文字起こしを字幕ファイルに変換
音声と文字起こしを同期して、タイムコード付きSRTを生成
動画の台本、編集済みの文字起こし、講演のテキスト、ズレてしまった既存のSRTなど、手元にテキストがある場合に最適です。音声ファイルとテキストをアップロードすれば、実際の音声に合わせて開始・終了時間を自動計測し、SRTやVTTとして出力します。元の文面は一切変更せず、タイミングだけを付与します。10 分までの録音なら完全無料。それ以上の長さでも、一回払い $5 で最長 6 時間まで処理できます。
- 音声・動画ファイル1点（最大 2 GB、最長 6 時間まで。使い放題（Unlimited プラン）なら最長 12 時間）
- テキストを直接貼り付けるか、TXT、DOCX、SRT、VTT、ASS、SBV形式でアップロード
- 原文をそのまま維持。AIによるリライトや言い換えは一切なし
- 元の改行を保持。長文は最大2行の字幕に適切に分割
- ズレたSRTの文面はそのまま、音声に合わせてタイミングだけを再設定
- 音声認識で取得した単語単位の時間情報を、コード処理でテキストと正確に照合
- 10 分まで完全無料、長時間のファイルも最初の部分は無料 · 録音全体は一回払い $5
生成されるファイルの特徴
ご用意いただいたテキストが、音声と完全に同期した番号・タイムコード付き字幕ファイルになります。
- 各キューに元のテキストがそのまま入り、実際に発声されたタイミングに基づいた開始・終了時間が付与されたSRTおよびVTTファイル。
- 1キューあたり最大2行（半角約42文字／全角約20字程度）。文や節の区切りで自然に分割されます。
- SRTやVTTをアップロードした場合は、キューや改行位置を完全に維持したまま、タイムコードだけを更新。
- キューの順序は正確で重複がなく、読むのに十分な表示時間を確保。
- BOM付きUTF-8形式で出力。旧型のプレーヤーやテレビでも日本語などの文字化けを防ぎます。
- 画面上でテキストを微修正した内容は、ダウンロードするファイルにも反映されます。
チャットボットとの比較
AIチャットアシスタントでも文字起こしをSRT形式に変換することはできます。しかし長時間のファイルでは各行がいつ話されたかを「聴く」ことができないため、出力されるタイムスタンプは単なる推測にすぎません。
| 項目 | AIチャットボット | 本ツール |
|---|---|---|
| 数行程度のSRTフォーマット変換 | 時間を手動で指定すれば問題なし | こちらも対応可能。10 分まで完全無料 |
| 音声と正確に一致するタイミング | でっち上げや均等割り付けになり、音声からズレる | 実際に発声された正確なタイミングを取得 |
| 1時間の文字起こし | 1回の返答には長すぎて途中で止まる | 1件の作業で最長 6 時間まで対応 |
| 原文どおりの文面 | 勝手に要約・言い換え・省略される | 一文字も変えずに原文を維持 |
| タイミングがズレたSRTの修正 | 一定時間を一括でズラす推測処理のみ | すべてのキューを音声から再計測して同期 |
| YouTubeや編集ソフトに読み込めるファイル | チャット画面からテキストをコピーする必要あり | SRT・VTTファイルをそのままダウンロード |
文字起こしと音声を同期する手順
-
1
音声とテキストを追加する
音声・動画ファイル（MP3、M4A、WAV、MP4、MOVなど）をドロップし、テキスト（TXT、DOCX、SRTなど）をアップロードするかボックスに直接貼り付けます。Google DriveやDropboxの共有リンク、ダイレクトリンクからの指定も可能です。
-
2
必要に応じて言語を設定
音声の言語は自動検出されますが、冒頭に音楽が入っている場合や、冒頭だけ外国語を話している場合などは手動設定が有効です。
-
3
最初の部分を確認してダウンロード
最初の部分がタイミング付きキューとして画面に表示されます。タイミングに問題がなければ、$5 の一回払いで録音全体のロックを解除し、SRTやVTTをダウンロードしてください。
AIチャットアシスタントでは正確なタイミングを付けられない理由
文字起こしをSRTの形式に並べるだけならAIチャットアシスタントでも簡単です。しかし難しいのはタイミングの算出です。「12分41秒3からこの文が始まる」と特定するには、音声を実際に聴き取ってその文を見つけ出す必要があります。テキストしか見ていないチャットアシスタントは、長時間のファイルになるとタイムスタンプを均等に割り振ったり適当に創作したりするため、分が進むにつれて音声とのズレがどんどん大きくなってしまいます。
本ツールでは、音声認識モデルを使って聞き取ったすべての単語のタイムスタンプを取得します。そしてAIではなく専用プログラム（コード）により、ユーザーのテキストとそれらの単語を照合します。双方に一度だけ現れるフレーズを「アンカー（基準点）」とし、アンカー間の単語を1つずつマッチングさせていきます。音声認識が聞き間違えたり、「十三」を「13」と表記したり、単語を聞き落としたりした箇所は、前後の単語から時間を補間します。そのため、出力ファイル内の文面は常に元のテキストのまま保たれます。
主な活用シーン
- 台本をもとに動画を撮影し、実際の音声と完全に一致する字幕を作成したい動画クリエイター
- 編集済みのテキスト原稿から、動画配信用にSRT字幕を作成したいポッドキャスターやジャーナリスト
- インタビュー、公聴会、講義などの書き起こしテキストに、内容確認用のタイムスタンプを付けたい場合
- 別バージョンや過去のカットの字幕でタイミングがズレてしまったものを、現在の音声に合わせて再調整したい場合
- 教材テキストと音声を同期再生させたい語学学習者や教育関係者
きれいに同期させるコツ
テキストが実際に話された内容に近いほど、タイミングの精度は上がります。相づち（「えーと」など）の削除、固有名詞の修正、語尾のわずかな違い程度なら問題ありません。ただし、テキストに存在しても実際には一切発言されていない段落があると、対応する音声が存在しないため前後の隙間に詰め込まれてしまいます。そうした箇所は事前に削除しておくことをおすすめします。長時間の音楽や拍手、別言語のパートは自動でスキップされるため、前後の行には影響しません。
字幕の区切り位置を自分で細かく制御したい場合は、テキストを1字幕1行として改行してください。全角約40文字（半角約84文字）を超える長い行は、文や節の区切りで自動分割されます。既存の字幕レイアウトを完全に維持したい場合は、SRTやVTTファイルを直接アップロードしてください。キューや改行位置はそのままに、時間だけが書き換えられます。
精度と制限事項
タイミングの精度は音声認識の精度に依存するため、主要な言語で明瞭に話されている音声で最も高くなります。アムハラ語、ティグリニャ語、ソマリ語、ダリー語、クルド語、ビルマ語、パシュトー語については汎用AIモデルから単語時間を取得するため精度がやや劣ります。無料の最初の部分で仕上がりをご確認ください。複数の話者が同時に発言している場合や、声の裏で大きな音楽が鳴っている場合は、開始・終了タイミングがわずかにズレることがあります。
1件の作業につき、音声ファイル1点とテキスト1点を処理します。本ツールは元のテキストを維持したままタイミングを付与するものです。まだ文字起こしがない場合は「長時間の音声・動画の文字起こし」ツールを、音声から直接字幕を生成したい場合は動画字幕ツールをご利用ください。
用途別の同期ページ
よくある用途別のページです。クリックすると最適な設定があらかじめ選択された状態でツールが開きます。
原稿とナレーション音声を同期してSRTファイルを生成
原稿を書き上げ、ナレーションを録音したら、あとはセリフに合わせてタイミングよく表示される字幕が必要です。音声や...
続きを読む →既存の文字起こし原稿をタイムスタンプ付きSRTに変換
インタビューやポッドキャスト、講義の文字起こしがすでにある場合（手動作成や文字起こしサービス作成など）、足りな...
続きを読む →ズレていくSRT字幕を音声に合わせて再同期
最初は合っているのに徐々にズレていく字幕や、編集カットが異なるバージョンの字幕は、全体を一律に数秒ずらすだけで...
続きを読む →YouTubeの原稿を字幕ファイルに変換
自動生成字幕は、人名や専門用語、製品名などを誤認識しがちで、YouTube Studioで1行ずつ修正するには手間がかかりま...
続きを読む →料金
短い録音・最初の部分
無料
10 分までの録音なら、ダウンロードも含めてアカウント不要ですべて無料で同期できます。それ以上の長い録音でも、最初の部分の行がタイムスタンプ付きで画面に表示されます。無料アカウントを作成すると、さらに多くの部分を確認できます。
録音全体
$5
最長 6 時間までの録音とテキストに対応した一回払い。SRTおよびVTT。サブスクなし。
使い放題（Unlimited プラン）
$19 / 週
サイト上のすべてのツールが利用可能で、1件の作業につき最長 12 時間の録音に対応。毎週更新、いつでも解約可能。
よくある質問
文字起こしテキストをタイムスタンプ付きのSRTにするにはどうすればよいですか？
録音ファイルをアップロードし、文字起こしテキストを貼り付けるかTXTまたはDOCXファイルとしてアップロードしてください。音声に基づいて各行にタイムスタンプが付与されます。無料の最初の部分を確認後、$5 で録音全体をロック解除してSRTをダウンロードできます。
ChatGPTで原稿を音声と同期させることはできますか？
ChatGPTでも原稿をSRT形式に整えることはできますが、長時間の録音では各行がいつ発話されたかを聞き取ることができないため、出力される時間は推測となり徐々にズレてしまいます。本ツールは音声認識から単語ごとの正確なタイミングを取得し、お手元のテキストと照合します。
テキストの文言が勝手に変更されることはありますか？
いいえ、変更されません。ファイルには入力されたとおりのテキストがそのまま保持されます。音声認識は、各単語が発話されたタイミングを特定するためにのみ使用されます。
ズレてしまったSRT字幕のタイミングを修正できますか？
はい、可能です。録音ファイルとSRTまたはVTTファイルをアップロードしてください。各字幕のテキストと改行はそのまま保持され、音声に合わせて新しいタイムスタンプが付与されます。一括シフトでは直せないタイミングのズレ（ドリフト）も解消できます。
テキストと録音の内容が完全に一致していない場合はどうなりますか？
多少の違いであれば問題ありません。抜けている単語や言い換えられた単語は、前後の単語のタイミングに基づいて処理されます。ただし、音声内でまったく発話されていない一節が丸ごと含まれている場合は、合わせる音声が存在しないため、あらかじめ削除しておいてください。
どの言語に対応していますか？
発話されている言語は自動検出されます。また、認識のヒントとして 77 言語から指定することも可能です。利用者の多い主要言語で最も高い精度が得られます。まずはご希望の言語で無料の最初の部分をお試しください。
料金はいくらですか？
10 分までの録音ならすべて無料です。それ以上の長い録音は、最長 6 時間まで一回払いのみの $5 です。使い放題（Unlimited プラン）は週額 $19 （毎週更新）で、1件の作業につき最長 12 時間までご利用いただけます。
録音データのプライバシーは保護されますか？
作成したジョブを開けるのはご本人のみです。録音データは処理目的でのみAIモデルプロバイダーに送信され、モデルの学習に使用されることはありません。アカウント不要で開始されたジョブは 7 日後に自動削除されます。また、いつでもご自身でジョブを削除できます。
2026年10月25日更新 · APPFACT STUDIO LTD