動画を無料で文字起こしする方法:アップロード不要でテキストに変換

動画を無料で文字起こしするには、OpenAIのWhisperを自分のパソコンで動かします。動画ファイルをそのまま読み込み、約100の言語を認識し、分数の上限がなく、テキストでも字幕ファイルでも書き出せます。使い方は、コマンドライン、BuzzやSubtitle Editのような無料アプリ、Sablateのようなデスクトップアプリの3通りです。

「無料の動画テキスト変換」をうたうオンラインのサイトでも文字起こしはできますが、使える量が絞られています。1日3ファイル、1ファイル30分まで、アカウント登録とアップロードが必要です。このページでは、ローカルで動画を文字起こしする3つの方法と、それぞれのセットアップの手間、そして何時間も手直しせずに済む文字起こしを得るコツを紹介します。

無料のオンライン文字起こしに上限がある理由

音声認識は、1分ごとに誰かのGPUの時間を使います。動画を文字起こしサイトにアップロードすると、その「誰か」はサイトの運営側です。そのため無料枠は、メーター付きのお試しになります。

上限の形は、どのサービスでもよく似ています。TurboScribeは最も太っ腹なサービスの1つですが、無料ユーザーは1日3回、1ファイル30分まで、アップロードは1度に1つだけです。それより長いファイルや無制限の利用はUnlimitedプランの対象で、年払いで月額約$10です。ほかのサービスには、無料枠を数分の音声までに絞るもの、書き出しにウォーターマークを入れるもの、SRTやDOCXを有料にするものがあります。どれも不当ではありません。GPUを貸し出すための計算上、そうなっているだけです。

同じモデルを自分のパソコンで動かすと、この計算が逆になります。計算のコストは自分のパソコンが負担するので、誰もメーターをつける必要がありません。引き換えに、ハードウェアと待つ根気は自分で用意することになります。専用GPUのないノートパソコンでは文字起こしが遅く、初回はモデルのダウンロードがあり、サイズは約78 MBから3 GBまでさまざまです。

エンジンが同じことも多くあります。TurboScribeはWhisperをベースにしていると述べており、競合の多くも同様です。無料のローカル文字起こしと有料のクラウド文字起こしが同じモデルから出てくることもあり、本当の違いは、GPUが誰のものかと、ファイルがどこへ行くかです。

動画を無料で文字起こしする3つのローカル手段

1. Whisperコマンドライン:無料、無制限、すべてのモデルが使えます。PythonとFFmpegが必要で、手に入るのはエディターではなくファイルです。
2. 無料のWhisperアプリ(BuzzまたはSubtitle Edit):無料、無制限で、ターミナルの代わりにウィンドウで操作できます。編集機能は控えめです。
3. Sablate:文字起こしを直し、複数の言語の字幕に仕上げることを中心に作られたデスクトップアプリです。制限つきで無料、フル機能版は$29の買い切りです。

3つとも、動画はパソコンのディスクから出ません。

方法1:コマンドラインでWhisperを使う

リファレンス実装は、OpenAIのopenai-whisperパッケージです。Python 3とFFmpegが必要で、WhisperはFFmpegを使って動画ファイルから音声を取り出します。

まずFFmpegをインストールします。Windowsの場合は次のとおりです。

winget install Gyan.FFmpeg

macOSでは、Homebrewを使います。

brew install ffmpeg

そのあと、Whisperをインストールして文字起こしを実行します。

pip install -U openai-whisper
whisper "interview.mp4" --model turbo --language en --output_format txt

これで、コマンドを実行した場所にinterview.txtが書き出されます。時刻を残したいときはtxtをsrtかvttに替え、すべての形式を一度に出すならallを指定します。--model turboはlarge-v3-turboのことで、GPUのないパソコンなら--model smallにすると、はるかに短い時間で終わります。

制約は本物です。

• WindowsではpipがPyTorchのCPU版を入れます。NVIDIAのGPUを使うには、pytorch.orgのCUDAインデックスからPyTorchを入れ直す必要があり、多くの人は最初の夜をここで使い果たします。
• エディターはありません。手に入るのはテキストファイルだけです。直すには、テキストエディターでファイルを開き、別のウィンドウで動画を聞き返すことになります。
• 無音や音楽の部分で、存在しないテキストが生まれることがあります。Whisperは、同じ行を繰り返したり、静かな区間に「Thanks for watching」と書いたりすることがあります。理由と、減らせる設定については、Whisperのハルシネーションのガイドで解説しています。

ターミナルに慣れているなら、無料の選択肢のなかで最も柔軟で、1行のループでフォルダー内のファイルをまとめて処理することもできます。

方法2:無料のWhisperアプリ(BuzzまたはSubtitle Edit)

入力するよりクリックしたい人には、同じモデルをウィンドウにまとめた無料アプリが2つあります。

Buzzはオープンソース(MIT)の文字起こしアプリで、Windows、macOS、Linuxで動きます。動画を読み込み、モデルと言語を選んで実行を押し、TXT、SRT、VTTで書き出します。faster-whisperやwhisper.cppなど複数のエンジンを使え、GPU高速化に対応し、話者のラベル付けもできます。Windows版のインストーラーはコード署名されていないため、WindowsにSmartScreenの警告が表示され、それをクリックして進む必要があります。

Subtitle Editは、Windows向けの昔からある無料の字幕エディターで、macOS版はベータです。Videoメニューに「Audio to text (Whisper)」という項目があり、エンジンとモデルのダウンロードから文字起こしまでを行い、結果を本格的なタイミングエディターで開きます。ほかのどのツールよりも多くの字幕形式を読み書きでき、言葉だけが欲しいときはプレーンテキストで保存することもできます。

どちらも優れたツールで、どちらも無料かつ無制限です。コストがかかるのは、作業の後半です。Buzzには再生と検索のできる文字起こしビューアーがありますが、字幕のタイミング調整の機能はあまりありません。Subtitle Editは強力なエディターですが、キュー、フレームレート、字幕形式とは何かをすでに知っている人向けです。

方法3:Sablateのようなデスクトップアプリ

Sablateは、WindowsとMacでfaster-whisperをローカルで実行します。文字起こしのあとの作業、つまり修正と字幕づくりを中心に設計されています。

1. 動画ファイルをアプリにドロップし、話されている言語とモデルのティア(Fast、Balanced、Accurate(large-v3-turbo)、Best(large-v3))を選びます。
2. 文字起こしがエディターで開き、すべての行が動画内の該当の場面とひも付いています。行をクリックして音声を聞き、その場で直します。
3. 文字起こしの前に、名前や製品用語を用語集に登録しておきます。聞き違えた単語は、検索と置換(Ctrl+H)で一度にすべて直せます。
4. .txtで書き出すかテキストをコピーするか、.srtや.vttで書き出します。動画に他の言語の字幕が必要なら、文字起こしをやり直さずに、同じ文字起こしに翻訳レイヤーを追加します。

無料版はずっと使え、アカウントも不要ですが、ここで紹介するローカルの選択肢のなかでは最も制限が厳しくなっています。動画は10分まで、ジョブは月3回、モデルはFastとBalancedのみです。それより長い最初の動画は、一度だけ全長で処理されます。長い文字起こしが1本だけ必要なら、Buzzやコマンドラインなら無料でできるので、それが正直なおすすめです。

Sablateが$29の買い切りのProの価格に見合うのは、量とエディターの面です。長さの制限がなく、すべてのWhisperモデルが使え、バッチ処理ができ、動画にある全言語をワンクリックで書き出せます。

無料の動画文字起こしツールを比較

料金と制限は2026年10月時点で公開されている内容です。傾向はこの分野全体で共通しています。無料のローカルツールにはメーターがなく、オンラインツールはインストール不要で、その手軽さに対して、使った分数で支払っているわけです。

無料のWhisperは有料の文字起こしと同じくらい正確か

音声が明瞭なら、無料のローカル文字起こしの精度は、払った料金ではなく、選んだモデルの精度で決まります。有料サービスが動かすlarge-v3と、あなたのノートパソコンで動くlarge-v3は、同じ音声からほぼ同じテキストを出力します。

ツールよりモデルの選択のほうがはるかに重要です。large-v3-turboは、large-v3のデコーダーを32層から4層に減らしたもので、約8倍速く、普通の映像なら仕上がりの違いは小さいものです。tinyとsmallは速い一方で、訛り、同時に話す場面、早口では単語が抜けます。サイズ、速度、小さいモデルが拾った発話を大きいモデルが飛ばした実例は、Whisperモデル比較にまとめています。

無料でも有料でも、どのエンジンも自動では直してくれないことが3つあります。

1. 固有名詞と専門用語。Whisperは、なじみのない名字を音の通りに綴り、しかも毎回違う綴りにします。用語集はファイルの冒頭で最も効きます。モデルがそれを文脈として読むためです。残りは検索と置換で拾います。
2. 無音と音楽。長く静かな区間は、ハルシネーションの行が現れやすい場所です。無音部分をカットするか、先にその箇所を確認します。
3. 同時に話している話者。Whisperが書くのは1本のテキストで、誰が言ったかのラベルは付けません。Buzzには話者識別の手順があり、有料サービスにも話者ラベルがありますが、SablateとWhisperコマンドラインにはありません。

有料サービスが勝っている点は2つあります。スマートフォンで動くことと、話者ラベルや要約を上乗せするものがあることです。どちらも要らないなら、お金を払うかどうかは任意です。

どの方法を使うべきか

「一度だけ文字起こしが必要で、ターミナルにも慣れている」なら、Whisperコマンドラインを使います。GPUがあれば--model turbo、なければ--model smallにします。

「無料のアプリがよく、ターミナルには一切触れたくない」なら、Buzzをインストールします。無料で制限がなく、必要な形式で書き出せます。

「本当に字幕が必要で、タイミングを正確に合わせたい」なら、字幕編集にすでに慣れているならSubtitle Edit、文字起こし、修正、字幕を1か所で済ませたいならSablateを使います。どちらを選んでも、形式のルールはSRTファイルの作り方のガイドで確認できます。

「スマートフォンで作業している、または動画が短く機密性もない」なら、オンラインツールの無料枠が最も手早い道です。たまに使う程度なら、1日3ファイルで十分です。

「動画はすでにYouTubeにあり、読むだけでいい」なら、YouTubeの「文字起こしを表示」パネルが、字幕のある動画なら無料ですぐに使えます。ツールは要りません。

「毎週文字起こしをする、またはその動画に他の言語の字幕が必要になる」なら、Sablateはまさにそのために作られています。Proなら長さは無制限で、本格的なエディターがあり、同じ文字起こしに翻訳レイヤーを加えられます。

最初からきれいな文字起こしを得るコツ

手直しの大半は、避けられる4つのミスから生まれます。

言語を明示的に指定します。自動検出が聞くのは最初の30秒です。音楽や別の言語の挨拶で始まる動画は、間違った言語で文字起こしされたり、一部が英語に訳されて出てきたりします。これはWhisperで知られている癖です。

パソコンが無理なく動かせる最大のモデルを使います。smallからlarge-v3-turboに替えると、どれだけ後から編集するよりも多くの誤りがなくなり、GPUがあれば時間のコストもほとんどかかりません。

何よりも先に名前を直します。字幕を書き出したり翻訳したりする前に、文字起こしを直します。大元で一度直した名前は、そこから作るすべてのファイルで直った状態になります。

TXTとSRTの役割を分けて考えます。TXTは読むためのもの、SRTは時刻のためのものです。あとで字幕が必要になるかもしれないなら、今のうちにSRTも書き出しておきます。プレーンテキストのファイルから時刻を作り直すのは、この作業全体で最も時間のかかる仕事だからです。

まず1本の動画で、上で見た自分の状況に合うツールを試してみてください。文字起こし、修正、字幕を1つのウィンドウで済ませたいなら、WindowsまたはMac向けのSablateをダウンロードしてください。無料版はアカウントが要りません。

よくある質問

動画を完全に無料でテキストに文字起こしできますか?

はい、できます。OpenAIのWhisperは無料のオープンソースで、ごく普通のWindowsやMacのパソコンで動くため、分単位の料金も1日の上限もありません。無料のオンラインサービスは、たいていその分を制限で補っています。たとえばTurboScribeの無料プランは、1日3ファイル、1ファイル最大30分までです。ローカルで動かす場合、制限になるのは待てる時間だけです。

無料のWhisperは、有料の文字起こしサービスの代わりになるほど正確ですか?

音声が明瞭なら、たいていは代わりになります。有料の文字起こしサービスの多くは内部でWhisperを動かしているので、料金でエンジンが変わることはあまりありません。精度を左右するのはモデルのサイズです。訛り、雑音、早口では、large-v3-turboとlarge-v3がtinyやsmallを大きく上回ります。固有名詞や専門用語は、無料でも有料でもどのエンジンでも修正が必要です。

WhisperでGPUなしに動画を文字起こしできますか?

はい、できます。WhisperはCPUでも動き、遅くなるだけです。NVIDIAのGPUがあれば、同じパソコンのCPUより通常5〜10倍速く、長い録音でも大きなモデルが現実的に使えます。GPUがない場合、日常的に使うならsmallモデルが現実的な選択で、turboは放置して回しておくものになります。

動画をどこにもアップロードせずに文字起こしできますか?

はい、できます。ローカルのWhisperツールは動画ファイルを自分のディスクから読み込み、音声を取り出して自分のパソコン上で文字起こしするので、ファイルがパソコンの外に出ることはありません。モデルのダウンロードは最初の1回だけで、その後はインターネット接続も要りません。一方、オンラインの文字起こしサービスは、仕組み上、先にファイルをサーバーへアップロードする必要があります。

文字起こしはTXTとSRTのどちらで書き出すべきですか?

文章を読む、引用する、編集するならTXTです。字幕にしたい、動画内の場面を探したいなど、時刻が必要ならSRTかVTTです。どれも同じ文字起こしから作られるので、先にどちらかを選ぶ必要はありません。ほとんどのWhisperツールは、1回の実行で両方の形式を書き出せます。

Sablateは文字起こしを無料で使えますか?

はい、アカウントなしでずっと無料で使えますが、制限があります。無料版は10分までの動画、月3ジョブ、FastとBalancedのWhisperモデル、TXT・SRT・VTTの書き出しに対応しています。最初の長い動画は、長さに関係なく処理されます。Proは$29の買い切りで、長さとジョブ数の制限がなくなり、AccurateとBestのモデルが加わります。