動画文字起こし（AI）無料・無制限

MP4・MOVなどの動画をドロップするだけで、AIがブラウザ内で文字起こし。動画はサーバーに送らず、長さ・回数の制限もありません。時刻つきで表示し、字幕ファイル（SRT・VTT）としても保存できます。

サーバー送信なし・ブラウザ内で処理

動画ファイルをここにドロップ

またはクリックして選択（MP4・MOV・WebMなど。音声ファイルも可）

文字起こしのモード

精度は使えるモードで大きく変わります。WebGPUに対応したパソコンでは高精度モード、対応していない端末では軽量モードになり、軽量モードは雑音やBGMの多い動画で誤りが大きく増えます。処理にかかる時間は、お使いの機器の性能で変わります。

動画で話している言語

分かっている場合は言語を選ぶと、出だしの聞き違いが減ります。自動判定は区切りごとに言語を判定します。

動画文字起こしとは

動画文字起こしは、動画ファイルから音声だけを取り出し、AIの音声認識モデルをブラウザ内で動かしてテキストにするツールです。WebGPUに対応したパソコンではOpenAIのWhisper large-v3-turbo（高精度モード）、対応していない端末ではWhisper small（軽量モード）を使います。長い動画は、先に声のある場面を見つけ、30秒以内のまとまりに分けて順に処理するため、区切り目で文が抜けたり二重になったりしにくく、各部分が動画の何秒にあたるかも分かります。結果は時刻つきで表示し、時刻を押すとその場面から再生できます。

なぜブラウザ完結が安全なのか

会議の録画や取材の動画には、社外秘の内容や個人の顔・声・名前が含まれがちです。多くの文字起こしサービスは動画をサーバーへアップロードして処理しますが、FreeToolの動画文字起こしは動画をデバイスの外に出しません。社内規程で外部サービスへのアップロードが禁止されている場合でも、手元のパソコンだけで文字起こしと字幕づくりを済ませられます。

他のツールとの違い

オンラインの文字起こしサービスの無料プランは、1ファイルあたりの長さや月あたりの合計時間に上限があることが多く、続きは有料になります。FreeToolは処理をあなたのパソコンで行うため、長さ・回数の上限がありません。話者の自動判別や要約などの機能は持たないので、それらが必要な場合は専用サービスが向きますが、文字起こしと字幕づくりだけなら登録不要・無料で完結します。

音声ファイル・動画の音声だけを扱う

録音したMP3・M4A・WAVなどの音声ファイルは音声文字起こしでも文字にできます（このページにそのまま入れても動きます）。iPhoneのボイスメモはM4A文字起こし、ICレコーダーの録音はMP3文字起こしに使い方をまとめています。文字起こしではなく音声ファイルが欲しいときは動画→MP3変換で音声だけを取り出せます。

業種・職種別の活用シーン

会議録画から議事録の下書き

Zoom・Teamsで録画したMP4をそのまま読み込み、時刻つきの文字起こしを作ります。時刻を押すとその場面から再生できるので、聞き取りにくい箇所だけ動画で確かめて直せます。録画を外部に送らないため、社外秘の会議でも使えます。

自分の動画に字幕を付ける

YouTube・Instagram・TikTok用に撮った動画の字幕を作り、SRTまたはVTTで保存して動画編集ソフトや投稿画面に読み込みます。誤字は保存前に画面で直せ、直した内容は字幕ファイルにもそのまま反映されます。

講義・セミナー録画の復習ノート

1時間を超える講義の録画も、長さの上限なく文字にできます。BGMだけの冒頭や休憩中の無音は自動で飛ばし、話している部分だけを文字起こしします。

取材・インタビュー動画の書き起こし

取材相手の発言を記事に引用するため、動画から書き起こしを作ります。発言の時刻が残るので、引用箇所を後から動画で確認するのも簡単です。

こんな場面で使えます

Zoom・Teams・Google Meetの会議録画を議事録の下書きにする
YouTubeやSNSに投稿する自分の動画に字幕（SRT）を付ける
講義・セミナーの録画を復習用のテキストにする
取材・インタビュー動画から記事に使う発言を書き起こす
社外に出せない研修動画や社内説明会の録画を、アップロードせずに文字にする

使い方

動画ファイルをアップロード

モードを選んで文字起こしを開始

テキストまたは字幕（SRT/VTT）で保存

トラブルシューティング

「高精度（WebGPU）」が選べない

高精度モードはWebGPUが必要です。パソコンの最新のChromeまたはEdgeで開いてください。WebGPUが使えない端末では「軽量」モードで処理できますが、日本語の精度は下がり、時間もかかります。

最初の準備に時間がかかる

初回はAIモデル（高精度モードで約760MB、軽量モードで約300MB）をダウンロードします。2回目以降はブラウザに保存されたモデルを使うため、すぐに始まります。Wi-Fiでの初回利用をおすすめします。

「音声が入っていない」と表示される

動画に音声トラックが含まれていません。画面録画などで音声を記録しない設定になっていなかったか確認してください。

一部の形式で読み込みが遅い

ブラウザが直接扱えない形式（AVIなど）は、互換モードの変換エンジン（約30MB）を読み込んでから音声を取り出すため、時間がかかります。MP4に書き出してから読み込むと速くなります。

固有名詞や専門用語が違う字になる

AIは聞いたことの少ない名前や専門用語を、似た音の別の言葉に置き換えることがあります。時刻つき表示で該当箇所を押して動画で確認し、その場で書き直してから保存してください。

よくある質問

動画はサーバーにアップロードされますか？

いいえ。動画から音声を取り出す処理も、AIによる文字起こしも、すべてお使いのブラウザの中で行います。動画や音声がFreeToolのサーバーへ送られることはありません。通信が発生するのは初回のAIモデルのダウンロードだけで、2回目以降はブラウザに保存されたモデルを使います。

長い動画（1時間以上）でも無料で文字起こしできますか？

はい。長さ・回数による制限や課金はありません。動画は丸ごと読み込まずに音声だけを少しずつ取り出すので、ファイルが大きくても処理できます。WebGPUが使えるパソコン（最新のChrome・Edge）なら、動画の長さよりかなり短い時間で終わります。処理中はできた部分から順に表示し、残り時間の目安も出します。

字幕ファイル（SRT・VTT）はどうやって作りますか？

文字起こしが終わったら「SRT」または「VTT」ボタンを押すだけです。1枚の字幕が長くなりすぎないよう36文字以内で区切り、区切った位置の時刻は話す速さから推定しています。YouTubeや動画編集ソフトに読み込んだあと、必要に応じて時刻を微調整してください。結果の文は保存前に画面上で書き直せます。

どのくらい正確に文字起こしできますか？

精度は、お使いの機器で使えるモードによって大きく変わります。WebGPUに対応したパソコン（最新のChrome・Edge）では高精度モード、対応していない端末では軽量モードになります。高精度モードで実測した文字の誤り（句読点・空白を除いて比べた割合）は、台本を合成音声で切れ目なく読み上げた約6.2分の音声で3.5%、同じ音声にBGMを重ねると3.65%、テレビ放送の別々の発話を細切れにつないだ厳しい条件（約24.3分）で12.19%でした。軽量モードは、きれいな話し声なら同じくらい（3.52%）ですが、雑音やBGMの多い音声では大きく下がります（同じテレビ音声約6.1分で、高精度11.12%に対し軽量52.53%）。同じモードなら機器による精度の差は小さく、性能で大きく変わるのは処理にかかる時間です（FreeTool調べ・2026-10-24）。固有名詞・専門用語・複数人が同時に話す場面では、どのモードでも誤りが増えます。

BGMだけの場面や、誰も話していない場面はどうなりますか？

先に「声のある場面」を探し、その部分だけをAIに渡します。音声認識AIは、何も話していない場面で実際には無い文章を作ってしまうことがあるため、音楽だけ・無音の場面はあらかじめ飛ばしています。

どの形式の動画に対応していますか？

MP4・MOV（iPhoneの動画）・M4V・WebM・MKVはブラウザの機能で高速に読み込みます。AVIなど一部の形式や、ブラウザが対応していない音声形式の動画は、互換モード（変換エンジン約30MBを自動で読み込み）で処理します。MP3・M4A・WAVなどの音声ファイルもそのまま使えます。

スマートフォンでも使えますか？

動作はしますが、高精度モードはAIモデルが大きく（約760MB）、端末によってはメモリが足りずに止まることがあります。長い動画や確実に終わらせたい場合は、WebGPUに対応したパソコンのChrome・Edgeをおすすめします。

動画文字起こし（AI） 無料・無制限