ChatGPTで音声の文字起こしはできる？Geminiとの違いも解説

はい、ChatGPTで音声の文字起こしはできます。ただし有料プランのみで、対象は音声ファイルだけです。OpenAIのヘルプセンターによると、音声のアップロードは無料プランでは使えず、動画ファイルやYouTubeのリンクは音声の入力元として対応していません。GoogleのGeminiもアップロードした音声を文字起こしでき、無料アカウントでは合計10分まで、有料のGoogle AIプランでは最大3時間まで扱えます。長い録音やインタビュー、タイムスタンプや話者ラベルが必要なものは、今でも専用の文字起こしツールで始めるほうが確実で、チャットAIはその後の要約に使うのが適しています。

このガイドでは、2026年10月時点で各AIアシスタントが音声、動画、YouTubeのリンクで実際に何ができるか、どこに制限があるか、そして両者の強みを組み合わせたワークフローを紹介します。AI製品は変化が速いため、最新の詳細は下記のリンク先のヘルプページで確認してください。

ChatGPTで音声を文字起こしできる？

ChatGPTが音声を扱う方法は3つあり、よく混同されています。

1. 音声ファイルをアップロードする

OpenAIのChatGPTへのファイルと音声のアップロード（英語）の記事によると、会話に音声の録音を添付し、文字起こし、要約、内容についての質問を依頼できます。2026年10月に確認した、このページの主なポイントは次のとおりです。

• プラン： 音声のアップロードは、Enterpriseを含む有料のChatGPTサブスクリプションとワークスペースで使えます。無料プランでは使えません。
• 形式： WAV、MP3、OGG、FLAC、AAC、M4A、PCM、そして音声のみのWebMまたはMP4。ファイルには有効な音声ストリームが含まれている必要があります。
• サイズ： 音声ファイルは512MBまで。
• 長さ： 決まった時間の上限はありませんが、OpenAIによると、長い録音は分割して処理されることがあり、処理はベストエフォートで、非常に長い録音はタイムアウトする可能性があります。
• 品質： OpenAIは、文字起こしには誤りが含まれる可能性があり、話者の識別は信頼できない場合があり、性能は言語によって異なると説明しています。

2. ChatGPT Record

ChatGPT Record（英語）は、会議、ブレインストーミング、ボイスメモをその場で録音して文字起こしし、キャンバスとしてメモを作成する機能です。OpenAIのヘルプページによると、Plus、Pro、Business、Enterprise、Eduで使え、macOSのデスクトップアプリ限定です。1回のセッションは4時間まで、音声は文字起こし後に削除され、Recordは英語で最もよく機能します。複数の話者に「Speaker 1」のようなラベルを付け、名前を変更することもできます。Recordは今起きていることを記録するためのもので、手元にあるファイルは文字起こしできません。

3. 音声入力（ディクテーション）

メッセージ欄のマイクのアイコンは音声入力（英語）の機能です。話した内容が、送信前に編集できるメッセージとして文字になります。タイプする代わりに話すには便利ですが、既存の録音を文字起こしする方法ではなく、ファイルを再生して聞かせても確実には動きません。

ChatGPTで動画を文字起こしできる？

直接はできません。OpenAIのアップロードガイドには動画の形式が記載されておらず、動画と判定されたWebMやMP4のファイルは音声のアップロードとして受け付けないと書かれています。MP4やMOVのファイルからテキストを得たい場合は、2つの方法があります。

1. 先に音声を抽出する。 変換ツールや動画編集ソフトで音声をMP3やM4Aとして保存し、それをChatGPTにアップロードします（有料プランの場合）。
2. 動画に対応した文字起こしツールを使う。 たとえばAudiotextaの動画文字起こしツールは、動画ファイルをそのまま受け付け、タイムスタンプ付きの文字起こしを返します。

2つ目の方法なら、ChatGPTが標準では出力しない字幕ファイル（SRT、VTT）も手に入ります。

ChatGPTでYouTube動画を文字起こしできる？

基本的にはできません。これが最もよく聞かれる質問です。YouTubeのリンクを貼り付けても、ChatGPTは動画を再生することも音声をダウンロードすることもできません。ウェブ検索がオンなら、タイトルや概要欄などページ上のテキストを読み取り、動画の内容を推測して要約することはあります。その要約は、ほとんど根拠がなくても自信ありげに聞こえるため、注意して扱ってください。執筆時点で、OpenAIのヘルプセンターにはYouTubeのリンクへの対応を説明した記事はありません。

確実なのは、まず文字起こしを用意し、そのテキストをChatGPTに渡す方法です。

• 動画に字幕があれば、YouTube自身の文字起こしパネルからコピーします（YouTubeで文字起こしを表示する方法を参照）。
• または、音声を文字起こしするツールにリンクを貼り付けます。この方法は字幕のない動画にも使えます。選択肢の比較はYouTube動画をテキストにするガイドをご覧ください。

Google（Gemini）で音声を文字起こしできる？

できます。GoogleのGeminiアプリでのファイルのアップロードと分析のヘルプページでは、音声、動画、ドキュメントについて説明しています。2026年10月時点の記載は次のとおりです。

• ログインが必要です。1つのプロンプトに最大10ファイルまで追加できます。
• 音声： 音声の合計時間は10分まで、Google AI ProまたはGoogle AI Ultraなら3時間まで。
• 動画： 各動画は2GBまで、合計時間は5分まで、有料プランでは1時間まで。
• そのほかのファイルは1つあたり100MBまで。

つまりGeminiは、ChatGPTと違って動画ファイルを受け付け、無料アカウントでも合計10分の範囲で音声を扱えます。Googleのドキュメントは、逐語的な文字起こしの形式、タイムスタンプ、話者ラベルを約束していないため、プロンプトで明示的に依頼し、結果を確認してください。

GeminiにはYouTubeでの強みもあります。GoogleのGeminiアプリでのYouTubeコンテンツの記事では、YouTubeの公開情報を使って、Geminiに動画を探して要約してもらう方法が説明されています。要約には便利ですが、確認可能な完全な文字起こしとは別物です。

Google Workspaceのユーザー向けには、Googleの発表によると、対象のWorkspaceプランやGoogle AIプランで、Googleドライブ内のGeminiがドライブに保存された動画を要約したり、動画について質問に答えたりできます。Googleドキュメント自体にはリアルタイムで口述する音声入力がありますが、アップロードしたファイルの文字起こしはできません。プランや提供状況はエディションと言語によって異なるため、管理者に確認してください。

ChatGPT vs Gemini vs 専用の文字起こしツール

制限は2026年10月に各社のヘルプページで確認したものです。

会話の面ではAIアシスタントが明らかに優れています。追加の質問をしたり、まとめをメールの文面に書き直したり、ある部分を説明してもらったりできます。文字起こしそのものは専用ツールのほうが優れています。

アップロード前に知っておきたい実際の制限

長さとサイズ

汎用のチャットAIが最も苦手とするのが長い録音です。ChatGPTは長い音声を分割して処理することがあり、タイムアウトする可能性もあります。Geminiはプロンプトごとの合計時間に上限があります。1時間の講義なら両方の有料プランに収まりますが、丸1日のワークショップは収まりません。

タイムスタンプと話者がない

引用、字幕、分析に使う文字起こしには、クリックできるタイムスタンプと信頼できる話者ラベルが必要です。チャットAIはこれらを前提に作られていません。それでもタイムスタンプを依頼するなら、頼る前にいくつかを録音と照らし合わせて確認してください。

抜け落ちと、話されていないテキスト

どんな音声テキスト変換システムも聞き間違えることはあります。AIモデル特有のリスクは、もっともらしく聞こえるのに実際には話されていないテキストが生成されることで、特に無音の部分、音楽、話者の重なりで起こりがちです。また、チャットモデルが長い文字起こしを「整える」と、一語一句書き起こす代わりに短くしたり言い換えたりすることがあります。逐語的な文字起こしを依頼し、重要な部分は抜き取りで確認しましょう。クリアな音声はどのシステムにも有効です。マイク1本につき話者1人、背景雑音を少なく、話し声の下に音楽を流さないことが理想です。

プライバシーと学習の設定

録音がどう扱われるかは、製品と設定によって異なります。

• ChatGPT： 個人向けプランでは、「Improve the model for everyone」（すべての人のためにモデルを改善する）がオンの場合、OpenAIがコンテンツをモデルの改善に使うことがあります。データコントロールでオフにでき、音声の録音には別の切り替えがあります。OpenAIは、ChatGPT Enterpriseなどの法人向けサービスでは初期設定で学習に使わないとしています。
• Gemini： Googleのプライバシーハブによると、アクティビティの保存（英語表示：Keep Activity）がオンの場合、サービス改善のために一部の会話が人によって確認されることがあります。オフにすることもできますが、YouTube連携やドライブからのアップロードなど、いくつかのGeminiの機能はオンでないと使えません。

インタビュー、患者との会話、顧客との通話を扱う場合は、まずこれらの設定を確認し、録音される全員から同意を得てください。日本では個人情報保護法（APPI）、EU関連の業務ではGDPRが関わります。詳しくはGDPRと文字起こしのガイドをご覧ください。

うまくいくワークフロー：先に文字起こし、次にAIに聞く

チャットAIはテキストを扱うのは得意ですが、文字起こしエンジンとしては信頼性に劣ります。作業を分ければ、両方の強みを活かせます。

1. 音声テキスト変換ツールで文字起こしする。 AudiotextaのWebアプリでファイルをアップロードするか、リンクを貼り付けるか、マイクで録音します。すべてを自分のパソコン内で完結させたいなら、Whisperをローカルで動かす方法もあります。それぞれの長所と短所はWhisperとクラウド音声APIの比較で解説しています。
2. 文字起こしを確認する。 人名や専門用語を直し、話者名を変更し、引用する部分は音声と照らし合わせます。
3. テキストとして書き出す。 チャットに貼り付けるならTXT（無料）かMarkdown（Pro）が最も簡単です。
4. ChatGPTやGeminiに貼り付ける。 「このインタビューを5つの箇条書きで要約して」「決定事項と担当者をすべて挙げて」「フォローアップのメールを下書きして」など、必要なことを依頼します。アシスタントは完全なテキストをもとに作業するので、回答の内容をすべてタイムスタンプと照らし合わせて確認できます。

AudiotextaはProプランなら、要約のステップ（要約、チャプター、要点、決定事項、アクションアイテム）も自身で行え、あなたのコンテンツはモデルの学習に使われません。どの組み合わせを選んでも構いませんが、大切なのは、完全で検証可能な文字起こしから始めることです。