音声→文字起こし

音声→文字起こしの使い方

1. 1マイクボタンをクリックして録音を開始します
2. 2話した内容がリアルタイムでテキストに変換されます
3. 3変換結果をコピーして利用します

音声→文字起こしの例文・サンプル

（マイクで「本日の会議の議事録をまとめます」と発話）

良い音声→文字起こしの判断基準

会議の議事録作成・インタビューの文字化・移動中のアイデアメモなど、話した内容をテキストにしたいときに使うツールです。マイクからリアルタイムで文字起こしされますが、誤認識は必ず起きる前提で、下の基準で校正してから共有・保存します。

• 固有名詞・専門用語の誤認識を校正したか

  人名・会社名・製品名・業界用語は誤認識が出やすい代表格です。出力テキストを配布する前に、登場する固有名詞を記憶や資料と突き合わせて全数確認します。

• 数字・日付・金額が正しく起こされているか

  議事録で一番事故になりやすいのが数字の誤りです。期日・金額・数量が出てくる発言は、該当箇所を重点的に見直します。

• 複数話者の発言が混ざっていないか

  複数話者の会議では誤認識が発生しやすくなります。誰の発言かが重要な議事録では、文字起こし結果に話者を整理して付け直します。

• 同音異義語の変換ミスがないか

  音は合っていても漢字の変換が文脈と合わないことがあります。意味が通らない箇所は前後の文脈から元の発言を推測し、修正します。

• 長時間の収録で途切れた区間がないか

  長時間の連続使用では性能が低下することがあります。1〜2時間以上の会議では途中で停止・再開を挟み、議題の切れ目で取りこぼしがないか確認します。

• 機密を含む会話を扱ってよいか確認したか

  社外秘の会議や個人情報を含む会話を文字起こしする場合は、外部ツールに入れる前に所属組織のルールを確認します。

ありがちな失敗例（NG → 改善）

会議やインタビューの音声を、その場でテキストにしたいとき

会議の議事録作成・インタビュー音声の文字化・取材録音のテキスト化など、音声をテキストにする作業は時間がかかる典型的な業務です。1時間の会議を手動で文字起こしすると3〜4時間かかると言われ、専門サービスに依頼すると1分あたり数百円の費用がかかります。本ツールはブラウザの音声認識APIを使って、マイクからリアルタイムで文字起こしを行い、コピー&ペーストで議事録ファイルに移せる形式で出力します。

マイクの無い環境で「録音開始」を押して確かめられたこと、確かめられなかったこと

本ツールはマイクからの音声が前提です。編集部の検証環境にはマイクが無く、音声も一切入っていないため、認識の中身までは確かめられませんでした。確かめられたのは次の 2 点です。

【1. 音声認識の入り口は存在した】ブラウザ側の SpeechRecognition と webkitSpeechRecognition が、どちらもこの環境で定義されていました。ページを開いた時点で「お使いのブラウザはこの機能に対応していません」という案内は出ず、初期表示は「「録音開始」ボタンを押して、マイクに向かって話してください。リアルタイムで文字起こしされます。」でした。

【2. ボタンは押せたが、そこで止まった】「録音開始」ボタンは押せる状態で、実際にクリックできました。その 1.5 秒後、画面に出たのは次のメッセージです。

マイクへのアクセスが許可されていません。ブラウザの設定でマイクの使用を許可してください。

【ここから分かること】音声認識の窓口がブラウザにあることは、実際に文字起こしが動く保証ではありません。窓口があっても、マイクが無い環境や許可していない環境では、開始した瞬間に止まります。本番の会議で初めて起動して記録がゼロだった、という事故を避けたいなら、同じ端末・同じブラウザで短い試し録りをしておくのが確実です。

【確かめられなかったこと】実際に声を入れたときの認識精度、話してから文字が出るまでの速さ、長時間の連続使用での挙動、複数人が話したときの区別。いずれもこの環境では測れていません。精度を数字で示せない代わりに、次の項目では「どういう作りだから、どこがぶれるのか」を書きます。

エラーの出方と、日本語固定・言い直しの扱いという文字起こしの作り

画面に出るメッセージは、音声認識の側から返るエラーの種類ごとに分かれています。マイクが許可されていないときは上に引用した文面、声が拾えなかったときは「音声が検出されませんでした。マイクに向かって話してください。」、それ以外は「エラーが発生しました」に続けて種類がそのまま表示されます。自分で停止したときはエラー扱いになりません。

認識の設定は、連続認識をオン、途中経過の表示をオン、言語は日本語（ja-JP）で固定です。言語を選ぶ欄はありません。英語や中国語の会議をそのまま流しても、日本語として解釈しようとします。

途中経過は薄い文字で表示され、確定すると通常の文字に変わります。録音を止めた時点でまだ確定していない途中経過が残っていれば、それも結果に足される作りです。結果には「コピー」と「クリア」のボタンが付いており、テキストを持ち出す先は自分で選びます。音声やテキストをファイルとして保存する機能はありません。

対応ブラウザの一覧は、今回の環境では確かめていません。使えるかどうかは、ブラウザと OS が持つ音声認識の仕組みに左右されます（本ツールはその仕組みを呼び出しているだけだからです）。手元の環境で使えるかは、短く試すのが一番早い確認方法です。

議事録の下書き・取材メモ・移動中のアイデアで使う場面

【1. 会議の議事録の下書き】会議中にその場で文字にして、終わった直後から手直しを始められます。ゼロから聞き直すより、直す作業のほうが早く終わります。

【2. 取材音声のテキスト化】録音を別に取りながら並行して文字にしておくと、後の書き起こしの当たりが付きます。

【3. 移動中のアイデアメモ】思いついたことを話しておき、後でテキストとして整えます。

いずれも共通するのは、出てきたテキストをそのまま使わず、下書きとして扱うことです。

Whisper や Otter.ai との使い分けと、機密の会話をどう扱うか

Whisper や Otter.ai のような専用の文字起こしサービスは、精度でも機能でも先を行きますが、有料のプランや API の設定が要ります。本ツールは登録も設定もなく、ページを開いてボタンを押すだけで始まります。腰を据えて起こすなら専用サービス、その場の下書きなら本ツール、と分けると無駄がありません。

機密の扱いには、はっきりさせておくべき点があります。本ツールのコードは、音声やテキストをこちらのサーバーへ送っていません。ただし認識そのものはブラウザが持つ仕組みに任せており、その仕組みが音声をどこで処理するかまでは、本ツールからは制御できません。社外秘の会議や個人情報を含む会話を扱うときは、この点を所属組織の決まりに照らして判断してください。

文字起こしを正本にしてはいけない用途と、共有する前に人が見る箇所

【向かない用途】議事録の正本、法的な記録、公開する動画の字幕の正本には向きません。誤りが起きる前提の下書きだからです。専門用語や人名・社名は取り違えが起きやすく、数字や日付の誤りは後から大きな問題になります。複数人が同時に話す場面も苦手です。

【共有前に人が見る箇所】1 つ目は固有名詞。人名・会社名・製品名を、資料や記憶と突き合わせます。2 つ目は数字。期日・金額・数量が出てくる発言を重点的に読み直します。3 つ目は意味の通らない箇所。音は合っていても漢字が文脈と違うことがあり、前後から元の発言を推測して直します。

長い会議では、議題の切れ目で一度止めて、そこまでの結果を確かめてから再開するほうが、取りこぼしの範囲が小さくなります。