最適なMP3文字起こしツールは用途によって変わります。 大量処理ならSonix、ライブ会議ならOtter.ai、人による確認が必要ならRev、機密音声なら無料でオフライン実行できるOpenAIのWhisperが有力です。話者ラベルと7種類の書き出し形式が必要なら、登録なしで各ファイルの冒頭5分を試せるTranscribeNextが向いています。
一般的な比較記事は各社の精度表示を並べて終わります。本記事ではさらに、実際にアップロードされた10,306件のMP3のビットレート分布と、どのビットレートから文字起こし結果が変わり始めるかを調べた比較実験を紹介します。
*開示事項：TranscribeNextは当社のサービスです。競合サービスの数値は各社が公表した値であり、その旨を明記しています。自社測定にはサンプル数を併記しています。*
MP3以外を扱う場合は、音声からテキストへの変換ページで対応する音声22形式、動画13形式と処理時間を確認できます。
MP3文字起こしツールの比較
| ツール | 向いている用途 | 公表精度 | 料金 | 無料枠 |
|---|---|---|---|---|
| Sonix | 大量の文字起こし、話者ラベル | 音源や言語によって変動 | 音声1時間あたり10ドル | 30分、カード不要 |
| Otter.ai | ライブ会議、共有メモ、チーム作業 | 数値は非公表 | サブスクリプション | 月ごとの分数枠 |
| Rev | 人による確認が必要な仕事 | AIと人による確認オプション | サブスクリプション。人による処理は別料金 | 月45分（英語のみ） |
| Whisper（OpenAI） | 機密音声、ローカルでの無制限利用 | 高精度。モデルサイズで変動 | 無料、オープンソース | 完全無料、オフライン |
| TranscribeNext | 話者ラベル、タイムスタンプ、7形式の書き出し | 録音条件による。詳しくは後述 | 購入画面で選択した通貨の料金を表示 | 各ファイルの冒頭5分、登録不要 |
この表から分かるのは、主要クラウドサービスの差は精度よりワークフローにあるということです。会議へ自動参加するか、人が結果を確認するか、必要な形式で書き出せるか、料金はいくらか。この違いで選ぶ方が実用的です。
MP3のビットレートは文字起こし品質に影響する？
約64kbpsを下回ると影響が急に大きくなります。ただし128kbpsでは差がまったく見られませんでした。 よくある質問でありながら実測値がほとんどないため、同一条件で検証しました。
検証方法： パブリックドメインの1985年のオーラルヒストリーから、5分間の発話音源を使用。同じマスター音源をLAMEで320、128、64、32kbpsのMP3へ変換し、すべて同じモデル・設定・処理経路で文字起こししました。結果は320kbps版を基準に単語単位で比較しています。
| ビットレート | ファイルサイズ | 単語数 | 基準との差 | 変化 |
|---|---|---|---|---|
| 320kbps | 11.45MB | 620 | —（基準） | — |
| 128kbps | 4.58MB | 620 | 0.00% | 全単語が一致 |
| 64kbps | 2.29MB | 619 | 0.65% | 置換1、挿入1、削除2 |
| 32kbps | 1.15MB | 600 | 7.26% | 置換32、挿入2、削除11 |
32kbpsで崩れたのは文章全体ではなく、固有名詞や出現頻度の低い語でした。
強い圧縮で怖いのは、文章が自然に読めるまま重要な語だけが静かに置き換わることです。差分7.26%は小さく見えても、その多くが人名なら無視できません。
Sonixは最低128kbpsを推奨しており、安全側の基準として今回の結果とも一致します。 ただし64kbpsの差は0.65%にとどまり、大きな崩れは64kbpsと32kbpsの間で起きました。
実際のMP3は何kbps？
推奨値より低いファイルが多数です。10,306件の中央値は128kbpsで、その54.1%が128kbps未満でした。
| パーセンタイル | ビットレート |
|---|---|
| 10% | 32kbps |
| 25% | 64kbps |
| 中央値 | 128kbps |
| 75% | 192kbps |
| 90% | 256kbps |
公表されている推奨値と比べると次の通りです。
実ファイルの多くは推奨値を下回っていても問題なく文字起こしできます。品質が急落する境界が128kbpsではなく64kbps付近だからです。ただし、約5件に1件は64kbps未満であり、固有名詞や専門用語が崩れやすい範囲に入ります。通話録音、留守番電話、メッセージアプリから保存した音声では特に注意が必要です。
*測定方法：60秒以上の全MP3について、ファイルサイズ×8÷再生時間からビットレートを算出。対象は2025年10月9日〜2026年7月31日のTranscribeNext本番データです。*
MP3の文字起こし速度
完了した9,023件では、再生時間の中央値18.8分に対し、処理時間の中央値は1.6分でした。実時間の約10.1倍速です。 90%は15.4分以内に完了しました。
Sonixが掲げる10倍速、HappyScribeが示す「1時間の音声を数分で処理」という説明とも近い値です。主要サービス間で速度差は小さく、通常は選定の決め手になりません。
差が出るのは遅い側です。90パーセンタイルの15.4分は、処理より大容量ファイルのアップロード時間が大半を占めます。回線が遅ければ、どのツールでもこの時間は避けられません。
用途別のおすすめ
会議ならOtter.ai
会議では文字起こし精度より、確実に録音できることが重要です。通話へ参加して共有・検索できるメモを自動作成するツールなら、録音や配布を誰かが覚えておく必要がありません。
調査・インタビューなら話者ラベルとTXT書き出し
質的調査では、誰の発言かを区別し、正確な箇所を引用できるタイムスタンプが必要です。分析ソフトへ取り込めるプレーンテキストも欠かせません。SonixとTranscribeNextはいずれも対応しています。
機密音声ならローカル版Whisper
無料のオープンソースで、処理は端末内だけで完結します。録音を組織外へ出せない場合、どのクラウドサービスにも代えられない利点です。
無料で使うなら
コマンド操作ができるならWhisper、難しければ登録不要の5分無料プレビューが手軽です。「無料」には、オープンソースで無制限、分数制のトライアル、機能やファイル長に制限のあるWebツールという違いがあります。条件を確認して選びましょう。
字幕ならSRT/VTT対応ツール
動画から取り出したMP3を使う場合、元のタイミングを保持したSRT/VTTを書き出せることが重要です。プレーンテキストだけでは、字幕化で最も手間のかかる作業が残ってしまいます。
MP3を文字起こしする手順
1. 元のMP3をアップロードします。 メッセージアプリなどで再圧縮されたコピーは避けてください。
2. 言語を確認します。 冒頭が音楽や無音の場合、自動検出が誤ることがあります。
3. 複数人が話す場合は話者分離を有効にし、処理後に`話者1`、`話者2`を実名へ一括変更します。
4. 音声と照合しながら確認します。 固有名詞、数字、略語、発話が重なった箇所を重点的に見ます。
5. 次の作業に合わせてTXT、Markdown、DOCX、PDF、SRT、VTT、JSONのいずれかで書き出します。 日本語などのCJK文字を含む文字起こしはPDF書き出しに対応していないため、DOCXなどを選んでください。
ツール選びより影響の大きい失敗
手元のファイルで試す
本記事の測定にはTranscribeNextの処理系を使いました。同じ条件を手元の音声で確かめられるよう、各MP3の冒頭5分は登録なしで無料文字起こしできます。用意されたデモではなく、最も難しい自分のファイルで判断してください。
出力の見た目を先に確認したい場合は、再生できる3つの文字起こし例で会議、インタビュー、留守番電話を比較できます。動画ならMP4の文字起こし、インタビューならインタビュー文字起こしの書式、M4AならM4Aをテキストへ変換する方法もご覧ください。
---
*ビットレート検証：Sausalito Historical Society「Oral Interview w. Sally Stapp」（1985年1月5日）から5分間を使用。California RevealedおよびInternet Archive（casauhs_000095）、Public Domain Mark 1.0。同一マスターをLAMEで320、128、64、32kbpsへ変換し、2026年8月2日に同一条件で文字起こし。大文字・小文字と句読点を正規化して単語単位で比較しました。集計値は2025年10月9日〜2026年7月31日のTranscribeNext本番データ。競合数値は2026年8月時点の各社公表値です。*