2026年版、研究論文とインタビューに最適な文字起こしツール

研究に適した文字起こしツールの選び方は、参加者が話す言語、研究方法が求める精度、そして出力がコーディングソフトウェアとどう連携するか、この3つの要素で決まります。 学術インタビューの文字起こしは、一般的な文字起こしよりも難しい作業です。インタビューは60〜90分に及び、専門分野の用語が一般的なAIモデルを悩ませ、さらに出来上がったテキストは論文で引用されることになるからです。

このガイドでは、そうした制約を踏まえて8つのツールを紹介します。2026年7月時点の価格を確認済みで、それぞれが実際の研究ワークフローのどこに当てはまるかを正直に述べています。

研究用文字起こしの特徴とは

10分の記者会見を文字起こしするジャーナリストと、90分の半構造化インタビューを文字起こしする質的研究者では、求めるものがまったく異なります。研究者に必要なのは次の点です。

• 複数話者のダイアライゼーション（二者面談やグループインタビュー向け）
• 専門用語への対応（分野固有の用語、機関名、参加者の仮名）
• 長時間ファイルのサポート（ほとんどのインタビューは45分を超える）
• CAQDASソフトウェアと互換性のある書き出し形式（NVivo、MAXQDA、Atlas.ti、Dedoose）
• 一度きりの品質ではなく、データセット内の複数ファイルにわたって一貫した精度

以下のツールは、一般的な文字起こしのベンチマークではなく、こうした基準に照らして評価しています。

比較表

Otter.ai：コーパス検索に最強

複数のインタビューを実施し、データセット全体を検索する必要がある研究者にとって、Otterは標準的なツールです。 30件のインタビューをコーディングしていて、全ファイルから「intersectionality」や特定の参加者のフレーズの出現箇所をすべて見つけたい場合、Otterの文字起こしワークスペースは、このリストのどのツールよりも優れた処理をしてくれます。

Proプランは月額$16.99（年払いなら月額$8.33）で、月1,200分と最大10ファイルのインポートが含まれます。.eduメールアドレスを持つ研究者は20%割引を受けられ、年額でおよそ月額$6.67になります。無料プランは月300分、1セッションあたり30分の上限がありますが、契約前にツールを評価するには十分です。

Otterの弱点：強いアクセントや英語以外の言語での精度は、業界平均を下回ります。複数話者の話者分離は、2人なら信頼できますが、3人以上になると明らかに精度が落ちます。

Trint：多言語調査に最強

Trintの最大の強みは、Otterと比べた多言語対応です。54言語の翻訳に対応し、RTL（右から左）表記のスクリプトもきれいに扱える共同編集エディタを備えています。 国際的なフィールドワークや、言語グループをまたいだ比較研究を行う場合、この広さは大きな意味を持ちます。

Starterプランは年払いで1席あたり月額約52ドル（月7ファイル）、月払いなら1席あたり80ドルです。Advancedプランは年払いで1席あたり月額約60ドル（ファイル無制限）。どちらのプランも席単位の課金なので、研究チームにはコストがかさみます。完全無料のプランはなく、トライアルのみです。

Trintの弱点: この価格帯では、利用頻度が低い場合に費用対効果が見合いにくいです。学期に5本のインタビューを処理するだけなら、月額52〜80ドルは割に合いません。また、Starterプランのファイル上限は、データセットを一括で処理したい研究者にとってはストレスになります。

Sonix: エディタのワークフローとCAQDAS書き出しに最強

Sonixの文字起こしエディタは、このカテゴリで最も洗練されています。 音声に同期した修正、高速なキーボードショートカット、複数の文字起こしファイルをまたいだ一括検索・置換は、NVivoやMAXQDAに取り込む前に文字起こしのクリーンアップに時間をかける研究者にとって、最適なツールです。タイムスタンプを保持したSRT書き出しは、MAXQDAのタイムスタンプ同期機能と直接連携します。

価格設定はこの中で最も柔軟です。従量課金は1時間あたり10ドルなので、90分のインタビューなら15ドルです。サブスクリプションプランは月額25ドル（Core、5時間）から月額80ドル（Pro、40時間）まであり、どのプランでも追加時間は1時間あたり10ドルです。月に3〜4本のインタビューを行う研究者には、Coreプランがちょうど良い入り口です。

Sonixの弱点: 1時間ごとの従量課金は、大規模なデータセットには手間がかかります。90分のインタビューを50本処理する場合、従量課金だと750ドルになります。この規模になると、サブスクリプションプランや定額制の代替サービスの方が魅力的です。

Descript: コンテンツ制作も行う研究者に最強

Descriptは文字起こしと音声・動画編集の境界線を曖昧にする。 文字起こしを編集すれば音声も同時に編集され、フィラーワードを一度の操作で両方から削除できる。公開研究の一環としてインタビュークリップを共有したい研究者、ポッドキャスト制作、マルチメディア学位論文を手がける人にとって、この統合ワークフローは多くの手間を省いてくれる。

Hobbyistプラン（月額16ドル、年払い）には月約10時間の文字起こしが含まれる。Creatorプラン（月額24ドル、年払い）はAI機能がさらに充実し、インタビューと並行して定期的にコンテンツ制作を行う研究者に向いている。

Descriptが純粋な研究用途で物足りない点: バッチ処理に対応していない。NVivoにクリーンなDOCXファイルをできるだけ早く取り込むのが主目的なら、編集優先のインターフェースはかえって邪魔になる。ワークフローの違いを直接比較したDescriptとOtterの比較を参照してほしい。

Happy Scribe: ヨーロッパ言語に最も強い

バルセロナ拠点のHappy Scribeは、ヨーロッパ言語、特にスペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、オランダ語で平均以上の精度を誇る。 EU加盟国でのフィールドワークや、正確性の証明が求められるEU資金プロジェクトに取り組む研究者にとって、任意の人間によるレビュー層（約1.75ユーロ/分から）は、プラットフォームを切り替えることなく認定済みの出力を提供する。

プランは約8.50ユーロ/月（Basic、AI利用120分、年払い）から、19ユーロ/月（Pro、AI利用600分）、59ユーロ/月（Business、AI利用6,000分）まで。価格はユーロ建てなので、米ドルでのコストは為替レートで変動することに注意。無料層では10分のトライアルが利用できる。

Happy Scribeが物足りない点: ヨーロッパ以外の言語カバレッジがまばら。カスタム語彙機能はあるものの、OtterやSonixほど発展していない。

Rev: 逐語的な正確性が絶対条件の場合に最強

会話分析や談話分析、あるいは文字起こしがすべての言い間違い、言い直し、重なりを捉えなければならない方法論においては、Revの人間による文字起こしが依然として信頼できる選択肢です。 AI文字起こしの精度が90〜95%ということは、1分間の音声あたりおよそ10〜15個のエラーが発生するということです。テーマ別コーディングには許容範囲ですが、行単位の言語分析には向きません。

Revの人間による文字起こしは1分あたり$1.99です。90分のインタビュー1本で約$179。20本のインタビューなら、1つの研究につき約$3,580になります。着手する前に、その金額を研究予算に組み込んでおいてください。AIのPAYGプランは1分あたり$0.25、90分で約$22.50で、Sonixと競合しますが、洗練されたエディタはありません。

私の見解: それを必要とする特定の方法論にとって、人間による文字起こしは今でもコストに見合う価値があります。それ以外の用途では、注意深いレビューを挟んだAIが今や標準であり、RevのAIプランは機能面でSonixやOtterを選ぶ理由になるほどの差別化ができていません。

Microsoft 365 Transcribe: Word中心のワークフローに最強

所属機関がMicrosoft 365サブスクリプションを契約しているなら、Wordに組み込まれた文字起こし機能は、追加コストなしで低頻度利用を始めるのに妥当な出発点です。 標準のM365サブスクライバーは月300分を利用できます。Microsoft 365 Copilotライセンス保有者は、2025年後半から月30,000分に引き上げられました。

統合が最大の利点です。文字起こしの出力がWord文書に直接入り、注釈を付ける準備が整います。品質は、クリーンな英語音声に対する他の一般的なAI文字起こしツールとほぼ同等です。

限界がある点: 一部の設定では話者分離が限定的で、専用ツールより対応言語が狭く、CAQDAS連携用のタイムスタンプ書き出しもない。Word中心のワークフローにすでに深く浸かっている研究者なら、試す価値はある。NVivoやMAXQDAでコーディングする人にとっては、書き出しの制限がすぐに障害になる。

ConvertAudioToText: 定額料金と手間いらずの開始で最強

Proプランは月額$9.99で、99以上の言語の文字起こしが無制限、AI要約、話者ラベル、11の構造化テンプレート付きで、そのうち1つはインタビュー出力専用に設計されている。 予測可能な月額コストでインタビューデータ一式を処理する研究者にとって、この定額制はこのリストで最も手頃なサブスクリプションだ。

また、短いファイルならアカウント作成不要で開始でき、サンプルクリップで文字起こし品質を評価する際に便利。有料プランに入れば、ファイルごとや分ごとの使用量を追跡する必要もない。

率直に評価すると、クリーンなスタジオ音声の純英語文字起こしは、OtterとSonixが同等にこなす。ここでの強みは、商用カバレッジが弱い言語と、学術年度全体でのインタビュー1件あたりのコストにある。

既存のインタビュー録音でこのツールを試したいなら、インタビュー文字起こしツールはアカウント不要でアップロードを受け付ける。

研究コンテキストに応じた選び方

言語が第一のフィルターだ。 2話者の英語中心のインタビューなら、コーパス検索機能でOtter、文字起こし編集に時間を費やすならSonix、予算が最優先ならConvertAudioToTextから始める。ヨーロッパ言語ならHappy ScribeかTrint。商用AIカバレッジが弱い言語では、データセットを確定する前に複数のツールをサンプルクリップでテストすること。

ボリュームが料金モデルを決める。 年間10インタビュー時間未満なら、SonixのPAYG（従量課金）は1時間あたり10ドルでコストを抑えられる。年間10〜50時間なら、月額9.99〜25ドルのサブスクリプションが妥当だ。年間50時間を超えるなら、定額制サブスクリプションがほぼ常に分単位や時間単位の課金より安くなる。

方法論が精度の下限を決める。 テーマ分析、グラウンデッド・セオリー、現象学、その他類似の解釈的アプローチでは、90〜95%のAI精度で十分だ。テーマやパターンをコード化するのであって、正確な単語数を数えるわけではない。一方、会話分析や談話分析では、Revや専門の学術サービスによる人手の文字起こしが、コストに関係なく方法論的に正しい選択であり続ける。

CAQDASのエクスポート形式は、研究者が思う以上に重要だ。 DOCXはNVivo、MAXQDA、Atlas.ti、Dedooseで対応している。SRTとVTTは、特にMAXQDAとAtlas.tiでタイムスタンプ同期を可能にし、コードをクリックすると音声の該当箇所にジャンプできる。タイムスタンプ同期をワークフローに組み込むなら、ツールがタイムコードを保持したSRTをエクスポートできるか確認してほしい。プレーンテキストだけでは不十分だ。オーディオファイルからコード化データまでの全工程をカバーするステップバイステップの手順は、インタビュー録音の文字起こし方法を参照。

実践的なインタビュー文字起こしワークフロー

2026年にほとんどの質的研究者が使うパターンは次の通りだ。

1. 専用のオーディオ機器か、静かな環境で外付けマイクを使って録音する。ノートPC内蔵マイクは避ける。
2. インタビュー直後、内容がまだ頭に新しいうちに選んだ文字起こしツールへアップロードする。
3. 数分でAIによる一次文字起こしを取得する。
4. 最初の60秒と、専門用語や参加者名が最も密集している部分をスポットチェックする。
5. 固有名詞、仮名、分野特有の専門用語について軽い修正をかける。
6. コーディングソフトが想定する形式でエクスポートする。ほとんどのツールではDOCX、MAXQDAやAtlas.tiでタイムスタンプ同期が必要ならSRT。

音質が一貫して悪い研究（フィールド録音、電話インタビュー、強い背景ノイズ）では、データセット全体を人による文字起こしに回すのではなく、特定のファイルだけを対象にアップグレードする。コストは大きく、AIがどうしても復元できない箇所にだけ恩恵がある。コストのトレードオフについては、AI vs. 人による文字起こしを参照。

予算計画と複数話者の精度が次の論点なら、1時間あたりの文字起こしコストと話者分離の解説が役立つ。

よくある質問

AI文字起こしは質的研究のコーディングに十分な精度ですか？

ほとんどのテーマ別・解釈的コーディングには、はい。現代のAI文字起こしは、標準的なアクセントの明瞭な音声で90〜95%の精度に達し、テーマ、カテゴリー、パターンの特定には十分だ。会話分析や談話分析は例外で、これらの方法論では言い間違い、重なり発話、沈黙を含む逐語的な正確さが求められる。そのため、人による文字起こしか、AI出力の丁寧な手動修正が依然として必要になる。

NVivo、MAXQDA、Atlas.tiに最適な文字起こし形式はどれですか？

DOCXは、4つの主要なCAQDASツール（NVivo、MAXQDA、Atlas.ti、Dedoose）すべてにおいて、最も移植性の高いフォーマットです。タイムスタンプ同期機能を使って、引用をクリックすると元の音声が再生されるようにしたい場合、MAXQDAとAtlas.tiは、タイムコードが保持されたSRTおよびVTTファイルも追加で受け付けます。このガイドで紹介するツールのほとんどはDOCXを書き出せますが、タイムスタンプ同期がワークフローに重要なら、SRT対応を確認してください。

非英語のインタビューやコードスイッチングにはどう対応すべきですか？

幅広い対応を謳う英語優先の汎用ツールではなく、対象言語を明示的にカバーしているサービスから始めましょう。Happy Scribeはヨーロッパ言語を平均以上の精度でカバーしています。Trintは54言語の翻訳サポートを宣伝しています。アフリカ言語、東南アジア言語、または話者が地域言語と英語を文の途中で切り替える録音の場合、低リソース言語のトレーニングが強いモデルをベースにしたツールを探し、フルデータセットに取り組む前に、短いテストクリップで必ず検証してください。

2026年、研究において人間による文字起こしが依然として意味を持つのはいつですか？

3つのシナリオがあります。(1) 会話分析や談話分析。方法論上、非流暢性がマークされた逐語的な正確さが求められる場合。(2) 制度的審査委員会や資金提供機関が99%以上の文書化された正確さを要求する、法的にセンシティブなフィールドワーク。(3) 強いアクセントや劣化した音声で、AIツールが一貫して失敗する場合。Revの現在の人間による文字起こしレートは1分あたり$1.99で、90分のインタビューはおよそ$179になります。ほとんどの質的研究では、このコストは今やデフォルトではなく例外です。

出典

• Otter.aiの料金ページ: https://otter.ai/pricing (2026年7月確認)
• Trintの料金(第三者検証済み): https://brasstranscripts.com/blog/trint-pricing-2025-premium-journalism-media-costs (2026年7月確認)
• Sonixの料金ページ: https://sonix.ai/pricing (2026年7月確認)
• Descriptの料金: https://www.descript.com/pricing (第三者による要約を2026年7月確認)
• Happy Scribeの料金ページ: https://www.happyscribe.com/pricing (2026年7月確認)
• Revの料金ページ: https://www.rev.com/pricing (2026年7月確認)
• Microsoft 365 Wordの文字起こし制限: https://learn.microsoft.com/en-us/answers/questions/5276301/about-microsoft-365-word-transcribe (2026年7月確認)
• ConvertAudioToTextの料金: https://convertaudiototext.com/pricing (2026年7月確認)