動画(MP4)を文字起こしする方法|無料・アップロード不要でテキストと字幕にする

作成日:2026年11月21日 10:37読了時間:約 14 分
"サムネイル画像"

撮影した動画や会議の録画を文字にしたいとき、検索すると Word の「トランスクリプト」や ChatGPT、クラウドの文字起こしサービスなど、いくつもの方法が出てきます。どれも動画を文字にできることに変わりはありませんが、動画ファイルをそのまま読み込めるか、ファイルが外部のサーバーに送信されるかどうか、字幕のファイルとして書き出せるかは方法によって違い、無料で利用できる範囲にもそれぞれ上限があります。

この記事では、動画を文字起こしする方法の違いを公式の情報で整理したうえで、MP4 の動画をアップロードせずにブラウザ上でテキストや字幕にする手順を、動画の用意から書き出しまで通して説明します。

この記事でわかること 

  • 動画を文字起こしする方法の違い
  • MP4 の動画を文字起こしする手順
  • 動画の種類ごとの用意の仕方
  • 日本語の動画に使うモデルの選び方
  • 文章にするか字幕にするかで変わる書き出し形式

PC の Chrome か Edge と、文字起こししたい動画ファイルがあれば始められます。会員登録やアプリのインストール、動画のアップロードや音声への変換をしなくても、最後まで進められます。

動画を文字起こしする方法の比較 

動画を文字起こしする方法は、大きく分けて、文書作成ソフトや AI チャットの機能を使う方法、クラウドの文字起こしサービスを使う方法、ブラウザ上で処理するツールを使う方法の 3 つがあります。2026 年 11 月 21 日に各社の公式のヘルプと料金ページで確かめた内容を、次の表にまとめました。

方法

サーバーへの送信

無料で利用できる範囲

動画(MP4)を読み込めるか

字幕(SRT)の書き出し

Word の「トランスクリプト」

あり(Microsoft に送信され、OneDrive に保存)

Microsoft 365 のサブスクリプション向けの機能。アップロードした音声は月 300 分まで

読み込める(.wav・.mp4・.m4a・.mp3)

公式の記載なし

Google ドキュメントの音声入力

公式の記載なし

公式の記載なし

ファイルの読み込みの記載なし(マイクで話した内容を入力する機能)

公式の記載なし

ChatGPT

あり(ファイルのアップロード)

音声のアップロードは無料プランでは利用できない

動画と判定された MP4 は扱えない(音声だけの MP4 は可)

公式の記載なし

Gemini

あり(ファイルのアップロード)

動画は合計 5 分まで(Google AI Pro・Ultra は 1 時間)

動画をアップロードできる(1 ファイル 2 GB まで。形式ごとの記載なし)

公式の記載なし

クラウドの文字起こしサービス

あり(ファイルのアップロード)

サービスごとに月の時間と 1 回の時間に上限(下の表)

料金ページに形式の記載なし(文字起こしさんは動画も扱える)

料金ページに記載なし

ブラウザ上で処理するツール(Transcriber)

なし(処理の統計だけを送信)

時間・回数の上限なし

読み込める(MP4・MOV・MKV・WebM など)

SRT・VTT で書き出せる

出典は、Microsoft の「レコーディングの文字起こし」、Google の「音声で入力、編集する」、OpenAI の「Uploading files and audio to ChatGPT」、Google の「Gemini アプリでファイルをアップロードして分析する」です。「公式の記載なし」は、できないという意味ではなく、そのページに書かれていないという意味です。

クラウドの文字起こしサービスは、無料のプランの利用時間に上限があります。代表的な 3 つの料金ページの記載は次のとおりです(2026 年 11 月時点)。

サービス

無料のプランの利用時間

1 回に文字起こしできる長さ

「Notta」(フリー)

月 120 分

3 分まで

「LINE WORKS AiNote」(フリー)

月 300 分

60 分まで

「文字起こしさん」(無料会員)

月 5 時間

1 ファイル 30 分まで

表の内容は公式のページに書かれていることだけで、私自身はこれらの方法を動画の文字起こしに使ったことはありません。私が動画を文字にするときに使っているのは、自分で開発したブラウザ上で動作する文字起こしツール「Transcriber」です。表のほかの方法との違いは、動画ファイルが端末の外へ送信されないことと、時間や回数の上限が無いことです。

私が動画を文字起こしする用途は、SNS や YouTube に投稿する動画の字幕の作成、会議やセミナーの録画を文章にすること、保存した X の動画の内容をテキストで残すことの 3 つです。どの用途でも同じツールで済ませているので、この記事の手順も Transcriber で説明します。

用意するもの 

  • 文字起こししたい動画ファイル(MP4・MOV・MKV・WebM・AVI・WMV・FLV・MPG・MPEG-TS・3GP)
  • PC の Chrome か Edge(WebGPU を使用できると処理が速くなります)
  • 初回だけ、モデルを取得するための通信(日本語の初期設定では、文字起こしのモデルの約 710 MB と、句読点を打つためのモデルの約 92 MB)

手順1:動画を用意する 

動画は、PC に保存されたファイルの形で用意します。ファイルの形式やどこで撮った動画かによって用意の仕方が少し変わるので、当てはまるものを読んでください。

スマホで撮った動画 

iPhone のカメラで撮った動画は拡張子が「.mov」ですが、MP4 に変換しなくても読み込めます。スマホのブラウザから直接選択することもできますが、一度に処理できる長さが PC より短くなるため、長い動画は PC に移してから読み込むほうが確実です。

会議やセミナーの録画 

オンライン会議の録画も、MP4 などの動画ファイルとして保存されていれば、そのまま読み込めます。複数人が話している録画では、「話者分離」を有効のまま(初期設定)文字起こしすると、行ごとに「話者 A」「話者 B」のように誰の発言かが表示されます。Zoom や Teams の録画を文字起こしする手順は、Transcriber の「会議・議事録の文字起こし」のページにまとめています。

YouTube に投稿した動画 

YouTube などの動画サイトの動画は、URL から読み込むことはできません。自分が投稿した動画であれば、一度 MP4 として保存してから読み込みます(保存の手順は Transcriber の「動画(MP4)の文字起こし」のページにあります)。

X の動画 

X の動画を文字起こしするときは、私が開発した「X Video Downloader」で動画を保存すると、一覧の「文字起こし」から、保存した MP4 をそのまま Transcriber に渡せます。押すと Transcriber が別のタブで開き、X Video Downloader のサーバーから動画ファイルを受け取って、その時点の設定で文字起こしが始まります。X Video Downloader のサーバーの動画ファイルは処理が終わってから 24 時間後に削除されるので、文字起こしはそれまでに済ませておきます。

X(旧Twitter)の動画を保存する方法|アプリ不要・URLを貼るだけ(PC・iPhone・Android) | Ryusei.IO

X(旧Twitter)に投稿された動画とライブ配信のアーカイブを、アプリのインストールも会員登録もなしに MP4 で保存する手順を説明します。PC・iPhone・Android それぞれの操作と保存先、保存できないときの原因、投稿者に通知されるかどうかもまとめています。

faviconryusei.io

動画編集ソフトで編集した動画 

字幕を付ける予定の動画は、カットなどの編集を済ませて書き出した完成版を読み込みます。字幕の時刻は読み込んだ動画の先頭から数えるので、編集前の素材から作った字幕は、カットした長さの分だけ完成版の映像とずれます。

手順2:モデルと言語を決めて読み込む 

動画を用意したら、ブラウザで Transcriber を開きます。

MP4 動画を文字起こし|無料・アップロード不要で字幕用テキストに | Transcriber

MP4 の動画をブラウザ内で文字起こしする無料ツール。会員登録不要で使えます。動画は外部に送信されず、音声トラックだけを端末内で処理します。動画を再生しながら字幕を確認・修正できます。MOV・MKV・WebM・AVI にも対応し、SRT 字幕として書き出せます。

favicontranscriber.tools.ryusei.io
  1. Transcriber の「動画(MP4)の文字起こし」のページを開きます。
  2. 「言語」で動画の言語を選びます。日本語なら「日本語」のままで構いません。
  3. 「モデル」を確かめます。何も選ばなければ、言語と端末に合わせた初期設定のモデルが選ばれています(下の「モデルの選び方」)。
  4. 「話者分離」は初期設定で「有効」です。話している人が 1 人だけの動画や、字幕だけに使う動画では「無効」にします。
  5. 動画ファイルをドロップするか、枠をクリックして選びます。開始のボタンは無く、ファイルを読み込んだ時点で文字起こしが始まるので、上の 2〜4 の設定は先に済ませておきます。
モデル(Haas-ja v1.0)・言語(日本語)・話者分離の設定欄と、動画ファイルをドロップする枠

文字起こしが始まると、進み具合と、認識できた文が順に表示されます。モデルを初めて使うときは、先にモデルの取得の待ち時間が発生します。処理中にタブを閉じると処理が中断されるので、終わるまでタブは開いたままにしておきます。

動画を文字起こししている途中の画面で、進み具合のバーと認識した文が順に表示されている

モデルの選び方 

モデルは、言語と端末の性能から自動で選ばれます。日本語では、PC の Chrome・Edge などで WebGPU を使用でき、メモリが 4 GB 以上ある場合は「Haas-ja v1.0」が初期設定になり、スマホや Safari・Firefox などで使う場合と M1 以降の Mac では「SenseVoice Small」が初期設定になります。「Whisper Large v3 Turbo」などのモデルも、「モデル」の一覧から自分で選択できます。

モデルの一覧を開いた画面で、Haas-ja v1.0 が選ばれ、SenseVoice Small や Whisper Large v3 Turbo などが並んでいる

この記事のために、公開されている読み上げ音声のデータセット(FLEURS)から日本語の発話 46 本をつないで約 10 分(614.9 秒)の MP4 を作り、私の PC(Ryzen 7 8745H・内蔵 GPU の Radeon 780M)の Chrome で、3 つのモデルを比べました。処理時間はモデルを取得し終えたあとの 2 回目の値で、誤り率は、書き出した文から句読点と記号を除いて正解の文と 1 文字ずつ比べた割合(CER)です。

モデル

処理する場所

処理時間

音声の何倍の速さか

文字の誤り率

字幕の数

Haas-ja v1.0(初期設定)

GPU(WebGPU)

45.8 秒

13.4 倍

5.0%

93

SenseVoice Small

CPU(WASM)

71.9 秒

8.6 倍

8.5%

55

Whisper Large v3 Turbo

GPU(WebGPU)

172.9 秒

3.6 倍

5.7%

46

処理時間は話者分離を有効にしたときの値で、無効にすると Haas-ja v1.0 は 38.2 秒でした。誤り率が最も低く、処理も最も速かったのは初期設定の Haas-ja v1.0 で、Whisper Large v3 Turbo は誤り率がほぼ同じでも、処理には 4 倍近い時間がかかっています。

私は日本語の動画では、初期設定の Haas-ja v1.0 のまま使っています。今回の測定でも、誤り率と処理時間の両方で Haas-ja v1.0 が 3 つの中で最も良い結果でした。字幕の数がモデルによって違うのは、行を区切る位置の決め方がモデルによって違うためで、字幕にするときの行の長さの扱いは「SRT ファイルの作り方」の記事で説明しています。

手順3:動画に字幕を重ねて結果を直す 

文字起こしが終わると、結果の画面のプレイヤーで動画を再生できます。再生している位置の行が、動画の下側に字幕として重なって表示されるので、映像と見比べながら文言の誤りを確認できます。

結果の画面のプレイヤーで、再生中の行が動画の下側に字幕として重なっている

字幕の表示は、プレイヤーの右下の「字幕の表示」で切り替えます。誤りを見つけたら、一覧の行にマウスを乗せると表示される鉛筆のアイコンから文字を直し、時刻がずれている行は行の時刻をクリックして打ち直します。行をクリックすると、再生する位置がその行へ移動します。直した内容は書き出すファイルにそのまま反映されます。

話していない文が出るとき 

文字起こしのモデルは、音声に含まれていない文を出力することがあり、この現象は「ハルシネーション」と呼ばれます。私が測ったときも、声がほとんど聞こえない発話を含む動画で、Whisper Large v3 Turbo だけが「ご視聴ありがとうございました。」という話していない文を 2 か所に出力し、同じ動画の Haas-ja v1.0 と SenseVoice Small の結果には出ませんでした。

この種の行は、無音の区間や BGM だけが流れている区間に出やすいので、字幕を重ねて再生しながら、声の無い場面に文が出ていないかを確かめます。見つけたら、行の「⋮」メニューの「行を削除」を押します。

同じ誤変換をまとめて直す 

人名や専門用語は、同じ誤りが何度も出ることがあります。結果の画面の「検索と置換」を使うと、同じ語の誤変換を 1 回の操作でまとめて修正できるので、1 行ずつ直す手間を減らせます。

手順4:用途に合わせて書き出す 

直し終えたら、結果の下の「ファイルに保存」から形式を選んで書き出します。形式は、TXT・Word・PDF の文書、SRT・VTT の字幕、CSV・JSON のデータの 7 つで、どの形式もブラウザ上で生成します。

「ファイルに保存」のメニューで、文書(TXT・Word・PDF)、字幕(SRT・VTT)、データ(CSV・JSON)に分かれている

私が動画を文字起こしする 3 つの用途に当てはめると、合う形式は次のようになります。

用途

合う形式

理由

会議やセミナーの録画を文章にする

Word(DOCX)・TXT

議事録として編集してから共有できる

SNS や YouTube に投稿する動画の字幕の作成

SRT(Web ページの動画プレイヤーには VTT)

行ごとに表示の開始と終了の時刻が含まれる

保存した X の動画の内容を残す

TXT

メモアプリなどに貼り付けて検索できる

メモアプリに貼り付けるだけなら、ファイルにせず「テキストをコピー」でクリップボードにコピーすることもできます。

字幕にするとき 

字幕として使う SRT を書き出すときは、手順2 で「話者分離」を「無効」にしておきます。有効のまま書き出すと、各字幕の先頭に「話者 A: 」のような話者の名前が含まれ、そのまま字幕として表示されてしまうためです。

1 行の長さはモデルの区切り方で決まり、私の測定では、初期設定の Haas-ja v1.0 で 1 行の文字数の中央値が 24 字、最大が 43 字でした。字幕を決まった文字数で自動で分割する機能は無いので、長い行は結果の画面の「カーソル位置で分割」で分割してから書き出します。SRT の中身と、行の分割や時刻の直し方は「SRT ファイルの作り方」で詳しく説明しています。

動画に字幕を直接描き込んで、どのプレイヤーでも字幕が出る動画にする場合は、書き出した SRT を、私が開発した Web アプリ「Media Tools」の「字幕を動画に焼き込む」のページに読み込ませます。手順は「動画の文字起こしから字幕挿入までブラウザーだけで済ませる方法」にあります。

外国語の動画を翻訳する 

英語などの外国語の動画は、手順2 の「言語」でその言語を選んでから読み込みます。文字起こしが終わったあとに「翻訳」を開き、「翻訳先」を選んで「翻訳する」を押すと、各行の下に訳文が表示され、「字幕の表示」を「対訳」にすれば、原文と訳文を 2 段で動画に重ねて再生できます。

英語の動画に、英語の原文と日本語の訳文を 2 段で重ねて表示した対訳の字幕

翻訳には、Chrome 138 以降か Edge 148 以降の PC のブラウザに内蔵された翻訳機能を使うため、それ以外のブラウザとスマホでは、「翻訳」を開いても利用できないことを示す案内が出るだけで、翻訳はできません。訳文も端末の中で生成されるので、文字起こしの結果が翻訳のために外部へ送信されることはありません。私の PC の Chrome で英語の 3 分の動画(40 行)を日本語に訳したときは、翻訳モデルの取得を含めて 30〜60 秒で終わりました。書き出すときは、「テキストをコピー」の左にある「原文」「翻訳」「対訳」の切り替えで、どれを書き出すかを選択できます。

精度が落ちる動画と対処法 

動画の内容によっては、ここまでの手順どおりに進めても精度が落ちたり、文字起こしが停止したりすることがあります。原因が分かりやすいものを 2 つ挙げておきます。

BGM や環境音が大きい動画 

BGM や環境音が大きい動画では、声の聞き取りの精度が落ちます。BGM を含む動画を扱う場合は、先に私が開発した Web アプリ「Media Tools」の「動画の BGM 除去」のページで BGM を除去した動画を作り、それを Transcriber に読み込ませる方法があります。このページで除去されるのは BGM だけで、台詞やナレーションと効果音は残ります。動画をブラウザ上で処理するのは Transcriber と同じで、GPU(WebGPU)を使用できる PC の Chrome・Edge で動作します。

音声が記録されていない動画 

画面録画の動画は、録画の設定でマイクとシステムの音声をオフにしていると、声が記録されていません。Transcriber は動画の音声だけを処理するので、エラーで停止したときは、動画を再生して声が聞こえるかを先に確かめます。ほかにうまくいかない場合の対処法は、Transcriber の「動画(MP4)の文字起こし」のページの「うまくいかないとき」にまとめています。

よくある質問 

無料で使えますか。時間や回数の上限はありますか?

無料です。時間の上限も回数の上限もありません。文字起こしの処理は利用者の端末の中で行われ、私のサーバーでは処理していません。

会員登録やログインは必要ですか?

必要ありません。ページを開いて動画を読み込むだけで利用でき、メールアドレスの入力も求めていません。

動画ファイルがサーバーに送信されることはありますか?

ありません。動画の読み込みも音声の抽出も文字起こしもブラウザ上で行われ、動画ファイルが端末の外へ出ることはありません。モデルの取得のほかに、不具合を直すための処理の統計(端末の性能やエラーの種類など)を私のサーバーへ送信していますが、音声・文字起こしの結果・ファイル名・IP アドレスは含みません。この送信は、ページ下部の「サービス品質向上へのご協力のお願い」のスイッチをオフにすると停止できます。

iPhone だけで動画を文字起こしできますか?

できます。スマホのブラウザでは、日本語の初期設定のモデルは「SenseVoice Small」になります。一度に処理できる長さは PC より短いので、長い動画の扱いは手順1 の「スマホで撮った動画」を見てください。

YouTube の動画を URL から文字起こしできますか?

できません。Transcriber は、端末に保存された動画ファイルだけを読み込みます。自分が投稿した動画であれば、MP4 として保存してから読み込んでください。

まとめ 

表で比べた方法のうち、MP4 の動画ファイルを端末の外へ送信せずにそのまま文字起こしでき、時間や回数の上限も無いのは、ブラウザ上で処理する Transcriber です。Transcriber で MP4 の動画を文字起こしする手順は、次の 4 つです。

  1. 動画を、PC に保存されたファイルの形で用意する
  2. 「言語」「モデル」「話者分離」を設定してから、動画ファイルを読み込む
  3. 結果の画面で動画に字幕を重ねて再生しながら、誤変換と話していない文を直す
  4. 「ファイルに保存」から、文章にするなら Word か TXT、字幕にするなら SRT を選んで書き出す

字幕に使う動画では、手順2 で「話者分離」を「無効」に切り替えてから読み込みます。初期設定の「有効」のまま SRT を書き出すと、字幕ごとに「話者 A: 」のような話者の名前が含まれ、動画の上にもその名前が表示されるためです。

関連記事とツール 

【完全無料】動画の文字起こしから字幕挿入までブラウザーだけで済ませる方法 | Ryusei.IO

動画に字幕を入れるのに、ソフトのインストールもファイルのアップロードも必要ありません。ブラウザーだけで文字起こしから SRT の作成、字幕の焼き込み(ハードサブ)まで済ませる手順を、無料・アカウント登録不要で説明します。

faviconryusei.io
m4aファイルを文字起こしする方法|変換不要・アップロードなしでテキスト化 | Ryusei.IO

iPhoneのボイスメモなどで録音したm4aファイルを、形式を変換せずそのまま文字起こしする手順を説明します。ファイルのアップロードも会員登録も不要で、話者ごとの書き分けと字幕ファイルの書き出しまでブラウザだけで完結します。

faviconryusei.io
動画の BGM だけ消す — 声と効果音はそのまま(無料・アップロード不要) | Media Tools

動画から BGM だけを AI で取り除き、声と効果音を残す無料ツールです。会員登録不要・アプリ不要で、動画はブラウザ内で処理し、外部に送信しません。映像は再エンコードしないため画質は変わりません。PC の Chrome・Edge 向けです。

faviconmedia.tools.ryusei.io

Latest Tips