聞き取り番 — 多言語の音声・動画を文字に、外国語は日本語訳まで

会議の録音、取材の音声、外国語の講義動画。 聞いて書き起こす作業を機械に渡すための、Macで動く操作盤です。 ファイルを選んで「開始」を押すと、テキストになって返ってきます。

外国語の音声なら、原語のテキストに加えて日本語訳も作ります。 どちらにもタイムスタンプが付くので、元の音声のどこの話か追えます。 日本語の音声の書き起こしも、行ごとに時刻の付いたテキストで受け取れます。

月額ではありません

買い切りです。文字起こしの処理には Groq の API を使い、 その料金は1時間の音声あたり約6円（$0.04/時・2026年9月時点）。 無料枠の範囲で収まる使い方も多く、月に数本の会議なら課金に届かないこともあります。

月30時間を使う場合で比べると、月額制の文字起こしサービスが年1万4千円前後かかるのに対し、 こちらはAPI代が年2千円ほどです。 APIキーはご自身で取得していただきます（無料で作れます）。 取得したキーは画面に貼るだけで保存でき、その場で使えるかどうかを確認して表示します。

ネットを使わない選択肢もあります

音声を外に出したくない場合は、Mac内だけで処理する方式も選べます。費用はかかりません。 ただし処理にかかる時間はMacの世代で大きく変わり、古い機種では非常に遅くなります。 2017年製の Intel MacBook Pro での実測では、1時間の音声におよそ9.5時間かかりました。 Apple Silicon 搭載機ではこれより速くなるはずですが、当方に実機がなく計測できていません。

Groq を使う場合、音声はGroqのサーバへ送信されます。 翻訳の場合は、書き起こしたテキスト全文も送信されます（訳文の生成にAIを使うため）。 翻訳にMac内だけで完結する選択肢はありません。この点をご承知おきください。

できること

言語は自動で判定します。固定したい場合は16言語から選べます。 日本語・英語・中国語・韓国語・スペイン語・フランス語の音声で、自動判定が当たることを確認しています。

長い音声も扱えます。送信できる大きさを超えるものは自動で区切って処理し、ひとつのテキストにつなぎ直します。 処理中に画面もターミナルも閉じて構いません。次に開いたとき結果が残っています。

文書にそのまま貼れる「コピペ用」のテキストも作ります。書き起こしは話の途中で行が切れるため、 切れた行をつないで段落にまとめたものです（原文・訳文とも）。

長い動画の翻訳がGroqの1日の利用枠に届いたときは、訳せた分を残して止まり、 枠が戻ってから「続きを翻訳する」で残りだけを訳します。 「文字起こし」のまま外国語の動画を処理してしまっても、あとからボタン1つで日本語に訳せます（1.0.7）。

数時間の配信のような長い動画は、Groqの1時間あたりの利用枠に届いても、回復を待って自動で続けます。 それでも止まったときは書き起こせた所まで保存してあり、「続きから再開する」で残りだけを送ります（1.0.8）。

ファイルを選ぶと、動画か音声か・長さ・大きさがその場に出ます。 違うファイルを選んだまま始めて、何十分も待ってから気づく、を防ぎます。 音声の入っていない動画はその場でお知らせします。この情報はジョブの一覧にも残るので、 あとから「何を処理したのか」が分かります（1.0.9）。

誰も言っていない「ご視聴ありがとうございました」を書きません。 無音や音楽の部分を「誰かが喋った」と取り違えて、覚えている定型句を書き出してしまうのは、 文字起こしAIに共通する癖です。これを取り除きます。普通の速さで喋った言葉は消しません。 外した行は時刻と理由を添えて別ファイルに残るので、もし本物だった場合は戻せます（1.0.11）。

講義や会議の録画を、後から読み返す

動画を処理するとき、画面が大きく変わった瞬間を静止画として保存できます。 講義やプレゼンは、音声だけでは図や表が残りません。 画像のファイル名には時刻が入るので、書き起こしの同じ時刻と照らし合わせられます。

拾う細かさは4種類から選べます。どれを選んでも、動画の最初の画面は必ず保存されます。

• ふつう … パソコンの画面録画など
• 講演向け・細かく … スライドと話者が映る、固定カメラの動画
• スライドだけ … 同じデザインのスライドが続く動画
• 30秒ごと … 手持ちのスマホで撮った動画

手持ちのスマホで撮った動画は、手ぶれのためスライドの切り替わりを自動で判定できません。 30秒ごとに保存する方式になり（1時間でおよそ120枚）、同じスライドが続けて保存されることがあります。 書き起こしと翻訳は手ぶれの影響を受けません。

処理が終わったら「タイムラインのHTMLファイル出力」を押してください。 画像を左、その間の発言を右に並べた1枚のHTMLができます。 ブラウザで開けば、上から読むだけで話の流れを追えます。 「PDFファイル出力」を押せば、同じ内容をA4のPDFで保存できます。

出力先を指定しておくと、2026-09-21_会議の記録/ のような 日付と題名の付いたフォルダにまとめます。何本も処理したときに、 どれがどの録画のものか分からなくなりません。

実際の出力を見る

教室でスマホで撮った講義を想定して当方が作った動画（アニメで再現、1分47秒）を実際に処理し、 出力に手を加えずに置いています。手持ちの揺れと部屋の響きが入っています。 聞き取り番 1.0.6 の「外国語動画の翻訳」で、細かさは「30秒ごと」を選びました。 API代は約0.3円でした。

このときの出力です。

• タイムライン（HTML） … 30秒ごとの画像を左、その間の発言（英語原文と日本語訳）を右に並べたもの
• 同じ内容のPDF
• 日本語訳のテキスト
• 元の動画（1分47秒・約9MB）

画面録画やスライドだけの動画の例

同じ英語の講義を、スライドだけの動画として処理したものです。 細かさは「スライドだけ」で、7枚のスライドがすべて保存されています。

• タイムライン（HTML）
• 同じ内容のPDF
• 日本語訳のテキスト
• 元の動画（1分47秒・約3MB）

iPad や iPhone からも見られます

同じWi-Fiに繋がっていれば、手元のiPadから開いて操作できます。 指で触る画面では、文字とボタンが自動的に大きくなります。 ふだんはこのMacの中だけで動いており、他の端末からは見えません。 見たいときだけ開く形なので、意図せず外に出ることはありません （同梱の説明書に手順があります）。

できないこと

YouTube などのURLを貼って処理することはできません。 お手元の音声・動画ファイルを指定してお使いください。

話者の分離（誰が話したかの区別）と、語尾や言い回しを整える整文は行いません。 人によるテープ起こしの代わりになるものではなく、下書きを一気に作るための道具です。

動作環境

macOS 専用です。Windows では動作しません。

ffmpeg の導入が必要で、導入用スクリプトが不足を検出して案内します。 Python は macOS 標準のもの（3.9）で動作することを確認済みです。

ご購入後

決済完了後、ブラウザの画面上にダウンロードリンクが表示されます。 メールでの送信は行っていませんので、その画面でお受け取りください。 リンクは 7 日間有効で、5 回までダウンロードできます。

期限が切れた場合や、アップデート版を受け取りたい場合は、 [email protected] までご連絡ください。 ご購入を確認のうえ、リンクを再発行します。アップデートは無償です。