動画の文字起こしを、話者ごとに使える記録へ。

動画の文字起こしとは、動画に含まれる音声を聞き取り、文字（テキスト）に変換する作業です。セミナーの収録、インタビュー動画、ウェビナーの録画、スマホで撮った打ち合わせの動画など対象はさまざまですが、やることは音声の文字起こしと変わりません。MP4やMOVといった動画ファイルをそのまま扱える方法を選べば、音声だけを取り出す手間がなく、手順は短くなります。

このページでは、動画を文字起こしする3つの方法を条件・精度の見え方・保存先で比較し、無料でできる範囲と限界、字幕（自動字幕）との違い、スマホで撮った動画の扱いを整理します。読み終えると、手元の動画に合った方法を選び、話者ごとに区切られたテキストと要約を残せるようになります。AIによる文字起こしは下書きなので、人名や数字は公開や共有の前に元の動画で確認してください。

動画の「自動字幕」と「文字起こし」は似ていますが、目的が違います。自動字幕は、視聴を補助するために映像に合わせて短い文を表示する機能です。YouTubeのヘルプでは、自動字幕は機械学習で生成されるため品質にばらつきが出る可能性があり、発音や方言、雑音が原因で内容を正しく表示できないことがあると案内されています。複数の人が同時に話す場合など、字幕が生成されないケースもあります。

文字起こしは、会話を文書として残すための作業です。誰が話したかを区切り、句読点や段落を整え、検索・引用・要約できる形にします。字幕ファイルを代わりに使うと、話者の区別がなく文が細かく分断されているため、記録としては使いにくくなります。

使い分けの目安は「見せるか、残すか」です。公開して視聴者に見せるなら字幕、内容を記録として残すなら文字起こしが向いています。両方が必要なら、先に文字起こしを確認し、そのテキストから字幕を作ると手戻りが減ります。