音声を多言語で文字起こしする方法：2026年版ワークフローガイド
音声を多言語で文字起こしするための実践ワークフロー。言語自動検出、コードスイッチング、140以上のターゲット言語への翻訳、バイリンガルトランスクリプト、字幕、品質チェックまで。
最終確認日: 2026-05-06。Vocova 固有の上限（無料プランの分数/ファイルサイズ、Plus / Pro の機能、対応言語数）は同日時点の現行プロダクト構成に一致しています。本ガイドの数値とアプリ画面の表示が食い違う場合は、アプリ側が正です。
最も安全な多言語ワークフローは、まず原音声を文字起こしし、ソースのトランスクリプトを校正してから翻訳することです。タイムスタンプ、話者ラベル、ミスを後追い検証する力を犠牲にしてもよい場合を除き、音声から翻訳済みテキストへ一足飛びに進めてはいけません。
ほとんどのチームにとって、現実的なプロセスはこうなります。
- 音声をアップロード、または公開メディアの URL を貼り付ける。
- 話されている言語を自動検出させるか、手動で指定する。
- ソース言語でタイムスタンプ付きトランスクリプトを生成する。
- 名前、数値、専門用語を校正する。
- ターゲット言語に翻訳する。
- テキスト、バイリンガル文書、または翻訳済み字幕をエクスポートする。
Vocova は100以上の話し言葉での文字起こしと、Plus / Pro での140以上のターゲット言語への翻訳に対応しています。ファイルからの文字起こしは audio to text、動画は video to text、翻訳ワークフローは translate audio、字幕を含むなら translate video から始めてください。
多言語文字起こしのワークフロー
| ステップ | 判断 | ベストプラクティス |
|---|---|---|
| インポート | ファイルアップロードか公開 URL か | プライベートファイルはアップロード。YouTube、Bilibili、SoundCloud、Dailymotion、ポッドキャスト、クラウドドライブの公開素材はリンク貼り付け |
| 言語設定 | 自動検出か手動か | 不明な音声には自動検出。言語が分かっている場合や冒頭がノイジーな場合は手動で指定 |
| 文字起こし | ソース言語のトランスクリプト | タイムスタンプと話者ラベルを保持し、後から検証可能にしておく |
| 校正 | 名前、用語、数値、話者 | 翻訳前に高インパクトの誤りを修正 |
| 翻訳 | 1言語または複数言語 | ソースを校正してから翻訳する（順序を逆にしない） |
| エクスポート | TXT、PDF、DOCX、SRT、VTT、CSV、バイリンガル出力 | 最終用途に合わせて出力形式を選ぶ |
言語自動検出で十分なケース
録音内の最初の明瞭な発話がメイン言語を表しているとき、言語自動検出はうまく機能します。次のような用途のデフォルトとして適しています。
- 話者の言語が事前に分からないインタビュー
- ユーザー投稿の音声ファイル
- 複数の国にまたがるポッドキャストエピソード
- 地域横断で集められた研究録音
- ファイル名がバラバラな動画ライブラリ
冒頭1分が音楽、無音、タイトルカード、効果音で占められていたり、別言語で短く挨拶している場合は精度が落ちます。そういう録音では、開始前に言語を手動指定してください。
言語を手動で指定すべきケース
言語または方言系統が分かっている場合、手動指定は精度を高めます。特に以下の場面で有効です。
- イントロが長い日本語、韓国語、中国語、広東語、タイ語、アラビア語コンテンツ
- 最初の話者が、その後の主たる言語と異なる言語を使っている音声
- 英語タイトルスライドで始まり、別言語で続く教育動画
- 1つの言語が議論を支配する多言語会議
- 強い訛りやドメイン特有の用語を含む録音
手動指定はモデルを制限するためではありません。文字起こしシステムにより強力な出発点を与えることで、序盤の誤分類エラーを減らすためのものです。
複数言語が混在する録音の扱い方
多言語録音には、3つの代表的なパターンがあります。
1録音につき1言語
最も簡単なケースです。フランス語のインタビュー、日本語の講義、スペイン語のポッドキャストエピソードはソース言語で文字起こしし、校正したうえで英語など別の言語に翻訳できます。
推奨ワークフロー:
- 言語が分かっていればソース言語を選ぶ。
- 文字起こしする。
- 固有名詞や用語を校正する。
- 翻訳する。
- 校正が重要ならバイリンガル文書をエクスポートする。
同一録音内でのコードスイッチング
コードスイッチング（言語の切り替え）とは、同じ会話、ときに同じ文の中で話者が言語を行き来することです。例: ヒンディー語と英語、スペイン語と英語、中国語と英語、韓国語と英語、アラビア語とフランス語の混在会話。
推奨ワークフロー:
- 主たる言語を選ぶ。
- 録音全体を文字起こしする。
- 混合言語のセグメントを手動で校正する。
- ソーストランスクリプトが読める状態になってから翻訳する。
- 翻訳と並べて原文トランスクリプトを保持する。
完全自動の翻訳がすべての混合言語フレーズを解決すると期待してはいけません。トランスクリプトは検証層です。
話者ごとに異なる言語
国際会議、顧客インタビュー、学術フィールドワーク、多言語ウェビナーで起こります。ある話者がポルトガル語、別の話者が英語、また別の話者が日本語を使うかもしれません。
推奨ワークフロー:
- 話者識別が利用できるなら有効化する。
- 主言語で文字起こしするか、自動検出を使う。
- 話者名と言語固有の用語を訂正する。
- 校閲言語に翻訳する。
- レビュアーが原文と翻訳を比較できるよう、バイリンガル出力をエクスポートする。
ここでは話者ラベルが重要です。誰が何を言ったかを明確にしておくと、翻訳が会議記録、研究ノート、顧客の発言記録になったときに不可欠な情報が残ります。
トランスクリプト校正前に翻訳してはいけない理由
翻訳の品質はソースの品質に依存します。原文トランスクリプトに製品名、人名、法務用語、薬剤名、企業名、ゲームタイトル、地名の誤りがあると、その誤りは翻訳でも温存されることがほとんどです。
翻訳前に校正すべき項目:
- 人名、企業名、製品名、アーティスト名、番組名、ゲーム名、地名
- 数値、日付、時刻、価格、計量単位
- 略語と専門用語
- 話者ラベル
- 音声グリッチで反復した語句
- 話者の重なりがあるセグメント
すべての文を完璧にしてから翻訳する必要はありません。誤訳されると高くつく、または恥ずかしい用語だけ直しましょう。
多言語業務向けのエクスポート選択
| 出力 | 用途 | 備考 |
|---|---|---|
| TXT | 素早いコピー、メモ、検索 | シンプルなテキスト再利用に最適 |
| 完成稿の共有 | クライアント、チーム、アーカイブ向け | |
| DOCX | 編集とコメント | 人手で改訂する前提のとき最適 |
| SRT | 動画字幕 | 動画プラットフォームと広く互換 |
| VTT | Web 動画キャプション | HTML5・Web プレーヤーに適合 |
| CSV | 研究、分析、QA | セグメント単位のレビューに有用 |
| バイリンガルエクスポート | 翻訳レビュー | 原文と訳文を並列保持 |
字幕ワークフローについては SRT generator、VTT generator、SRT vs VTT、subtitle file formats guide を参照してください。
実例: 45分のスペイン語ポッドキャスト → 英語バイリンガル SRT
ワークフローを具体化するため、エピソード1本を端から端まで処理する典型例を示します。所要時間はクリーンなスタジオ収録で話者2名のケースです。荒いフィールド音声ではもっと時間がかかります。
| ステージ | 操作 | 所要時間 | 出力 |
|---|---|---|---|
| 1 | Plus で 45分の MP3（約 65 MB）をアップロード、または公開エピソードの URL を貼り付け | 1分 | ファイルがキューに入る |
| 2 | 自動検出でスペイン語と判定。文字起こしはサーバー側で実行 | 4〜6分 | タイムスタンプ付きソーストランスクリプト |
| 3 | 固有名詞をざっと洗う: ホスト、ゲスト、ブランド名、エピソード固有の語彙。8〜15項目を修正 | 8〜12分 | 校正済みソーストランスクリプト |
| 4 | トランスクリプトを英語に翻訳（Plus / Pro） | 2〜4分 | 英語トランスクリプト |
| 5 | 英語出力をスポットチェック: 名前、数値、日付、専門用語に集中 | 8〜12分 | レビュー済みの英語 |
| 6 | 字幕用にバイリンガル SRT を、コンテンツ再利用用にバイリンガル DOCX をエクスポート | 1分 | 最終成果物 |
合計: 45分のエピソードに対して人手で 約25〜35分（モデル時間はほぼバックグラウンド）。重い工程はステージ3と5、すなわちソーストランスクリプトでの固有名詞校正と、翻訳出力での確認パスです。これらを飛ばすと、流暢に聞こえるのにゲストを取り違えたり製品名を誤訳した英語が、安定して量産されます。
ソース言語によっていくつかの数値が変わります。
- 高リソース言語（英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、日本語、中国語）は上記の所要時間に近い。
- 中リソース言語（韓国語、オランダ語、ロシア語、アラビア語、ポーランド語、ベトナム語、タイ語）は、ステージ3と5の校正に通常 1.5〜2倍の時間がかかる。
- 低リソース言語（ティアの一覧は transcription accuracy by language を参照）では、翻訳工程に進む前にもう一度文字起こしを通した方が成果が安定します。
同じフローのバリエーション:
- 多言語インタビュー — ステップ6をタイムスタンプ付きのバイリンガル DOCX/PDF に差し替え。詳しくは multilingual interview workflows。
- グローバルなポッドキャスト再利用 — 同じソーストランスクリプトを並列で複数のターゲット言語に翻訳し、校正済みソースを正典として保持する。詳しくは podcast transcription workflow。
- 顧客電話・営業リサーチ — タイムスタンプ、話者ラベル、ソーストランスクリプトを翻訳の隣に表示し続け、引用を後追い検証可能に保つ。
- 翻訳済み字幕 — translate video から開始。公開前に1行の長さを確認する。
よくある言語ペアと出発点
ソース言語とターゲット言語が決まっているなら、専用ツールに直接ジャンプするのが最短です。設定が減り、内部のワークフローは同じです。
| ソース言語 | ターゲットが英語の場合（翻訳） | ソース言語のトランスクリプトだけ必要な場合 |
|---|---|---|
| 日本語 | Japanese to English | Transcribe Japanese |
| 韓国語 | Korean to English | Transcribe Korean |
| 中国語（標準語） | Chinese to English | Transcribe Chinese |
| スペイン語 | Spanish to English | Transcribe Spanish |
| フランス語 | French to English | Transcribe French |
| ポルトガル語 | translate audio を使い、ターゲットに English を選択 | Transcribe Portuguese |
| ドイツ語 | translate audio を使い、ターゲットに English を選択 | Transcribe German |
| イタリア語 | translate audio を使い、ターゲットに English を選択 | Transcribe Italian |
| アラビア語 | translate audio を使い、ターゲットに English を選択 | Transcribe Arabic |
| ヒンディー語 | translate audio を使い、ターゲットに English を選択 | Transcribe Hindi |
その他のペアはすべて translate audio でカバーできます。100以上のソース言語の文字起こしと140以上のターゲット言語への翻訳に対応しており、インポート時にソース、エクスポート時にターゲットを選びます。
多言語トランスクリプトの品質チェック
軽量なレビューチェックリストを使ってください。
- 検出された言語が、実際のメイン言語と一致しているか？
- 話者ラベルは用途に十分な精度か？
- 名前と製品用語が一貫した表記になっているか？
- 数値と日付は正しいか？
- 混合言語のフレーズが正しく保持されているか？
- 翻訳が、単語ではなく意味を保っているか？
- 字幕が、長すぎる行なしに画面に収まるか？
- エクスポート形式が、後段ツールに合っているか？
より技術的な精度フレームワークについては word error rate と transcription accuracy by language を参照してください。
よくあるミス
多言語音声に英語専用ツールを使う
会議系ツールには英語の会議に強いが、多言語ファイル、地方訛り、翻訳ワークフローには弱いものがあります。プロジェクトごとにソース言語が変わる業務では、最初から多言語向けに設計されたツールを選んでください。
翻訳を最初のステップとして扱う
精度が重要なら、必ず先にソーストランスクリプトを作ってください。ソースが、タイムスタンプ・話者・後追い検証の足がかりを与えてくれます。
字幕形式を意識しない
最終成果物がキャプションなら、SRT と VTT の選択を早い段階で決めてください。テキストエクスポートだけでは動画ローカライズには不十分です。
ファイル上限とエクスポート上限を確認しない
無料プランは検証には便利ですが、多言語ワークフローには大きなファイル、複数のエクスポート、翻訳、字幕が必要になることが多々あります。長尺の録音を流す前に、必要な機能が含まれているかを確認してください。
よくある質問
AI は多言語の音声を文字起こしできますか？
できます。最新の AI 文字起こしは多くの言語に対応しており、Vocova は100以上の話し言葉の文字起こしと言語自動検出に対応しています。精度は依然として言語、音声品質、訛り、コードスイッチングの有無で変動します。
音声を直接英語に翻訳できますか？
可能ですが、より安全なワークフローはまず原音声を文字起こしし、トランスクリプトを翻訳することです。これによりタイムスタンプが残り、翻訳結果に違和感があるときに参照できるソーステキストが得られます。
バイリンガルトランスクリプトに最適な形式は？
人手で読んでレビューするなら PDF または DOCX。バイリンガル出力が字幕用途なら SRT または VTT。セグメント単位の分析なら CSV を使ってください。
1つの文に2言語が混在する音声はどう扱いますか？
主言語を選んで文字起こしし、混合言語のセグメントを手動で校正します。コードスイッチングは単一言語より難しいので、翻訳の隣に必ず原文トランスクリプトを残してください。
文字起こしの後で字幕を翻訳できますか？
できます。ソーストランスクリプトを生成し、翻訳してから SRT または VTT をエクスポートしてください。公開前に1行の長さとタイミングを確認します。
文字起こしの精度が高い言語は？
クリーンな音声では、英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、日本語、中国語などの高リソース言語が概ね高精度です。低リソース言語、強い訛り、話者の重なり、ノイジーな録音はより多くの校正を要します。ベンチマークの文脈は transcription accuracy by language を参照してください。
無料プランで実務の多言語ワークフローを賄えますか？
録音の長さ次第です。無料プランでは 30分の文字起こしから始められ、ファイルサイズ最大30 MB、保存できる文字起こしは3件まで です。短いクリップで対象言語の精度を検証し、有料プランに進む前にワークフローが合うかを確認するには十分です。45分のポッドキャスト1本や1時間のインタビューだけで無料分数を超えますし、多くの多言語ワークフローでは翻訳、バイリンガルエクスポート、より大きなファイル、字幕エクスポートといった有料機能が必要になります。検証段階では、まず無料プランで3〜5分の代表的サンプルを試し、精度と言語カバレッジが確認できたら Plus に移るのが妥当です。
出典・参考リンク
外部:
Vocova 関連ガイド:
- Best free transcription tools in 2026 — 各無料プランで実際に何を完了できるか。
- How to transcribe Bilibili videos — Bilibili プラットフォームでの中国語→英語ディープダイブ。
- How to transcribe online videos and podcasts by pasting a link — YouTube、Bilibili、SoundCloud、Dailymotion、ポッドキャスト、クラウドドライブを横断した URL インポートのワークフロー。
- Transcription accuracy by language: WER benchmarks — 言語ティアごとの期待値。
- How AI is transforming multilingual communication — より広い業界の文脈と動向。
ツール:
