googleドキュメントの音声入力はGoogleアカウントだけで無料で使え、はっきりした話し声ならよく聞き取ります。ただし入力はマイクのみで、ファイルのアップロードはできません。MP3はリアルタイムでスピーカーから流すか、読み上げ直す必要があり、タイムスタンプも話者ラベルも字幕の書き出しもありません。2分のメモなら十分ですが、1時間の音声には向きません。
おすすめ：アカウント不要でメモを
Sonixはアップロードしたファイルのために作られています。MP3はリアルタイムの約10倍の速さで、話者ラベルと100ミリ秒単位の単語タイミング付きで仕上がります。音声を再生しながらAudioText Editorで修正し、18種類以上の形式から選んで書き出せます。文字起こしは54以上の言語、翻訳は54以上の言語に対応しています。最初の30分はクレジットカード不要で無料、その後は従量課金で1時間$10、またはプランをお選びいただけます。年に一度の短いクリップだけなら、ここまでの機能は必要ないかもしれません。
おすすめ：インタビューや引用する音声
プランと従量課金の料金を見るOtter.aiが最も力を発揮するのは会議を録音している最中です。リアルタイムの文字起こし、話者の識別、自動要約に対応しています。MP3ファイルについては無料プランの枠が小さく、毎月300分、1回の会話につき30分まで、ファイルのインポートはアカウント全期間で3件までです。Proプラン（年払いで1ユーザーあたり月$8.33から）にすると、インポートは毎月10件まで増えます。AI文字起こしは6言語に対応しています。
おすすめ：その場で録音する会議
Otter.aiの詳しいレビューを読むDescriptは文字起こしそのものを編集画面として扱います。テキストから文を削除すると、音声からもその部分が消えます。25言語の文字起こしと話者検出がクリエイティブスイートに組み込まれており、無料で毎月60メディア分、Hobbyistプランは年払いで月$16からです。MP3からテキストを取り出したいだけなら、使わないかもしれないスタジオ機能にまで料金を払うことになります。
おすすめ：どのみち編集する音声・動画
Descriptの詳しいレビューを読むRevはAI文字起こしと、1分あたり$1.99の人による文字起こしの両方を提供しています。法務や放送の締め切りでほぼ完璧なテキストが必要で、自分で校正するより費用をかけたい場合の選択肢です。無料枠は英語のAI文字起こしが毎月45分、Essentialsプランは年払いで1席あたり月$25.49です。人による作業は数分ではなく数時間かかり、分単位の料金は長い録音ほどすぐに膨らみます。
おすすめ：人が確認した文字起こし
Revの詳しいレビューを読むHappy Scribeは150以上の言語と方言に対応するAI文字起こしに、字幕エディターと1分あたり$2.00からの人による文字起こしを組み合わせています。Basicプランは年払いで$8.50、毎月120分まで使え、超過分は1分あたり$0.20です。そのため利用の多い月は、時間単位の料金と比べて割高になりがちです。10分の無料トライアルはご自身の音声で試せます。
おすすめ：他では対応の少ない言語
Happy Scribeの詳しいレビューを読むWhisperはOpenAIがMITライセンスで公開しているオープンソースの音声認識モデルです。pip installひとつで、MP3ファイルをご自身のパソコン上で文字起こしできます。アップロードも料金も不要なので、機密性の高い音声に向いています。ただしパソコンはご自身で用意する必要があり、長いファイルは時間がかかることもあります。スクリプトを書かない限り、出力は整形されていないテキストのみで、エディターも話者ラベルも書式付きの書き出しもありません。
おすすめ：開発者・セルフホスト
あらゆる環境で対応している汎用的な音声形式
いいえ。MP3をそのままアップロードしてください。Sonixはファイルを直接受け付けるので、事前の変換は不要です。
WAV ファイルは非圧縮の PCM 音声を保存し、録音された信号を余さず保持しますが、同等の MP3 と比べておよそ10倍の大きさになります。MP3 はほとんどの聴き手が知覚できない音声の細部を恒久的に破棄するため、ファイルは小さく共有や再生に向く一方で、編集やアーカイブのマスターとしては不向きです。ソース音声を録音・制作する際は WAV を、ファイルサイズや汎用的な互換性が最高音質より重要な場合は MP3 を選びましょう。
WAVテキスト変換ツールの比較パブリックドメインの録音を2026年11月2日にサブスクリプションアカウントでアップロードし、未編集のエクスポートを修正済みのものと1語ずつ照合しました。
Library of Congress, Motion Picture, Broadcasting, and Recorded Sound Division
707語中11語の誤りは、単語精度にして98.4%です。しかも素材は、このテストの114年前に集音ラッパを通して蝋管に刻まれた演説です。会議テーブルに置いたスマートフォンやポッドキャスト用マイクの録音よりはるかに難しい音声であり、だからこそ本ページではクリアな音声で最大99%と記載し、今回の結果はそれをわずかに下回っています。
8か所の修正は3種類に分けられます。固有名詞（3か所）：エンジンは、ルーズベルトが2度引用するフランスの経済学者Turgotも、Bourbonismという語も知りませんでした。時代特有の語彙（2か所）：1912年の抑揚で話されたprofitやexpedientsです。人が聞いても間違えそうな似た音の語（3か所）：areがour、soulsがzones、whereがwhenになっていました。抜け落ちた文も作られた文もなく、どの誤りも1語の聞き違いだったため、修正はすぐに終わりました。
4分の録音の修正にかかったのは4分です。通常速度で一度聞き通し、直している単語の位置で音声が再生されます。難しいファイルでは音声1分につき編集1分ほどで、時間の大半は人名に使われます。最近のクリアな録音なら止める回数は減りますし、繰り返し出てくる名前は、聞き取るべきだとわかっていれば最初の一回で見つかります。
エンジンから出てきたままの状態をAudioText Editorで表示しています。話者はすでに区別され、上部にタイムラインがあり、すべての単語が音声の該当箇所に結びついています。クリックすれば実際の発言が再生されるので、聞き違えた箇所をその場で直せます。
AudioText Editorを見る
話者が1人ではっきり話し、静かな部屋で録った数分の音声なら、無料の方法でも文字にできます。有料が価格に見合うのは、長い音声、2人目の話者、締め切りがあるときです。
このページで紹介している無料の方法は3つです。30分のトライアル、自分で動かすオープンソースモデル、文書のマイクを使った音声入力です。いずれも、一度読めば済む短い録音に向いています。
長いファイルではリアルタイム専用のツールは実用的でなく、話者が複数いれば無料の方法では得られないラベルが必要です。そして未整形のテキストが完成品になることはまずありません。インタビューは記事に、エピソードには字幕が、研究には引用のためのタイムスタンプが必要です。料金に含まれているのは、エディターと、Word、PDF、字幕形式での書き出しです。
当社の文字起こし費用ガイドでは、半時間のファイルに文字起こし担当者が2〜4時間、無料ツールの下書きの修正に約1時間かかると見積もっています。Sonixなら1時間のファイルが5〜6分で仕上がり、修正は音声を聞きながらエディターで行えます。
文字起こしの費用を詳しく見る30分付き、カード不要の無料アカウントを作成し、54以上の言語に対応したファイルをアップロードします。
SonixがMP3を、タイムスタンプと話者ラベル付きのテキストに変換します。速さはリアルタイムの約10倍です。
AudioText Editorで音声を再生しながら、人名や用語を単語単位で修正します。
TXT、DOCX、PDF、SRT、VTTでダウンロード。文書、字幕、アーカイブにそのまま使えます。
どのファイルでも最高の結果が出るコンバーターはありません。どれを選ぶかより大きく影響する要素が4つあります。
静かな部屋でそれなりのマイクを使えば、ポケットの中のスマートフォンよりはるかに正確に文字起こしできます。最も響くのは背景の雑音、反響、話し声の重なりです。コンテナ形式の違いより、強い圧縮のほうが影響します。
最近のエンジンはたいていのなまりに対応しますが、製品名、専門用語、文の途中での言語の切り替えには今もつまずきます。エディターがあれば、打ち直さずに数秒で直せます。
話し声の重なりは、文字起こしで最も難しい問題です。自動の話者ラベルが声を分けてくれます。ラベルがなければ、誰の発言かわからない文字の塊になります。
実際に使える方法は3つです。エディター付きでクレジットカード不要の30分が使えるSonixの無料トライアル、コマンドラインに慣れている方なら無料のオープンソースであるOpenAI Whisper、そして短いクリップを再生してGoogleドキュメントの音声入力に聞き取らせる方法です。無料の方法が最も向いているのは、短くて聞き取りやすい、話者が1人の音声です。
ファイルからはできません。Google自身のヘルプページにあるとおり、Googleドキュメントの音声入力はマイクから入るその場の音声を文字にする機能です。回避策はMP3をマイクの近くでリアルタイムに再生することですが、時間がかかり誤りも出やすくなります。ファイルをアップロードしたい場合は、ファイルに対応したコンバーターをお使いください。
クリアに録音された音声なら、Sonixの精度は最大99%です。雑音が多く声が重なる録音では85%前後になります。結果を左右するのはツールよりも、音質、なまり、そして何人が同時に話すかです。どのコンバーターを使う場合も、人名や専門用語を直すためにエディターで数分を見込んでおいてください。
数分です。Sonixは音声をリアルタイムの約10倍の速さで処理するため、1時間のMP3なら通常5〜6分で仕上がります。人による文字起こしサービスは数時間かかります。当社の費用ガイドでは、半時間のファイルに文字起こし担当者が2〜4時間かかると見積もっています。
コマンドラインを使えるならOpenAI Whisperです。無料のオープンソースで精度も高い一方、エディターや話者ラベルはありません。コマンドラインを使わない場合、Sonixの無料トライアルならエディターとすべてのエクスポート形式付きで30分を使えます。Otterの無料プランでは、ファイルのインポートはアカウント全期間で3件までです。
はい。MP3を文字起こししたら、タイムスタンプと話者ラベルを残したままDOCXで書き出せば、WordやGoogleドキュメントですぐに編集できます。同じ文字起こしからTXT、PDF、SRT、VTTも書き出せます。
思われているほどではありません。128 kbps以上のMP3なら、聞き取りに必要な音声の情報は残ります。およそ96 kbpsを下回る強い圧縮では子音がぼやけ、いくつかの単語を取りこぼすことがあります。選べるなら高めのビットレートで録音・書き出しをして、あとは静かな部屋とマイクとの距離に気を配るほうが効果的です。
MP3をアップロードし、単語タイミング付きの文字起こしが届いたら、エディターでテキストとタイミングを調整してSRTまたはVTTで書き出します。Sonixは同じ文字起こしから両方を作れるので、ポッドキャストのオーディオグラムも動画の字幕ファイルも1回の作業で用意できます。
有料アカウントなら可能です。一括アップロードでフォルダ内のクリップをまとめて送ると、それぞれが個別の文字起こしとして仕上がります。トライアルアカウントでは1ファイルずつのアップロードになります。
アップロード時に54以上の言語から録音の言語を選ぶと、その言語で文字起こしされます。英語など別の言語で必要な場合は、同じ画面から54以上の言語に翻訳できます。
どのMP3も、誰が何を話したかがわかる状態で仕上がり、名前はワンクリックで変更できます。
すべての単語に100ミリ秒単位のタイムスタンプが付くので、字幕や引用が音声のぴったりの位置に合います。
ひとつの文字起こしからTXT、DOCX、PDF、SRT、VTTなどを書き出せます。書式の手直しは不要です。
完成した文字起こしを、別のツールを使わずに54以上の言語に翻訳できます。
関連する形式・言語・ツールへすぐにジャンプ。以下のリンクはすべて実在するページです。
I had been using Dragon voice recognition software, but Sonix eliminates that step all together. I absolutely love Sonix.
Sonix is light years ahead of all the other solutions I researched and tried!
クレジットカードは不要です。その後は従量課金で1時間$10、または月額プランをお選びいただけます。
54以上の言語対応の AI 文字起こしと翻訳。
David Dat Nguyen（CXO）監修