文字起こしの費用を下げる方法

料金は「時間」で決まっています

文字起こしサービスの多くは、音声の長さに比例して課金します。 有人の書き起こしなら1時間あたり数千円から2万円前後、 AIによる自動文字起こしでも1時間あたり数百円から千円程度が一般的です。

つまり音声を短くすれば、そのまま費用が下がります。 当たり前のようですが、実際には録音を丸ごと投げている例が非常に多いところです。

2時間の会議をそのまま	2時間ぶんの料金
必要な議論の30分だけ	4分の1の料金

削れる部分は意外と多い

会議や取材の録音には、文字にする必要のない時間がかなり含まれています。

• 開始前の雑談——「聞こえますか」「ちょっと待ってください」の数分
• 資料を読む沈黙——各自が資料に目を通す時間
• 休憩——録音を止め忘れた区間
• 本題と関係のない議題——別部署の連絡事項など
• 終了後の雑談——止め忘れの定番です

2時間の録音で、実際に必要なのは30〜40分ということも珍しくありません。

手順

1. 録音を一度通して聞き、必要な範囲の時刻をメモする——倍速で聞けば短時間で済みます
2. 音声カット・トリミングで、その範囲だけを切り出す
3. 切り出した音声を文字起こしサービスに渡す

当サイトのツールは再生しながら「ここから」「ここまで」を指定できます。 秒数を数える必要はありません。動画ファイルをそのまま読み込ませて、 音声だけを取り出すこともできます。

必要な箇所が複数に分かれている場合は、1回ずつ切り出して別ファイルにしてください。 むしろそのほうが、あとで結果を読むときに整理されて便利です。

音質を上げても精度は上がりません

「高音質にすれば精度が上がるのでは」と考えがちですが、ほとんど変わりません。

音声認識が見ているのは人の声の帯域だけです。 64kbpsでも128kbpsでも、その部分の情報はほぼ同じように残ります。 変わるのはファイル容量とアップロード時間、そして容量課金のサービスなら料金だけです。

動画→MP3変換や 音声トリミングでは、 64kbpsか128kbpsを選んでおけば十分です。

精度を上げたいなら、音質ではなく環境

本当に精度を左右するのは、こちらです。

雑音	エアコン、キーボードの打鍵音、紙をめくる音。これが最大の敵です
マイクとの距離	離れるほど不利。可能なら話者の近くに置く
同時発話	複数人が同時に話すと、まず正確には拾えません
専門用語・固有名詞	社名や製品名は誤変換されます。用語登録できるサービスなら登録しておく

録音の時点で決まる部分が大きいので、 重要な会議はマイクを話者の近くに置くだけでも結果が変わります。

その録音、アップロードしてよいものですか

文字起こしサービスに渡すということは、会議の中身をすべて外部に渡すということです。 人事の話、取引先の名前、未公開の数字が入っていないか、先に確認してください。

切り出す作業そのものは、外部に出さずに行えます。 当サイトのツールはファイルを送信せず、ブラウザの中だけで処理します。 不要部分を落としてから渡せば、外部に出る情報も減ります。 費用だけでなく、この点でも切り出しには意味があります。

よくある質問

無料の文字起こしはありますか？

一定時間まで無料の枠を設けているサービスがあります。切り出して短くしておけば、無料枠に収まることもあります。

切り出すと話の前後が分からなくなりませんか？

切り出す範囲の前後に、それぞれ30秒ほど余裕を持たせてください。文脈を保ちつつ、大幅に短くできます。

複数人の発言を区別できますか？

話者分離に対応したサービスもありますが、精度はまちまちです。マイクが1本の場合はとくに難しくなります。

ステレオをモノラルにすれば安くなりますか？

時間課金のサービスでは変わりません。容量課金の場合は多少減りますが、時間を減らすほうが効果は大きいです。

まとめ

• 料金は時間で決まる。短くすれば直接安くなる
• 雑談・沈黙・休憩を落とすと半分以下になることも多い
• 高音質は無駄。64〜128kbpsで十分
• 精度を決めるのは雑音とマイクの距離
• 切り出してから渡せば、外部に出る情報も減る