AI文字起こし：動画からTXTとSRTを作る方法
動画を編集しやすいTXTとタイムスタンプ付きSRTに変換。言語検出、話者識別、繰り返し使える単語修正にも対応します。
使い方 著者 Pipe2.ai 更新日 September 2, 2026
この記事の内容
これらのパイプラインを試す
AI文字起こしは、動画内の話し声を編集可能な文章に変換します。Pipe2.aiのTranscriptionに動画または音声をアップロードすると、プレーンなTXTとタイムスタンプ付きSRTの両方を受け取れます。言語の検出、話者ラベル、繰り返し誤認識される単語の修正も設定できます。
動画を5ステップで文字起こしする
- 明瞭な音声トラックのある動画を選ぶ。 Transcriptionには話し声が必要です。無音の動画から文字起こしは作れません。
- ファイルをアップロードする。 Transcriptionを開き、変換したい動画または音声を添付します。
- 言語と話者を設定する。 言語が不明ならAutoのままにします。インタビューや座談会では話者識別を有効にし、必要なら想定人数を入力します。
- 繰り返す単語の修正を加える。 人名、略語、製品名が毎回同じように誤認識される場合は、認識結果の表記と正しい表記を対応させます。大文字・小文字が区別され、単語全体に一致した場合だけ置換されます。
- 実行して両方のファイルを確認する。 読む・編集する用途にはTXT、タイミングが必要な作業や字幕にはSRTを使います。
現在のパイプラインはElevenLabs Scribe v2を使用しています。公開フォームで指定できるのは、アップロードした動画または音声1件、Autoと明示的に選べる10言語、任意の話者識別、0〜20人の任意の話者数ヒント、任意の単語修正です。SRTとTXTは別々のアセットとして出力されます。
次の作業に合わせてTXTとSRTを選ぶ
どちらにも同じ発話内容が入りますが、形式が異なります。
| 出力 | 内容 | 向いている用途 |
|---|---|---|
| TXT | 字幕の時間ブロックを含まない連続した文章 | メモ、引用、検索、要約、下書き、編集時の確認 |
| SRT | 開始・終了時刻が付いた番号付きテキストブロック | 字幕、文の境界に合わせたトリミング、動画と同期させる必要がある工程 |
両方を保管してください。TXTは素早く読め、SRTは映像制作に必要なタイミングを保持します。次に表示字幕を作るなら、SRTを確認してから動画に字幕を追加する方法へ進みます。
音声認識の精度を上げる
品質は録音段階で決まります。マイクを話者に近づけ、BGMと部屋の反響を抑え、複数人が同時に話す状況を避けてください。後から音量を上げても、明瞭に収録されなかった言葉は復元できません。
言語が分かる場合は指定し、不明ならAutoから始めます。誰の発言かが重要なときに話者識別は役立ちますが、ラベルには人の確認が必要です。声が似ている場合、割り込みが多い場合、別々の録音ソースが混ざる場合は識別が難しくなります。
Correctionsは、安定して繰り返す誤りに使い、文章全体の書き換えには使いません。たとえばブランド名が毎回よく似た一般語になる場合、単語全体の修正で両方の出力を直せます。不明瞭な文を復元したり、話者の意図を推測したりする機能ではありません。
公開前に文字起こしを確認する
AI文字起こしは作業用の文書であり、全ての単語が正しいという証明ではありません。元の音声を聞きながら、次を重点的に確認します。
- 人名、組織名、専門用語、略語
- 数字、価格、日付、単位
- インタビューやグループ会話での話者の切り替わり
- 通常のスペルチェックが誤って直す可能性のある固有名詞
- 雑音、音楽、アクセント、発話の重なりがある箇所
- 表示開始が早すぎる、終了が遅すぎる、文字量が多すぎるSRTブロック
人物の発言を引用する場合は録音と照合します。字幕を作る場合は、文字が完成動画の一部になる前に文言とタイミングを修正します。
文字起こしを字幕やクリップに使う
Transcriptionは映像に文字を焼き込みません。次のアセットを作る前に確認できる、再利用可能なファイルを作ります。
表示字幕には、確認済みSRTと元動画をCaptionsに添付します。ショート動画の編集では、1つの文字起こしを工程全体で使えます。良い場面を探し、文の境界で切り、完成クリップに字幕を加える流れです。長い動画をショートにする方法で全体の手順を、文に合わせて動画をトリミングする方法で自然な切れ目を詳しく説明しています。
工程を分けることで、1つのSRTを修正して複数の字幕スタイルに再利用できます。TXTは説明文、メモ、文字ベースの編集に使え、元動画を再度文字起こしする必要はありません。
文字起こしジェネレーターが行わないこと
文字起こしは音声を文章に変換しますが、録音の自動要約、見どころの選定、翻訳、字幕付き動画の作成は行いません。これらは別の編集・制作工程です。
また、音声トラックが必要です。画面にだけ表示され、発音されていない文字は音声ではないため文字起こしに入りません。重要なスライド、ラベル、画面上の文字がある場合は別途確認し、必要ならメモへ追加します。
最初から最大のアーカイブを処理せず、典型的な録画1本で試してください。話者、専門用語、録音条件をどのように扱うか確認し、繰り返す修正を加えてから、同じ確認項目を残りのファイルにも適用します。
よくある質問
動画から文字起こしを作るにはどうすればよいですか？
音声トラックのある動画をTranscriptionパイプラインにアップロードし、言語をAutoのままにするか話されている言語を選びます。必要なら話者識別を有効にして実行すると、編集可能なTXTとタイムスタンプ付きSRTが返されます。
TXTとSRTの出力は何が違いますか？
TXTは字幕の時間ブロックを含まない読みやすい文章で、編集、引用、メモ、検索に向いています。SRTは発話を開始・終了時刻付きのブロックに分け、動画プレーヤーや字幕ツールで映像と同期できる形式です。
AI文字起こしで複数の話者を識別できますか？
はい。インタビュー、ポッドキャスト、座談会では話者識別を有効にします。人数が分かる場合は1〜20人で指定し、不明なら0のまま自動検出を使います。発言者の特定が重要な場合は必ずラベルを確認してください。
文字起こしを作ると動画に字幕も表示されますか？
いいえ。TranscriptionはSRTとTXTを別ファイルとして作成しますが、動画の映像には文字を描画しません。表示字幕が必要ならSRTを確認し、元動画と一緒にCaptionsパイプラインで使用します。
AIが作った動画の文字起こしはどう確認しますか？
録音を聞きながら読み、人名、略語、数字、話者の切り替わり、雑音や発話の重なりがある箇所を確認します。繰り返す誤認識には単語修正を使い、引用や字幕を公開する前にSRTのタイミングも見直します。
