ガイド

2 時間の録音を文字起こしする方法

長いファイルは、短いファイルでは起きない形で失敗します。分単位の課金、アップロードの制限、メモリ、そして途中から同じ文の繰り返しに崩れていく文字起こしです。

30 August 2026

10 分のボイスメモなら、たいていのツールで問題なく文字起こしできます。2 時間の役員会議は別の問題で、多くのツールは 4 つのはっきりした形のいずれかでうまく扱えません。

長い録音がうまくいかない理由を突き止めようとしているなら、この記事が地図になります。

壊れるのはこの 4 つ #

1. 分単位で払っている場合の価格 #

クラウドの文字起こしはたいてい音声の分単位で売られています。一般的な単価なら、2 時間の録音 1 本で数ドルです。一度なら問題ありませんが、習慣にすると痛みます。毎週 2 時間の会議を録音するなら、コーヒーを淹れている間にノートパソコンができることのために、はっきり実感できる額のサブスクリプションを抱えることになります。

4 つの中でこれがいちばん簡単に解決できます。ローカルの文字起こしには分単位のメーターがありません。そもそもメーターというものが存在しないからです。

2. アップロード時間とファイルの制限 #

2 時間の WAV は数百メガバイトになることがあります。ホテルの Wi-Fi でそれをアップロードすると、会議そのものより時間がかかりますし、多くのサービスはファイルサイズや長さに上限を設けていて、単純に受け付けません。

そこで手が伸びる回避策が、アップロード前にファイルを圧縮したり分割したりすることですが、これは品質を犠牲にし、4 番目の項目にある境界の問題を生みます。

3. 自分のマシンでのメモリ #

ローカルで文字起こしする場合、ツールは音声を生のサンプルとしてメモリに保持しなければなりません。16 kHz の 2 時間は float サンプルで約 470 MB あり、Whisper はその上に同程度の大きさのスペクトログラムを作ります。

RAM が 16 GB の Mac なら誰も気づきません。iPhone では、ファイル全体を素朴に読み込むアプリは途中でシステムに強制終了されます。一部のモバイル文字起こしアプリが黙ってファイル長に上限を設けていたり、長い録音で理由も説明せずにクラッシュしたりするのはこのためです。

解決策は、ウィンドウ単位で文字起こしすることです。一部分をデコードし、文字起こしし、解放して、次へ進みます。そうすればピーク時のメモリはファイルの長さではなくウィンドウのサイズで決まり、2 時間の録音は 15 分のものとほぼ同じコストで済みます。

4. 文字起こしが途中で崩れる #

これは人を驚かせます。最初の 10 分は完璧に見えるからです。

長い録音には無音が含まれます。会議が始まる前、休憩中、全員が退出した後です。Whisper は渡されたものに対してテキストを生成するので、無音を渡されると同じ表現を繰り返し、ときには何ページにもわたって続きます。その原因については詳しく書きました。自動文字起こしに対する苦情として最も多いものだからです。

2 時間のファイルでは、これは見た目だけの問題ではありません。文字起こしの最後の 4 分の 1 がノイズになりかねません。

きれいに実行するために #

文字起こしできるように録音する #

その後のすべてがここで決まります。長い収録の前に 30 秒考える価値があります。

• エアコンよりも話し手に近い位置にマイクを置く。 役員会議のテーブルの中央にスマートフォンを置くのが典型的な失敗です。全員から等距離ということは、全員から遠いということです。
• 可能なら無圧縮で録音する。 WAV か、通常のビットレートの M4A です。強い圧縮は、似た子音を区別する高周波のディテールをまさに取り除いてしまいます。
• 会議が終わったらレコーダーを止める。 帰り支度の 20 分の物音が、繰り返し問題の材料になります。

言語を明示的に指定する #

自動検出はファイルの冒頭をサンプリングします。録音が 30 秒の室内ノイズで始まっていたり、会議の残りとは違う言語を話す人で始まっていたりすると、検出は誤った選択をして、2 時間そのまま誤り続けることがあります。

言語が分かっているなら指定してください。Offline Transcription では、ファイルの Transcribe ボタンを長押しして言語を直接選べます。異なる言語の録音をまとめて文字起こしするときに、とくに効いてきます。

開始したら別のことをする #

最近の Apple Silicon の Mac なら、2 時間のファイルでも数時間ではなく数分です。オンデバイスのエンジンは実時間の数倍の速さで動きます。古い Intel Mac ではもっと遅いので、眺めているより昼食前に始めるのが賢明です。

実行中にアプリに求めたいのは正直さです。パーセンテージと残り時間があれば、動いているのか固まっているのかが分かります。2 時間のファイルで進捗のないスピナーは、ハングと見分けがつきません。

全体ではなく、境目を確認する #

2 時間ぶんのテキストを校正することはありません。その必要もありません。

長い文字起こしの誤りは、予想できる場所に集まります。人名と略語、最初の 1 分（モデルにまだ文脈がない）、複数人が同時に話す瞬間、そして録音の性質が変わるあらゆる地点です。誰かがスピーカーフォンで参加した、部屋が移動した、動画が再生された、といった場面です。

タイムスタンプ付きのセグメント表示があれば、これは速く済みます。そうした箇所を拾い読みし、おかしく見える行があれば、2 時間の波形をスクラブして探す代わりに、その行の音声を再生してください。

長い録音が山積みになっている場合 #

ファイルごとの細かい話より、キューのほうが重要です。全部まとめてドロップし、順番に実行させて、後で戻ってくればいいのです。ローカルなら、アップロードもファイルごとのコストもないので、1 本ずつ処理する理由はありません。

ファイルごとにやる価値があるのは、言語が異なる場合にそれを指定することだけです。

まとめ #

長い録音は、価格、アップロード制限、メモリ、無音による繰り返しで失敗します。ローカルでの文字起こしは、最初の 2 つを完全に取り除きます。残りの 2 つのためには、ファイル全体を読み込むのではなくウィンドウ単位で文字起こしし、静かな区間がそもそもモデルに届かないよう音声区間検出を実行するツールが必要です。そのうえで、2 時間すべてを読むのではなく、境目を確認してください。

Offline Transcription は、この 2 時間のケースをまさに想定しています。メモリを一定に保つウィンドウ単位の文字起こし、無音が繰り返しテキストに変わらないようにする音声検出、そして今どこにいるのかが分かる残り時間付きのリアルタイム進捗です。Mac と iPhone の両方で、無料でダウンロードして試せます。