ガイド

TXT、SRT、VTT、SBV、CSV、HTML、PDF — どの文字起こし形式を選ぶか

7 つの書き出し形式は、メニューであって判断ではありません。それぞれ別の目的のために存在していて、選び方を間違えると編集ソフトで午後をひとつ無駄にします。

30 August 2026

文字起こしツールは、それぞれが何のためのものかを説明しないまま、書き出し形式の一覧を並べがちです。ここでは判断の指針を、まず表で、次に詳しく示します。

こうしたいとき	使うもの
読む、編集する、貼り付ける	TXT
Premiere Pro や Final Cut Pro で動画に字幕を付ける	SRT
Web 上の動画に字幕を付ける	VTT
YouTube に字幕をアップロードする	SRT（または SBV）
並べ替え、絞り込み、集計をする	CSV
ページとして公開する	HTML
編集されては困る相手に送る	PDF

テキスト系の形式 #

TXT #

言葉だけで、タイミングはありません。読んだり、そこから書き起こしたりするものには、これが妥当な既定の選択です。メモへの貼り付け、文書への流し込み、語句の検索などです。

知っておくべき点として、TXT で書き出した時点でタイミングは失われます。後で音声の中のその瞬間を探す可能性が少しでもあるなら、タイミング付きの形式も一緒に書き出してください。両方持っていてもコストはかかりません。

PDF #

固定された文書です。文字起こしが作業用ファイルではなく成果物であるときに使います。クライアントに記録を送る、書類として保管する、どのマシンでも同じ見た目で、気軽に編集されては困る報告書に添付する、といった場合です。

自分の作業用の控えには使わないでください。PDF からきれいにテキストを取り出すのは面倒です。

HTML #

Web ページとしての文字起こしです。文字起こしを公開する場合、たとえばブログ、ナレッジベース、ポッドキャストのエピソードに添えるアクセシブルな読み物として使うなら、これが適しています。

HTML で文字起こしを公開する理由として過小評価されているのは、検索エンジンがテキストを読み、音声は読まないという点です。文字起こしを公開しているポッドキャストは、音声ファイルだけでは決して得られない見つけられ方をしますし、ポッドキャストにできる最も安価なアクセシビリティ改善でもあります。

字幕系の形式 #

この 3 つはどれも同じ仕事、つまり動画に重ねて表示するためのテキストとタイミングを担い、違いは機能ではなく記法にあります。

SRT #

万能の形式です。どの動画編集ソフトも、どのプレーヤーも、どのプラットフォームも受け付けます。迷ったらこれが答えです。

1
00:00:00,000 --> 00:00:07,000
Good afternoon everyone and welcome
to the second quarter earnings call.

番号付きのブロック、開始と終了のタイムコード、テキスト、空行です。ミリ秒の前がカンマである点に注意してください。

VTT（WebVTT） #

Web の標準で、HTML5 の video が期待する形式です。構造は SRT とほぼ同じですが、重要な違いが 2 つあります。ファイルが WEBVTT の行で始まること、そしてタイムコードのミリ秒の前がカンマではなくピリオドであることです。

WEBVTT

00:00:00.000 --> 00:00:07.000
Good afternoon everyone and welcome
to the second quarter earnings call.

これが、字幕でぶつかる問題として最も多いものです。SRT を .vtt にリネームした、あるいはその逆です。見た目は正しいのに、黙って読み込みに失敗します。理由が分からないまま字幕が拒否されたら、まずこの文字を確認してください。

VTT はスタイルや表示位置も持てますが、SRT はそれができません。必要になることはめったにありませんが、たまにこれを選ぶ理由になります。

SBV #

YouTube 独自の形式で、他の形式を受け付けるようになる前のものです。さらに単純で、タイムコードをカンマで区切り、ブロック番号はありません。

0:00:00.000,0:00:07.000
Good afternoon everyone and welcome
to the second quarter earnings call.

ワークフローが明示的にこれを求めるときに役立ちます。YouTube は今では SRT を問題なく受け付けるので、これは第一候補というより互換性のための選択肢です。

分析向けの形式 #

CSV #

セグメントごとに 1 行で、開始時刻、終了時刻、テキストが列になっています。使おうと思う人が最も少なく、最も多くの可能性を開く形式です。

Numbers、Excel、あるいは Python のノートブックで開けば、テキスト文書では不可能なことができます。

• セグメントを長さで並べ替え、途切れずに続く最も長い箇所を見つける。
• 特定の語を含むすべてのセグメントを、タイムスタンプ付きで絞り込み、引用のインデックスを作る。
• 文字起こしのフォルダ全体で、ある話題が何回出てくるかを数える。
• 多数の録音の文字起こしを 1 つのデータセットに結合して研究に使う。

読むためではなく分析するために文字起こししているなら、たとえばユーザーリサーチ、コンテンツ分析、コンプライアンス審査であれば、TXT と並べて CSV も書き出してください。

実務的な 2 つのルール #

複数の形式で書き出す。 生成にコストはかからず、それぞれ別の問いに答えてくれます。TXT に加えてタイミング付きの形式が 1 つあれば、ほとんどの事態に対応できます。

その上に何かを積む前にファイルを確認する。 自動の文字起こしには誤りが含まれ、この段階で直すのが最も安上がりです。400 個のキャプションを編集ソフトに読み込んでスタイルを当て始める前に、人名と数字に目を通してください。

出どころ #

Offline Transcription は 7 種類すべて（TXT、SRT、SBV、VTT、CSV、HTML、PDF）を、Mac と iPhone の両方で、同じ文字起こしから、録音をどこにもアップロードせずに書き出せます。

字幕そのものが目的なら、SRT を作って Final Cut Pro、Premiere Pro、YouTube に読み込む手順ガイドがあります。