動画・音声・議事録AI

ポッドキャスト文字起こしAIの選び方｜配信をブログに再利用する

※本サイトの記事にはアフィリエイト広告（PR）を含む場合があります

※本記事にはアフィリエイト広告（PR）を含みます。

ポッドキャストや音声配信を続けていると、だんだん惜しくなってきます。30分しゃべった内容が音声ファイルの中だけに眠っていて、検索からは一切見つからない。話した本人にとっては「もう出した話」なのに、テキストとして世に出ていないので誰にも読まれない——これは配信者がほぼ全員ぶつかる壁です。

解決策は文字起こしですが、ここで多くの人が2つの誤解をします。ひとつは「文字起こしをすればそのままブログ記事になる」という誤解。もうひとつは「配信プラットフォームが自動で文字起こししてくれるから、専用ツールはいらない」という誤解です。どちらも半分だけ正しく、半分は違います。

この記事では、音声配信の文字起こしを「聴く人向け」と「読む人向け」に分けて考える方法と、そのうえでツールを選ぶ基準を整理します。料金・無料枠は変動が激しいため、確認できたものには最終確認日：2026-08-24を添え、公式ページで読んだ内容と解説記事などの二次情報を区別して書きます。

ポッドキャストの文字起こしは「聴く人向け」と「読む人向け」で別物

同じ「文字起こし」という言葉でも、目的が2つあります。ここを混ぜると、ツール選びを必ず間違えます。

A. 聴く人向けのトランスクリプト 配信アプリの中で、再生に合わせて表示される字幕のようなテキストです。聴覚に配慮した情報提供や、聞き取れなかった固有名詞の確認に役立ちます。求められるのは「話したとおりであること」で、読みやすさは二の次です。

B. 読む人向けのテキスト（ショーノート・ブログ記事） 概要欄のまとめや、検索から入ってくる読者に向けた記事です。求められるのは「読み物として成立していること」で、話したとおりであることは重要ではありません。むしろ話したとおりだと読めません。

配信プラットフォームの自動文字起こしはAを想定した機能です。Aの出力をそのままBに流用しても、まず読まれる文章にはなりません。 逆に、Bを作るのが目的なら、精度の高い素材を取り出せて編集しやすいツールを別に用意したほうが早い、という話になります。

まずはこの記事で扱う3つの手段を並べておきます。

音声配信 ｜ 文字起こしの手段

ポッドキャストの文字起こし 3つの手段

どれが良い・悪いではなく、目的によって向き不向きが分かれます

費用長い回への対応テキストの再利用
配信プラットフォームの自動文字起こし 例：Spotify ○ 追加費用なし ○ エピソード全体が対象 △ VTTで取得。整形は自分で
専用の文字起こしAIサービス 例：Notta △ 無料枠には分数の上限あり ○ 有料プランは1回5時間まで ○ 編集画面で直してから使える
ローカルで動かすWhisper 自分のPCで処理 ○ ソフト自体は無料 ○ 長さの上限なし △ 導入と待ち時間が必要
  • ※Spotifyの自動文字起こしは「一部の番組」が対象と公式サポートに記載（2026-08-24確認）
  • ※Nottaのフリープランは月120分・1回3分まで（同日、公式料金ページで確認）

AIツールナビ

選ぶときの5つの基準

1. 1回の上限と月あたりの上限を「両方」見る

無料プランのつまずきどころは、ほぼここです。「月◯分まで」という上限とは別に、「1回◯分まで」という制限がかかっていることがあります。

たとえばNottaのフリープランは、公式の料金ページによると月120分まで・1回の文字起こしは3分までです（最終確認日：2026-08-24）。月120分だけ見ると「30分の配信が4回ぶん入る」と思ってしまいますが、1回3分の制限があるため、30分のエピソードをそのまま投げることはできません。有料のプレミアムプランでは月1,800分・1回5時間までとなり、ここで初めて長尺の回が扱えるようになります。

ポッドキャストは1回が20分から60分になりやすい形式です。「1回あたりの上限」を最優先で確認してください。

2. 録音済みファイルをアップロードできるか

配信用の音源はすでに手元にMP3などで存在します。リアルタイム録音しかできないツールだと、この時点で選択肢から外れます。編集済みの完パケ音源を投げられるかどうかを確認しましょう。

3. 話者分離ができるか

ゲスト回や2人以上の対談形式なら、誰の発言かが分かれていないとテキストの価値が大きく落ちます。Nottaは公式の料金ページ上、フリープランを含む全プランで話者識別に対応と記載されています（最終確認日：2026-08-24）。ソロ配信だけなら優先度は下がる項目です。

4. 編集画面で音声を聞き返しながら直せるか

文字起こしには必ず間違いが混ざります。特に番組名・人名・専門用語といった固有名詞は高い確率で崩れます。該当箇所をクリックするとその位置の音声が再生されるタイプの編集画面があるかどうかで、修正にかかる時間が数倍変わります。

固有名詞の誤変換そのものを減らす工夫は文字起こしの精度を上げる方法｜専門用語の誤変換を減らす7つの対策にまとめています。

5. 音声データがどう扱われるか

ゲストの話や、取引先の名前が出る回を外部サービスにアップロードする場合、入力データの取り扱いは利用規約で確認しておくべきところです。取材色の強い番組や、公開前の情報を含む収録を扱うなら、音声を外に出さない選択肢も検討に入ります（ローカル文字起こしツールの選び方｜音声を外に出さず使う基準）。

手段別に見た向き不向き

配信プラットフォームの自動文字起こし

Spotify for Creatorsの公式サポートによると、一部の番組ではエピソードの文字起こしが自動生成されます（最終確認日：2026-08-24）。配信者側でできることは、次のとおりと記載されています。

  • 文字起こしをVTT形式でダウンロードできる
  • 端末上で編集して、再アップロードできる（対応形式はVTTまたはSRT、ファイルサイズは5MBまで）
  • ただし、Spotify for Creators上で文字起こしを直接編集することはできない
  • エピソード単位・番組単位で表示のオンオフを切り替えられる

つまり、追加費用ゼロで「聴く人向けのトランスクリプト」は用意できる一方、修正はダウンロードして手元で行う必要があります。VTTは時間情報が並んだ字幕ファイル形式なので、ブログ記事の材料として使うには時間コードを外す作業が別途かかります。

なお「一部の番組」という条件が付いている点は重要です。自分の番組が対象かどうかは、実際にSpotify for Creatorsの管理画面で確認してください。

専用の文字起こしAIサービス

読む人向けのテキストを作るのが目的なら、ここが本命です。理由は3つあります。

  1. 長尺をそのまま投げられる（有料プランなら1回5時間まで、という水準）
  2. 編集画面で音声と対応させながら直せる
  3. 要約機能で「配信の内容を短くまとめた概要欄」を作りやすい

Nottaの場合、公式料金ページの表記では、AI要約の回数はフリープランが月10回、プレミアムプランが月100回、ビジネスプランが月200回（1アカウントあたり）となっています（最終確認日：2026-08-24）。プレミアムプランは年間契約時の月額が1,185円、ビジネスプランは同2,508円と記載されています。

一点だけ注意すると、要約機能が作るのは「概要」であって「記事」ではありません。 要約は情報を削る処理なので、そのまま貼っても読み物にはなりません。ここは後述する再利用の手順の話につながります。

ローカルで動かすWhisper

OpenAIが公開しているWhisperは、自分のPCやGoogle Colabで動かすぶんには無料で使えると各解説記事で紹介されています。日本語の精度も高い水準にあるとされ、モデルの中ではlarge-v3が最も精度が高いという評価が一般的です。

一方で、解説記事が共通して指摘しているのは処理時間です。CPUだけで動かすと待ち時間が長くなりやすく、GPUのある環境が推奨されるという点は押さえておいてください。10分の音声でも、大きいモデルでは10分以上かかることがあると報告されています。

「毎週1本の配信を淡々と処理する」という使い方なら、初期設定さえ越えれば費用面では最も有利です。逆に、パソコンの設定に時間を使いたくない人には向きません。

そのほかの選択肢

  • 文字起こしさん：公式の料金ページでは1日10分まで無料、有料は1時間あたり25円からと案内されています。短いコーナーだけ文字にしたいときに向く価格帯です。
  • Vrew：動画編集寄りのツールで、解説記事によると無料プランの音声分析は月120分程度が上限です。配信を動画化してYouTubeにも出す場合に候補になります。動画側の文字起こしはYouTube動画を文字起こしするAIツールの選び方も参考にしてください。

文字起こしをブログ記事に再利用する手順

ここが冒頭で触れた「そのままでは記事にならない」の中身です。文字起こしの世界では、仕上げの度合いを3段階で呼び分けます。

音声配信 ｜ テキスト化の3段階

素起こし・ケバ取り・整文はどこまでAIに任せられるか

AIが得意なのは前半で、最後は人の手が要ります

AIによる自動化読みやすさ公開までの手間
素起こし 聞こえたまま書き起こす ○ ほぼ自動で出せる × 読み物としては厳しい ○ 出力してそのまま
ケバ取り 「えー」「あの」を削る △ 要約・整形機能である程度 △ まだ話し言葉のまま △ 削りすぎの確認が要る
整文・記事化 書き言葉に組み替える △ 下書きまでは任せられる ○ 読み物として成立する × 人の確認と手直しが必須
  • ※AIの整文では、話していない内容が補われることがあります。公開前に必ず自分で読み直してください

AIツールナビ

実際の手順は次の4ステップです。

  1. 素起こしを取る：配信音源を文字起こしAIに投げ、テキストを取得します。ここでの取りこぼしは後の工程で復元できないため、精度を優先します。
  2. 固有名詞だけ先に直す：番組名・ゲスト名・商品名など、間違うと問題になる語を検索して置換します。全文を読む必要はありません。
  3. 構成を組み直す：話した順番と、読者が読みやすい順番は違います。「結論 → 理由 → 具体例」の順に並べ替えるだけで読みやすさが変わります。ここからAIに下書きを作らせてもかまいませんが、元の話にない内容が混ざっていないかを必ず確認してください。
  4. 自分の言葉で仕上げる：話し言葉特有の言い回しは、残したほうが味になる部分と、読むと冗長な部分があります。ここは人が判断する工程です。

3の記事化工程を効率化したい場合は、SEO記事の構成づくりから支援するタイプのライティングツールを併用する手もあります。あくまで補助的な選択肢です。

公開前に確認しておきたい注意点

  • ゲストの許諾：対談回のテキストを公開する場合、収録時に「文字起こしを公開する可能性がある」と伝えていたかを確認してください。音声では流していても、検索でヒットするテキストになると届く範囲が変わります。
  • 雑談で出た固有名詞：会話の流れで出た店名・企業名・人名が、テキストになると文脈から切り離されて読まれることがあります。削るかぼかす判断をしてください。
  • 数字と事実の裏取り：話しながら言った数字は記憶ベースであることが多く、そのまま活字にすると誤りが残ります。テキスト化のタイミングで確認するのが安全です。
  • AIが補った文の削除：整文をAIに任せると、話していないつなぎの一文が入ることがあります。自分の発言として公開される以上、ここは自分で読んで落とす必要があります。
  • 「完全無料」の見方：無料で使えるツールは多いものの、多くは条件付きです。「月120分まで」「1日10分まで」といった上限を、自分の配信の長さと本数に当てはめて計算してから決めてください。

よくある質問

Q. Spotifyが自動で文字起こししてくれるなら、有料ツールはいらないのでは？ A. 「聴く人向けのトランスクリプトを用意する」だけが目的なら、そのとおりです。ただし公式サポートには自動生成は一部の番組が対象と書かれており、テキストを取り出せる形式はVTT（時間情報つきの字幕形式）です。ブログ記事の材料として整形して使いたいなら、専用ツールのほうが手数は少なくなります。

Q. 無料で全部済ませることはできますか？ A. 配信の長さと本数によります。10分程度のショート配信を週1本なら、無料枠の範囲でも回せる可能性があります。40分の回を週2本といったペースだと、無料枠の分数上限に早い段階で当たります。まず1本ぶんの長さを測ってから判断してください。

Q. 文字起こしをそのまま記事として公開してもいいですか？ A. おすすめしません。素起こしのテキストは同じ内容の繰り返しや言い直しが多く、読者が最後まで読み通せる形になっていないためです。手を入れる時間が取れないなら、全文ではなく「その回の要点を箇条書きにしたショーノート」に絞るほうが実用的です。

Q. ゲスト回で誰の発言か分かるようにするには？ A. 話者分離（話者識別）に対応したツールを選びます。ただし自動判定は完璧ではないため、冒頭で各自が名乗っている音源のほうが結果が安定しやすい傾向があります。

Q. 過去回をまとめて処理したいのですが。 A. 月あたりの分数上限に注意してください。過去50回分を一気に処理しようとすると、たいていの無料枠・月額プランでは足りません。反響の大きかった回から順に処理するほうが現実的です。

こんな人におすすめ

  • 配信は続いているのに、検索から人が来ない人：話した内容がテキストとして存在しないことが原因である可能性が高く、文字起こしからの記事化は効果が見込みやすい取り組みです。
  • ゲスト対談を定期的にやっている人：話者分離のあるツールを使えば、対談記事という形の資産に変えられます。
  • 概要欄を毎回書くのが負担な人：要約機能を使えば、ショーノートの下書きまでは短時間で用意できます。

逆に、台本を作ってから収録している人には、この流れはあまり向きません。台本のほうが整った文章になっていることが多く、そちらを記事の土台にするほうが速いためです。また、雑談中心で構成のない番組も、記事化の手間が大きくなりがちです。

まとめると、ポッドキャストの文字起こしは「聴く人向け」と「読む人向け」を分けて考え、後者を作るなら素材の精度と編集のしやすさで専用ツールを選ぶのが近道です。まずは無料枠で1本ぶんを文字にして、自分の話し方でどこまで通用するかを測ってみてください。

※料金・無料枠・機能は執筆時点のものです。最新は各公式でご確認ください。

あわせて読みたい

参考にした情報