要点
macOSは単体では動画ファイルを文字起こしにしてくれません。Apple siliconのMacのライブキャプションは、再生中の動画にその場で字幕を付けられるだけです。ダウンロードなしでmacOSができるのは、QuickTime Playerを使って動画から音声トラックを書き出すことだけです。これによって扱いやすいサイズのファイルが手に入ります。標準搭載のディクテーション機能は、話している内容をマイクがリアルタイムで聞き取って文字にするものなので、すでに録音済みのファイルには向きません。文字起こしはまったく別の作業で、どのパソコンを使っていても同じ手順になります。
Macに動画が保存されているとする。会議のスクリーン録画かもしれないし、誰かから送られてきた講義動画かもしれないし、保存しておいたクリップかもしれない。欲しいのはそこで話されている言葉であって、そのために聞いたこともない会社にアカウントを作りたくはないはずだ。
この作業は大きく二段階に分かれる。まず動画から音声だけをきれいに取り出すこと。次に、その音声を文字に変換すること。前半はMacに標準で入っているソフトだけで、今すぐできる。後半はMacだけではできない作業で、システム設定をいくら探しても見つかることはない。この境界線を理解しておくだけで、存在しないメニュー項目を探して午後を無駄にすることがなくなる。
macOSがすでにできること
QuickTime PlayerはすべてのMacに標準搭載されている。動画の再生も、画面の録画も、そして動画から音声を書き出すこともできる。この最後の機能こそが今回役に立つ部分であり、別のツールにファイルを渡す前に必要な作業はこれだけで済むことが多い。
macOSにはディクテーション機能もあり、話した内容をその場で文字にしてくれる。ボイスメモもあり、iPhoneの同じアプリとiCloudで同期し、録音内の音声を文字起こしもしてくれる。これら三つを組み合わせれば、音を録り、保存し、声で入力することができる。
しかし、どれも既存の動画ファイルを読み込んで文字起こしをしてくれるわけではない。これはきちんと言っておく価値がある。これらのツールは互いに近い場所にあるので、どこかにその機能が隠れていそうな気がしてしまうからだ。だが実際には存在しない。Macはボイスメモで録音した内容なら文字起こしできるが、既存の動画ファイルを文字起こしに変えるコマンドはない。
まず音声を取り出す
動画ファイルは一種の容れ物だ。映像と音声トラックの両方を運んでいるが、文字起こしが使うのは音声だけである。この目的においては映像は余計な重みでしかない。
だから、何をする前にもまず音声を書き出しておく。QuickTime Playerがそれをやってくれるので、この最初の一歩は無料で、しかも何もインストールせずに済む。出来上がるのは元の動画よりもかなり小さいファイルで、動画の内容によっては驚くほど小さくなることもある。
録音が長時間になった瞬間、このサイズの差は単なる理屈ではなくなる。2時間の講義を動画のまま持ち歩いたり、アップロードしたり、どのツールを使うか決めるまで何本もコピーを保管しておくのは面倒だ。同じ2時間を音声にしてしまえば、気にせず扱える程度のファイルサイズになる。処理したい録音がフォルダに何本もあるなら、先に音声だけ抜き出しておくかどうかで、作業が一晩で終わるか週末までかかるかが変わってくる。
この抽出作業は、多くの人を悩ませる疑問も解決してくれる。動画ファイルを文字に変換する専用のツールが必要なのか、それとも普通の音声文字起こしツールで十分なのか、という疑問だ。音声を別ファイルとして取り出してしまえば、その区別はもはや意味を持たなくなる。音声を受け付ける文字起こしツールであれば、どれでもそのファイルを扱える。
ディクテーションは別物
ディクテーションと文字起こしは、まるで同じ言葉のように使われがちだ。しかし実際は違い、その違いこそが、あなたが欲しい文字起こし結果を手に入れる上での分かれ道になる。
ディクテーションはマイクの音を聞き取り、その場でリアルタイムに文字を書き起こす。話せば、文字が現れる。つまり一種の入力方法だ。それに対して文字起こしは、すでに存在している録音——1時間前に終わったものでも、1年前に終わったものでも——を対象に、そこから文字を作り出す。片方は入力デバイスであり、もう片方は変換作業である。
動画を音として流し、それをスピーカー経由でディクテーションに聞かせることで橋渡しできないかと考える人もいる。実際にやる人もいるが、うまくいかない。すでに一度録音された音を、部屋の音響状態のまま、もう一度マイクで録音させようとしているわけで、しかもその間中ずっと再生時間分だけ付き合わなければならない。1時間の動画には1時間かかる。短いクリップ以外では、まともな選択肢にはならない。ライブキャプション（システム設定 > アクセシビリティ > ライブキャプション、Apple silicon限定）は、マイクを使わずにMac自身の音声出力に字幕を付けられるが、これもリアルタイムで動き、ファイルではなく画面上の字幕が得られるだけだ。Macでの音声文字起こしと、標準機能だけでどこまでできてどこで限界が来るかについては別に詳しく書いているが、要点だけ言えば、ディクテーションはそもそも既存ファイルのために作られたものではないということだ。
まだファイルが手元にない場合
音声を取り出す作業は、動画がすでにディスク上に保存されていることを前提にしている。しかし、そうでない場合もある。文字にしたいものが進行中の通話や、ブラウザのタブで再生されている動画だったりして、何も保存されていないため、そもそも音声を取り出す元ファイルが存在しないこともある。
ここでMacは本当の意味での壁を作る。Mac自体が出しているシステム音声——マイクに入ってくる音ではなく、機械から出ていく音——を録音することは、macOSが標準では用意していない機能だ。画面録画は映像を記録してくれる。しかし、それに合わせた音声を録るのはまったく別の問題であり、多くの人がここで完全に手が止まってしまう。会議を録画したのに音が入っていなくて、何を間違えたのか分からなかった経験があるなら、それがまさにこの問題だ。あなたが何か間違えたわけではない。
回避する方法はあり、必要になる直前ではなく、繰り返せない通話の5分後に慌てて調べるのではなく、事前に理解しておく価値がある。Macで音声付きで画面を録画する仕組みについては別のテーマとして詳しく扱っている。ここで重要なのは、これが録音側の問題であって文字起こし側の問題ではないということ、そしてそれを解決すれば、あとはディスク上にファイルがあるという通常のケースに戻れるということだ。
この問題を完全に回避する方法もひとつある。Macのボイスメモは、iPhoneの同じアプリとiCloudで録音を共有するので、iPhoneで録音したものは、自分にメールで送ったりケーブルを探したりしなくても、そのままMacに表示され、ボイスメモでその文字起こしを見ることもできる。対面の会話や、参加している講演などであれば、iPhoneで録音してMacで受け取るほうが、システム音声の問題と格闘するよりずっと手間が少ない。もちろん、Mac自体が再生している音には無力だ。
音声を文字に変換する
音声がファイルとして存在してしまえば、それ以前の選択はもう関係なくなる。文字起こしツールにとっては、そのファイルが動画から取り出されたものか、スマートフォンのものか、画面録画のものか、同僚から送られてきたものかは関係ない。Macを使っているかどうかも関係ない。ここからは、どのパソコンでやっても同じ作業になり、あとは文字起こしツールをどれにするかという話だけになる。
そして、ここで「アカウント登録なしで済ませたい」という希望が現実とぶつかる場面が出てくるので、はっきり言っておこう。ブラウザの中だけで完全に動くツールなら、ファイルが端末の外に出ないと約束できるし、実際そういう仕組みのツールも存在する。ただ、そうしたブラウザツールが扱っているのは、字幕ファイルや文字数カウントなど、すでに文字になっているものが中心だ。2時間の録音に対する本格的な音声認識はもっと重い処理で、それを行うツールは基本的に、インストール型のアプリを使うか、ファイルをサーバー側に送る形を取ることになる。どちらを選ぶにしても、確認すべきなのはそこで、答えはすぐ分かるようになっているべきだ。
選択肢の一つがSozAIだ。macOS向けの文字起こしアプリで、音声ファイルと動画ファイル、録音データやYouTubeのリンクを扱え、話者ラベル、要約、99以上の言語への翻訳に対応している。同じサイトには、ブラウザ上だけで完全に動作し、アップロードもアカウント登録も不要な無料の字幕作成・文字数カウントツールもある。こちらは音声の文字起こし自体は行わないが、文字起こし結果をあとから加工する際には役立つ。
文字起こしがしてくれないこと
ある瞬間に戻りたいのであれば、タイムスタンプを付けてもらうようにしよう。タイムスタンプのない文字起こしは、検索可能な文章の塊にすぎない——目当ての一文は見つかるが、それが動画のどの場面で話されたのかまでは分からない。10分間だけ大事だった講義部分に飛びたくて文字起こしをするなら、タイムスタンプこそが目的そのものだ。逆に、一度読んで二度と動画を開かないつもりなら、タイムスタンプは邪魔なだけだ。どちらの使い方をするのか、始める前に決めておくこと。後から付け直すのは、作業を二度やることになる。
できあがる文字は、元になった録音の質をそのまま反映すると考えておこう。音声認識は実際に録れた音だけを頼りに処理をするので、部屋の中で複数人が話をかぶせるような録音は、クリアな録音に比べて扱いにくい。動画から音声を取り出すこと自体は、音質を良くしてくれるわけではなく、すでにそこにあったものを取り出すだけだ。元の音が悪ければ、あとで文字起こし結果を手直しする作業が発生するし、それより前のどの工程を丁寧にやってもそれは解決しない。
そして、動画の一部はどうしても持ち越せないことも受け入れておこう。スライド、図表、ホワイトボードに書かれた内容、誰が何を指していたか——それらはすべて失われる。扱いやすいファイルを手に入れるために、あえて映像を捨てているからだ。会話であれば、それによって失われるものはほとんどない。しかしデモやプレゼンテーションの場合、文字起こしは記録の半分にすぎず、元の動画も並べて残しておくべきだ。
