どんな動画も文字起こしする方法 - 先に音声を抽出すべきなのはいつか
「動画を文字起こしする方法」のチュートリアルが揃って省く事実があります。映像トラックはただの重りです。文字起こしモデルはフレームを一枚も見ません - 聞いているのは音声だけ。500MBの画面録画に入っている実際の音はせいぜい30MBで、残りの470MBはアップロードを遅くするためだけに存在します。
そう捉えると、まともな道は正確に2つで、選ぶのに10秒あれば足ります。
道その1：動画をそのままアップロードする
SpeechoはMP4・MOV・WebMを直接受け付けます。最長4時間まで。多くの人が驚くのはここです - アップロードの前に、ブラウザ内で音声が抽出されます。 2GBの録画をドロップすると、あなたのマシンがローカルで音声トラックを取り出し、その小さな音声ファイルだけがサーバーへ向かいます。アップロードはファイルサイズから想像する1時間ではなく、数分で終わります。
現実のケースはほぼこれで足ります。誰かが文字起こししたい「動画」は、たいていすでにディスク上のファイルだからです：
- ZoomやTeamsの録画 - ダウンロードフォルダのMP4です；
- Loom - まずLoomからダウンロードすれば同じこと；
- Google Meetの録画 - MP4としてDriveに届きます；
- 動画で送られてきた講義、インタビュー、ポッドキャスト。
欲しいのが文字起こしだけなら、ここで読むのをやめて構いません。動画をアップロードして終わりです。
道その2：先にMP3を取り出す
音声をファイルとして持っておきたいときもあります。テキストだけでなく。そのための無料抽出ツールです - 完全にブラウザ内で動き、何もアップロードされず、MP3が手元に残ります。使いどころは：
- 音声を残しておきたい - ポッドキャスト配信、アーカイブ、移動中に聴くため；
- 動画が巨大で回線が細い - 1時間の会議の64kbps音声MP3は約30MB。これならどこからでも上がります；
- 録画が4時間を超えている - 音声を抽出して、それを送る；
- 音声を複数の場所で使う - こちらで文字起こし、あちらで編集。
抽出ツールに「音声（話し声）」プリセットがあるのには理由があります。64kbpsモノラルこそ音声認識モデルが必要とするものだからです。声は明瞭なまま。損なわれるのは音楽だけで、モデルはもともと音楽を聞いていません。
どちらの道でも、その後は同じ
OpenAI Whisperによる99言語の文字起こし（自動判定）、インタビューや会議向けの話者ラベル、AI要約、18言語への翻訳、Wordや字幕へのエクスポート。支払いは音声1時間ごと - 0.83ドルから - サブスクなし。登録すると無料の15分がつくので、誰かのデモではなく自分の録音で試せます。
どちらの道もカバーしない唯一のケース
リンクはファイルではありません。手元にあるのが自分の録画ではなくストリーミングのURLなら、Speechoも抽出ツールも受け付けません - 私たちは意図的に、リンクではなくファイルを受け取る作りにしています。録画を保持しているプラットフォーム（Zoom・Loom・Meetはいずれも可能です）から自分の録画をダウンロードすれば、あとは道その1に戻るだけです。
判断はこれだけです：テキストだけ欲しい - 動画をアップロード。音声も欲しい、またはファイルが巨大 - 先に抽出。どちらの入口も無料で試せます。
