1時間の音声を数分で文字起こしする方法（正直な所要時間）

クラウドAI文字起こしサービスで1時間の音声ファイルを処理する場合、所要時間は数時間ではなく、合計で数分だ。 ただし、その「数分」という表現には実際のところかなりの幅があり、その差は無視できない。例えば、60 MBのMP3ファイルを高速な回線でアップロードし、待ち行列がなければ2分以内で完了する一方、同じファイルでもアップロードが遅く、サービスが混雑していると15分かかることもある。この記事では、時間を左右する要素を具体的に分解し、どうすれば最短時間に近づけられるかを解説する。

従来の計算と新しい計算

1時間の録音を手動で文字起こしするには、集中してタイピングを続けても4〜6時間かかる。英語話者の会話速度は平均して毎分130〜150語程度で、1時間の音声はおおよそ8,000〜9,000語に相当する。高速な文字起こしタイピング速度である毎分70語でも、巻き戻しや曖昧な単語の確認、最終的な校正を考慮する前から、純粋なキー入力だけで2時間以上かかる。

人間によるサービスを利用すれば、チームのパイプラインで時間は短縮されるが、コストは現実的だ。例えばRevは、人間による文字起こし層で音声1分あたり約$1.99という料金を公開しており、標準納期は12時間以内（2026年7月時点のRevの公開サービス条件による）。つまり、1時間のファイルなら約$120かかり、しかも数時間待つことになる。

クラウドAI APIは音声をリアルタイムより速く処理する。実際の比率はエンジンやサーバーの負荷によって異なるが、処理そのものは待ち時間の主因ではない。本当に待つのは、アップロード、待ち行列での順番、そして処理の3つだ。それぞれを理解することが、現実的に最良の結果を得る鍵となる。

時間を左右する3つの要素

アップロード時間

一般的な家庭用回線を使うユーザーにとって、ここが最もばらつきの大きい部分だ。ファイル形式の影響が最も顕著なのもこの段階で、以下の通り:

• 1時間のMP3（128 kbps）: 約57〜60 MB
• iPhoneで撮影した1時間のMOV（1080p 30fps）: 約3〜4 GB
• 1時間のWAV（無圧縮、ステレオ）: 約640 MB

50 Mbpsのアップロード回線なら、60 MBのMP3は10秒未満で送れます。3 GBのMOVだと8〜9分近くかかります。ファイルが動画で、回線が平均的な速度なら、アップロード前に音声に変換するのが最も効果的な対策です。

音声からテキストへのツールはMP3、M4A、WAVを直接受け付けます。動画からテキストへのツールはサーバー側で音声トラックを抽出するので、回線が速い場合や、ローカルでの変換手順を省きたい場合に適しています。

キューの待ち時間

クラウドの文字起こしサービスは、処理キューを通してジョブを実行します。ピーク時には、処理が始まるまで30秒から数分、キューで待つことがあります。オフピーク時はほぼ即座に始まります。これは全体の時間の中で最も予測しにくく、自分で制御できない部分ですが、サービスが過負荷でない限り、全体を支配することはほとんどありません。

このキューがあるからこそ、送信後にページを監視する必要はありません。送信したら、離れて、戻ってくるだけ。 結果はアカウントに保存されます。

処理時間

処理が始まれば、最新のクラウド音声認識APIは、録音済み音声に対してリアルタイムより速く動作します。正確な倍率はエンジン、モデルサイズ、インフラの負荷によって異なります。CATTのパイプラインで1時間のファイルを処理する場合、開始後は通常2〜8分程度かかり、クリーンな単一話者の英語ファイルは短め、ノイズの多い複数話者ファイルは長めになります。

正直なまとめ: 一般的な1時間のMP3なら、送信から文字起こし完了までの実時間は通常5分未満です。回線が遅い場合や大きな動画ファイルの場合は、合計15分以上かかることもあります。

これらの時間見積もりがさまざまなユースケースでどう比較されるかの背景については、2時間の会議の文字起こし時間の期待値で同じ枠組みを長いファイルに適用しています。

実際のワークフロー

ステップ1: アップロード前にファイルを準備する

ここで数分の準備をしておくだけで、他のどんな最適化よりも時間を節約できます。

アップロード速度が50 Mbps未満なら、動画を音声に変換する。 3 GBのMOVファイルは、処理にかかる時間よりもアップロードに時間がかかります。動画編集ソフトがあれば、そこから音声を書き出せます。持っていない場合も、VLCやFFmpegで無料で変換できます。

先頭の無音部分はカットする。 最初の言葉が始まるまでの90秒間の音楽や無音部分も、音声コンテンツと同じように処理されます。切り落としましょう。文字起こしがきれいになり、処理も少し速くなります。

ソースがモノラルならモノラルで送る。 256 kbpsのステレオファイルは、128 kbpsのモノラルファイルの2倍のアップロードサイズになります。録音が単一マイクからのものなら、アップロード前にダウンミックスしてもコストはかからず、アップロード時間を節約できます。

後処理を施したファイルではなく、生のファイルを送る。 ノイズリダクション、イコライザー、リバーブを適用する録音ツールは、音声認識にとってはかえって悪影響になることがあります。音声AIは自然な会話音声を想定しています。元のファイルを使いましょう。

ステップ2: 言語を明示的に設定する

自動検出は数秒余分にかかり、音楽や無音、非音声のイントロで始まるファイルではたまに誤判定します。言語がわかっているなら、送信前に明示的に設定しましょう。

英語のみのファイルの場合、言語を設定すると、一部のエンジンではトピック検出や感情分析といった追加機能も使えるようになります。非英語の音声については、話者分離の解説の記事で、文字起こしレイヤーでの多言語処理の仕組みを確認できます。

ステップ3: 送信して、あとは待つだけ

ファイルをアップロードして言語を設定したら、やることは何もありません。ブラウザのタブを開いたままにする必要もありません。結果はアカウントに保存されるので、いつでも戻って確認できます。

高頻度のワークフロー向けには、転写APIがウェブフックをサポートしているので、ポーリングではなく通知を受け取れます。どのサービスがウェブフックコールバックをネイティブにサポートしているかは、2026年向け最高の音声認識API比較をご覧ください。

実際に数分を節約するファイル準備

最大の成果は、送信ボタンを押す前の判断から生まれます。

バッチアップロードでオーバーヘッドを削減。 1時間のファイルが5つある場合、1つずつ順番に送信すると、キュー待ちが5回発生します。サービスが許可している場合はバッチ送信することで、キューのオーバーヘッドを1回に抑えられます。

不要な再エンコードを避ける。 すでに圧縮されたMP3をアップロード前にWAVに変換すると、品質を向上させずにファイルサイズが大きくなるだけです。ロスレスでないファイルを別のロスレスでないコーデック（たとえばM4AからMP3）で再エンコードすると、アーティファクトが追加されます。動画や非常に高いビットレートのロスレスでない限り、手持ちのフォーマットをそのまま送信しましょう。

送信前に音声レベルを確認し、送信後には確認しない。 録音が非常に静かだったりクリッピングしていたりすると、転写結果にはエラーが全体に散らばります。送信前に音声を約-14から-16 LUFSにノーマライズするのは、AudacityやAdobe Auditionで2分の作業ですが、編集後の修正を10分節約できます。転写精度の解説の記事によると、ラウドネスと信号の明瞭さは、出力品質の最も強い予測因子の一つです。

転写結果が届いて最初の5分間にやること

私の見解では、最も賢い動きは的を絞ったスポットチェックであり、全体を聞き直すことではありません。

転写結果を開いて、次の場所にジャンプします：

1. 最初の30秒（名前、固有名詞、導入部分は早い段階で転写され、残りのパターンを設定します）。
2. 途中にある、専門用語が登場する技術的なセグメントの1つ。
3. 録音の最後の2分間。

3つのサンプルがクリーンなら、残りもほぼ常にクリーンです。AI文字起こしのエラーは、固有名詞、頭字語、ブランド名に集中します。ファイル全体にランダムに散らばるわけではありません。1時間の文字起こしに対する5分間のスポットチェックで、重要な部分の90%は捕捉できます。

構造化された出力（話者ラベル付きの会議メモ、ポッドキャストのショーノート、インタビュー要約）の場合、会議文字起こしツールとポッドキャスト文字起こしワークフローは、生の文字起こしができた後、フォーマットを自動で処理します。

時間を文脈に置く

数時間かかる手動ワークフローから数分の自動化ワークフローへの移行は、そもそも何を文字起こしする価値があるかを変えます。90ドルと12時間の待ち時間なら、最も重要な録音だけがコストに見合います。定額月額料金と5分の総ワークフローなら、その閾値はほぼゼロに下がります。

「重要なものだけ文字起こしする」から「全部文字起こしして後で決める」への反転こそ、本当の複利効果が生まれる場所です。すべての会議、すべてのインタビュー、すべてのクライアント通話の検索可能なアーカイブは、理想ではなく実用的な資産になります。ただし、それは時間とコストの障壁が十分に低く、文字起こしを意図的な決定ではなくデフォルトとして扱える場合に限ります。

ミーティングボットやアカウント設定なしでクリーンな文字起こしが必要なら、ConvertAudioToTextはアップロードを直接受け付け、サインイン不要で処理を開始します。新規アカウントには7日間のフルアクセス試用期間が含まれます。

さまざまな文字起こしサービスの1時間あたりのコストを完全に比較するには、1時間あたりの文字起こしコストの内訳を参照してください。

よくある質問

AIで1時間の音声ファイルを文字起こしするのにどれくらい時間がかかりますか？

合計の所要時間は、アップロード速度、待ち時間、処理時間の3つで決まります。60 MBのMP3なら、50 Mbpsの回線で約10秒でアップロードできます。待ち時間はサービスの負荷によって変わります。処理自体は、最新のクラウドAPIなら実時間より速く完了します。ほどほどに圧縮された音声ファイルで、そこそこの回線を使っているほとんどのユーザーなら、提出から数分以内に文字起こしが手に入ります。ただし、大きな非圧縮ファイルや遅い回線だと、10〜15分かかることもあります。

音声品質は文字起こしの速度に影響しますか？

音声品質が主に影響するのは精度であり、速度ではありません。ノイズが多いファイルや複数話者のファイルでも、処理時間はクリーンなファイルとほぼ同じです。品質によって変わるのは、後から出力を修正するのに費やす時間です。

文字起こしに最も速くアップロードできるファイル形式は？

128 kbpsのMP3は、音声1時間あたり約58〜60 MBです。同じ1時間をスマホの1080p MOVで撮ると、およそ3〜4 GBになります。ファイルが大きいと、アップロード時間が支配的です。回線が遅いなら、アップロード前に動画を音声に変換しておくと、全体の作業で数分節約できます。

1時間の音声を無料で文字起こしできますか？

無料枠を提供しているサービスはいくつかあり、分単位の制限があります。ConvertAudioToTextには無料枠があり、サインアップ時に一度だけ10分の文字起こしが付与され、さらに新規アカウントには7日間の全機能トライアルがあります。無料プランで1時間のファイルを処理するには、有料プランかトライアルが必要です。Revのような人間による文字起こしサービスは、人間による作業で1音声分あたり約$1.99かかるため、1時間のファイルなら$120になります。

出典

• Revの人間による文字起こしサービスページ: https://www.rev.com/services/human-transcription (2026年7月時点で確認、約$1.99/分、標準納期12時間)
• Revのターンアラウンドタイムに関するヘルプ記事: https://support.rev.com/hc/en-us/articles/18859196207629-Turnaround-Times
• Deepgramの音声認識ベンチマーク: https://deepgram.com/learn/speech-to-text-benchmarks
• VirtualSpeechの平均話速: https://virtualspeech.com/blog/average-speaking-rate-words-per-minute
• 音声ファイルサイズ計算ツール(MP3、128 kbps): https://www.omnicalculator.com/other/audio-file-size