2026年Windows向け文字起こしソフト、検証済みベスト

ほとんどのWindows環境では、クリーンな文字起こしへの最短ルートは、お使いのハードウェアに合ったツールを選ぶことです。Microsoft 365をすでに契約しているならWord Transcribe、ミッドレンジのノートPCならWebツール、NVIDIA GPU（VRAM 8GB以上）を搭載しているならローカルのWhisperX、という具合です。以下のカードで、その選択肢を整理しました。

Windowsでの文字起こしは、Macと決定的に異なる点が1つあります。Apple Siliconチップのおかげで、MacBookならどの機種でもローカルのWhisperが高速に動作します。一方Windowsでは、統合グラフィックスのノートPC（ローカルWhisperは非現実的）からRTX 4090搭載デスクトップ（Whisper Large-v3がほぼリアルタイムで動作）まで、ハードウェアの幅が広いのです。このばらつきがあるため、「正しいツール」はワークフローと同じくらい、お使いのPCの性能に左右されます。

Windowsネイティブの選択肢

Microsoft Word Transcribe（M365）

多くのWindowsユーザーが見落としている、標準搭載の選択肢です。

• 価格: Microsoft 365サブスクリプションに含まれる
• 無料枠: 月300分（Business/Enterprise/Edu）、月200分（Personal/Family）、Copilotライセンスで月30,000分
• 対応言語: 幅広い（Azureベース、ファイルアップロード時の正確な数は非公開）
• 出力形式: 話者ラベル付きのWord文書、クリップボードへのコピー＆ペースト
• プライバシー: クラウド（Microsoft Azure）、M365テナント内に留まる
• Windowsとの相性: 良好。Windows版のデスクトップWord（Microsoft 365）限定、EdgeまたはChromeが必要

Wordの文字起こし機能（挿入 > 文字起こし）を使えば、.wav、.mp4、.m4a、.mp3ファイル（最大300MB）をアップロードして、タイムスタンプと話者ラベル付きの文字起こしをWord内で直接取得できます。インタビューメモや会議の録音を月に数回文字起こしする程度で、すでにM365を契約しているなら、追加コストはゼロです。主な制限は、SRT/VTTエクスポート非対応、AI要約なし、そして高頻度で使うと月300分の上限がすぐに達してしまう点です。M365 Copilotサブスクライバーは、Microsoftのサポートドキュメント（2026年6月確認）によると、月30,000分と100倍に引き上げられます。

音声入力（Win+H、標準搭載）

ファイルの文字起こしではなく、ライブのディクテーション用です。

• 価格: 無料、Windows 11に標準搭載
• 無料枠: 無制限（ライブのみ、ファイルアップロード不可）
• 対応言語: 46言語、Azureクラウド搭載
• 出力形式: 任意のテキストフィールドにテキスト入力、書き出し機能なし
• プライバシー: Azure経由のクラウド処理、インターネット接続必須
• Windowsとの相性: ネイティブ対応、あらゆるWindowsアプリのテキストフィールドで動作

Win+Hを押すと音声入力ツールバーが開きます。話すと、アクティブなテキストフィールドに文字が入力されます。これはWordやOutlook、ブラウザのフォームへのディクテーション用です。音声ファイルは受け付けません。Fluid Dictation（Copilot+ PC限定）では、リアルタイムの文法修正やフィラーワードの除去が追加されます。私の見解: 音声入力は短いメモやメールには過小評価されている機能ですが、録音の文字起こしが必要なら、以下のツールのいずれかを使うべきです。

Subtitle Edit（無料、オープンソース）

字幕中心の文字起こしに最適な無料Windowsアプリ。

• 価格: 無料
• 無料枠: 無制限（ローカル処理）
• 対応言語: 99言語（Whisperモデル）
• 出力形式: SRT、VTT、ASS、およびほとんどの字幕形式
• プライバシー: 完全オフライン、音声はPC内に留まる
• Windowsとの相性: ネイティブWindowsアプリ、洗練されたGUI

Subtitle Editは、よくメンテナンスされたオープンソースのWindowsアプリケーションです。ビデオ > 音声からテキスト（Whisper）で、OpenAI、Faster Whisper、whisper.cppなど、複数のWhisperエンジンをダウンロードして実行できます。専用GPUを搭載したFaster Whisperは、ローカル処理で最速の選択肢で、Subtitle Editをインストールすればコマンドライン操作は不要です。セットアップは5〜10分かかります。ビデオコンテンツを制作していて、タイミング制御付きの無料字幕生成が必要な人には、これが最適な選択です。話者ごとのラベルが必要な場合は、話者分離の解説も参照してください。

WhisperX（NVIDIA GPU、コマンドライン）

専用NVIDIA GPU搭載のWindowsユーザー向け最適なローカルオプション。

• 価格: 無料
• 無料上限: 無制限（ローカル処理）
• 対応言語: 99
• 出力形式: TXT、SRT、JSON（スクリプト制御）
• プライバシー: 完全: ローカル処理、インターネット不要
• Windowsでの適合性: Python、CUDA Toolkit 12.8、8GB以上のVRAMが必要。セットアップに30〜60分

WhisperXは最速のオープンソースWhisper実装で、話者分離機能も備えています。RTX 3060以上なら実用的なワークロードを問題なく処理できます。トレードオフはセットアップ時間です。CUDA Toolkit、Python、PyPI経由のWhisperXをインストールし、必要に応じてHugging Faceトークンを設定して話者分離を有効にします。定期的に文字起こしを行うWindows開発者や技術ユーザーにとっては、実質無料で無制限の文字起こしと完全なプライバシーを手に入れられる計算です。それ以外の人にとっては、セットアップのコストが見合いません。

Webベースのツール（任意のWindows PC、任意のブラウザ）

これらのツールはChrome、Edge、Firefoxで動作します。GPUやPythonのセットアップは不要です。

TurboScribe

低コストで大量の生文字起こしを行う場合に最適。

• 価格: 月額$10（年払い）、月額$20（月払い）
• 無料上限: 1日3ファイル、各30分まで。クレジットカード不要
• 対応言語: 98以上
• 出力形式: TXT、DOCX、SRT、VTT、PDF
• プライバシー: クラウド（ベンダーサーバー）
• Windowsでの適合性: ブラウザのみ。Edge、Chrome、Firefoxで動作

TurboScribeはWhisperを使用し、インターフェースは最小限です。ファイルをアップロードして文字起こしを得るだけです。無料プランはたまに使う分には十分で、1日3ファイル（各30分）まで対応します。年払いの月額$10プランでは、1ファイル最大10時間までアップロード無制限です。AI要約や構造化出力テンプレートはありません。AIによる後処理が必要なら、エクスポートして好きなツールに貼り付けるだけです。このシンプルさは、トラブルが起きる余地がほとんどないことでもあります。自分で文字起こしを処理したいジャーナリストや研究者には良い選択肢です。会議用途でOtterと比較する場合は、turboscribe vs otterをご覧ください。

Descript

トランスクリプト表示で編集するWindowsポッドキャスターや動画クリエイターに最適。

• 価格: 無料（月60分）、Hobbyist 年額$16/月、Creator 年額$24/月
• 無料枠: 月60メディア分
• 対応言語: 英語、スペイン語、フランス語、ドイツ語、ポルトガル語、その他
• 出力形式: TXT、SRT、VTT、編集済み音声・動画の書き出し
• プライバシー: クラウド
• Windows対応: ネイティブWindowsデスクトップアプリ、最適化済み

Descriptは純粋な文字起こしツールではありません。トランスクリプトが編集を駆動する音声・動画エディタです。トランスクリプト内の段落を削除すると、音声も消えます。Overdubを使えば、タイピングするだけでミスを修正できます。このワークフローは、ポッドキャスト制作やYouTube動画編集で本当に役立ちます。無料枠は2025年後半に月60メディア分へ拡大され、評価用に使いやすくなりました。ネイティブWindowsアプリは洗練されており、WSLやコマンドラインツールは不要です。

Otter.ai

Zoom、Meet、Teamsで会議が多いWindowsユーザーに最適。

• 価格: 無料（月300分）、Pro 年額$8.33/席、Business 年額$19.99/席
• 無料枠: 月300分、1会話あたり30分上限、ファイルインポートは生涯3回まで
• 対応言語: 英語が中心
• 出力形式: TXT、DOCX、SRT
• プライバシー: クラウド
• Windows対応: ネイティブWindowsアプリとブラウザ、Outlook・Googleカレンダーとの同期

Otterのミーティングボットは、カレンダーを接続すると自動的に通話に参加します。無料枠は月300分ですが、ファイルアップロードは生涯3回のみなので、ライブ会議の録音を中心に設計されています。Proは年額$8.33/席で、アプリ内録音が月1,200分、ファイルインポートが月10回に拡大されます。Windowsネイティブアプリは安定しています。TeamsやZoomの会議が多く、録音ボタンを押し忘れても自動で文字起こしが欲しいなら、Otterが最も明確な選択肢です。最有力の競合との直接比較は、descript vs otterをご覧ください。

Fireflies.ai

会議データをCRMに連携するWindows営業チーム向け。

• 価格: 無料、Pro は年間シートあたり $10、Business は年間シートあたり $19
• 無料枠: チームあたり 400 分の保存容量（ベンダー資料による）、AI クレジット 20 個
• 言語: 60 以上と主張、英語が最も強力
• 出力形式: TXT、DOCX、SRT
• プライバシー: クラウド
• Windows での使い勝手: ブラウザとデスクトップ通知、Teams、Zoom、Meet 用のミーティングボット

Fireflies は CRM への自動プッシュで Otter と差別化しています。Business プラン（年間シートあたり $19）は、各通話後に会議の要約、アクションアイテム、取引データを Salesforce や HubSpot に自動で送信します。営業プロセスが CRM を通じて動いているなら、その自動化は大きな時間節約になります。無料枠の 400 分保存容量は、忙しいチームだとすぐに埋まってしまいます。AI クレジット制度（無料と Pro で 20 個）は一部のプレミアム AI 機能を制限しており、クレジットは毎月ではなく一度きりのプールなので、使い切ると終わりです。それぞれがどこで勝つかを詳しく知りたい場合は、fireflies vs otter の正直な比較 をご覧ください。

ConvertAudioToText

アカウント作成なしでファイルをアップロードしてクリーンな文字起こしを得るのに最適。

• 価格: 無料（10 分が一度だけ）、$9.99/月で無制限
• 無料枠: 文字起こし 10 分、サインアップ時に一度だけ付与（1 日 3 ファイル、各 10 分）
• 言語: 99
• 出力形式: TXT、DOCX、SRT、VTT、PDF
• プライバシー: クラウド、処理後に音声は削除
• Windows での使い勝手: ブラウザ、エクスプローラーからのドラッグ＆ドロップ

CATT はサインアップの壁なしで即座に文字起こしを開始します。ファイルが 1 つだけで、ミーティングボットを設定したり別のアカウントを作ったりしたくない場合にぴったりです。無料枠はサインアップ時に一度だけ付与される 10 分で、1 ファイルあたり 10 分までなので、それより長いものには有料プランが必要です。ミーティングボットやフルエディタなしでクリーンな文字起こしだけが必要なら、音声からテキストへのツール がブラウザタブで処理してくれます。

比較表

Windowsのハードウェア事情

内蔵グラフィックス搭載ノートPC（個別GPUなし）： ローカルのWhisperはCPUだけでは実用的な速度が出ません。クラウドツールが正解です。Word Transcribe、TurboScribe、Otterはどれもブラウザで動作し、ハードウェア要件はありません。

個別NVIDIA GPU搭載のWindowsノートPC（RTX 3050以上）： Subtitle EditとFaster WhisperまたはWhisperXの組み合わせが使えるようになります。音声処理を定期的に行い、プライバシーを重視するなら設定する価値があります。

RTX 3060以上のWindowsデスクトップ： WhisperXとLarge-v3、ダイアライゼーションの組み合わせが快適に動作します。話者ラベル付きの無料無制限ローカル文字起こしが実現可能です。CUDA Toolkit 12.8が必須の依存関係です。

2018年以前の古いPC、GPUなし： クラウドツールのみです。ローカルのWhisper Largeでは音声処理がリアルタイムを大きく下回る速度になります。

Snapdragon X搭載Windows ARM（2025〜2026年）： クラウドツールは問題なく動作します。Windows ARMでのローカルWhisperは2026年半ば時点で最適化が進んでおらず、x86のCUDAパスに比べてMLアクセラレーションのサポートが限られています。

WindowsでのワークフローTips

OBS Studioの録画: OBSはAACオーディオ付きのMKVまたはMP4で保存します。どちらの形式も、ここに挙げたすべてのクラウドツールにそのままアップロードできます。ゲームオーディオや画面キャプチャをYouTube用に録画する場合、Subtitle EditとローカルのWhisperモデルを組み合わせれば、複数ファイルをオフラインで一括処理できます。

Teams会議の録画: Microsoft Teamsの録画はMP4として保存されます。Teamsプレミアムライセンスをお持ちなら、Teams独自のネイティブなライブ文字起こしも利用可能です。会議後のファイル文字起こしに関しては、Microsoft 365エコシステム内に留まれるWord Transcribeが最も手間のかからない選択肢です。

サウンドレコーダー（標準搭載）: Windows 11のサウンドレコーダーは、そこそこの品質でM4Aファイルを保存します。ファイルはデフォルトでドキュメントフォルダに保存されるので、ブラウザベースのツールにドラッグ＆ドロップするだけです。

技術者向けのWSL2: Windows Subsystem for Linux 2を使えば、NVIDIA GPUへのCUDAパススルーを含む完全なLinuxコマンドラインアクセスが得られます。Whisper、WhisperX、faster-whisperをLinuxとまったく同じように実行でき、バッチ自動化スクリプトに便利です。

クラウドAPIオプションのコスト内訳については、音声文字起こしAPIの価格2026をご覧ください。

プライバシー: ローカル vs クラウド

ローカルオプション（WhisperX、ローカルWhisper付きSubtitle Edit）: 音声はWindows PC上に留まります。機密性の高い作業に最適です。サブスクリプションも不要で、データ保持ポリシーを読む必要もありません。

クラウドオプション（Word Transcribe、TurboScribe、Otter、Fireflies、Descript、CATT）: 音声はベンダーのサーバーにアップロードされ、そこで処理されます。ほとんどのベンダーは処理後に音声を削除しますが、ポリシーはさまざまです。HIPAAに敏感な作業や弁護士とクライアント間の業務には、ローカル優先が適切なデフォルトです。一般的な業務利用には、クラウドサービスが実用的です。

FAQ

Windowsには音声ファイル用の標準文字起こし機能がありますか?

はい、2つの方法があります。Word Transcribe（Microsoft 365サブスクリプションが必要）では、最大300MBの音声ファイルをアップロードでき、Business/Enterprise/Educationプランでは月300分、Personal/Familyプランでは月200分の文字起こしが可能です。Copilotライセンスを持つMicrosoft 365ユーザーは月30,000分利用できます。別途、音声入力（Win+H）はWindowsのすべてのテキストフィールドでライブディクテーションに対応しますが、録音済みの音声ファイルは処理できません。

Windows版のローカルWhisperはMacと同じくらい速いですか？

それは完全にGPU次第です。RTX 3060以上ならApple Siliconと同等かそれ以上のWhisper速度が出せますし、ハイエンドのRTX 4080/4090なら現在のどのMacよりも優れています。問題はばらつきです。Windowsのハードウェアは統合グラフィックス（ローカルWhisperには極端に遅い）から専用NVIDIA GPU（非常に速い）まで幅があります。統合グラフィックスではローカルWhisperは実用的ではなく、クラウドサービスが適切な選択肢です。

Word Transcribeを使うべきか、有料の文字起こしツールを使うべきか？

すでにMicrosoft 365を契約していて、たまに文字起こしをするだけなら、まずWord Transcribeを試す価値があります。Business/Enterpriseプランでは月300分が追加費用なしで利用できます。出力は話者ラベル付きのWord文書です。不足している点としては、SRT/VTT書き出しがない、AI要約がない、月間上限が固定されている、というところです。ポッドキャスト、動画字幕、または定期的な大量処理には、DescriptやTurboScribeのような専用ツールの方が出力形式が豊富で制約も少ないです。

機密性の高いコンテンツでクラウド文字起こしサービスを使えますか？

可能性はありますが、アップロード前にベンダーのデータ保持ポリシーを確認してください。ほとんどのサービスは処理後に音声をすぐ削除しますが、ポリシーはさまざまです。コンプライアンス重視の業務（HIPAA、法務、弁護士と依頼者の関係）では、WhisperXやローカルWhisperモデルを使ったSubtitle Editのようなローカルオプションがより安全です。音声がPCから出ることはありません。どうしてもクラウドを使う必要があるなら、HIPAAまたはSOC 2認証を明示しているサービスを探してください。

出典

• Microsoft Word 文字起こしサポートページ（2026年7月確認）
• Otter.ai 料金ページ（2026年7月取得）
• Fireflies.ai 料金ページ（2026年7月取得）
• Descript 料金ページ（2026年7月取得）
• TurboScribe 料金（2026年7月検索で確認、直接取得は403エラー）
• WhisperX PyPI および CUDA 要件（2026年7月検索で確認）
• Subtitle Edit 公式サイト（2026年7月検索で確認）
• Microsoft 音声入力ドキュメント（2026年7月検索で確認）