ブログ / ChatGPTやGeminiで文字起こしする方法と限界

3つの方法 — Record・チャット添付・API

「ChatGPTで文字起こし」と一口に言っても、入口は3つあり、できることがまったく違います。

1. ChatGPT Record(録音専用機能)。 macOSアプリの録音モードで、有料プラン(Plus/Pro/Business/Enterprise/Edu)が対象です。1セッション最大4時間の録音に対応し、複数話者に「Speaker 1」などの話者ラベルを付けられます。録音した音声は文字起こし後に削除されると公式に説明されています(転写テキストの学習利用はプランと設定によります)。長時間・話者分離に対応する一方、macOSアプリ限定で、既存の音声ファイルの処理ではなく「その場の録音」が主用途です。
2. チャット画面へのファイル添付。 音声ファイルを添付して「文字起こしして」と頼む方法です。ただしOpenAIの公式サポートファイル一覧に音声形式は明記されておらず、利用環境・プラン・時期によって挙動が異なります。短い音声メモが文字になることもありますが、公式に保証された文字起こし経路ではないため、仕事の録音を任せる方法としては一般化できません。
3. 開発者向けAPI。 OpenAIのAudio API(アップロード上限25MB。話者分離対応モデルあり)や、GeminiのAPI(1プロンプト最大9.5時間の音声に対応。話者の識別はプロンプトで指示)を使う方法です。長時間・話者分離まで扱えますが、従量課金とプログラミング知識が前提で、一般ユーザー向けではありません。

数分の音声メモをたまに文字にしたいだけなら、これらで足りる場面もあります。無料手段の全体像は 無料ツールの記事 にまとめています。

仕事で使うときの注意点

1. 方式ごとの制限を混同しない。 「4時間いける」のはRecord(macOSアプリ・有料プラン)の話で、チャット添付やAPIには別のサイズ・時間制限があります。自分が使う入口の条件を確認してから録音を任せてください。
2. 「要約されてしまう」問題(チャット添付の場合)。 チャットの生成AIは会話の全文を忠実に書き起こすより、内容をまとめようとする性質があります。逐語で欲しいのに要約が返ってくる、話し言葉が勝手に整えられる、長い音声の途中が飛ぶ——といった挙動は、議事録や取材では致命的です。
3. データの扱い。 どの方式でも音声はサーバーに送信されます。加えて、消費者向けプランでは入力が学習に使われる設定が既定の場合があります(「学習に使われる」の中身)。仕事の録音を渡す前に、設定と規約の確認が必須です。

正しい役割分担 — 「起こす」と「読む」を分ける

生成AIが本当に強いのは、文字起こしそのものより起こした後のテキスト処理です。おすすめの分担はこうです。

WhisperHUBはこの2工程を1本にしたアプリです。文字起こしはWhisper系エンジン、要約は同梱のローカルLLMが担当し、どちらの工程でも音声・テキストがPCから出ません。機密性の高い録音でこの分担をやりたい場合、「起こす」も「読む」もローカルで完結できるのが違いです(社外秘録音の扱い方)。