mp3文字起こし — .mp3ファイルをAIで無料テキスト化（99言語対応）
mp3音声ファイルを、1つずつまたはまとめて（最大50ファイル並列）、AIで日本語94〜96%の精度で文字起こし。Whisper Large-v3採用、話者分離、5種類の書き出し形式（TXT/DOCX/SRT/VTT/JSON）に対応。Podcast・会議・取材・講義など、あらゆる.mp3ファイルをフォーマット変換なしで直接処理。30分無料、カード不要。有料プランは月$2〜（約300円）。以下：4つの文字起こし方法、精度の詳細、書き出し形式、料金、活用シーン、FAQ。
mp3を文字起こしする4つの方法
精度・コスト・作業効率で選び分けられます。それぞれの長所と短所を正直に比較。
| 方法 | 向いている場面 | 長所 | 短所 | 精度 |
|---|---|---|---|---|
| VexaScribe（AIサービス、月$2〜） | 業務利用、podcast、会議、長時間音源、日本語Tier 1精度が必要 | 94〜96%精度、話者分離、5形式書き出し、最大50並列、133言語翻訳 | アップロードが必要、有料プランで機能拡張（無料30分） | 94〜96% |
| Googleドキュメント（完全無料） | 個人メモ、短い音源、コスト最優先の場面 | 完全無料、日本語対応、Google Workspaceに統合 | mp3を直接読み込めない、再生しながらの認識、精度70〜85% | 70〜85% |
| ローカルWhisper（完全無料） | 技術知識あり、プライバシー最優先、大量処理 | 永年無料、完全ローカル処理、mp3直接処理、ネット不要 | GPU必須、Python環境構築が必要、話者分離は別ツール | 94〜96%（Large-v3） |
| Microsoft Word（Office 365） | Office 365ライセンス保有、月5時間以下の使用 | 既存のWord環境で完結、mp3直接対応、日本語対応 | 月5時間の上限、1ファイル80分まで、精度85〜90% | 85〜90% |
1つのmp3または複数を一括処理
VexaScribeは同じインターフェースで単一・バッチ両方に対応。1つの.mp3ファイルなら素早い個別変換、複数なら最大50個の.mp3を並列アップロードで一気に処理できます。
単一mp3ワークフロー
1つのmp3ファイルをアップロード。1本のpodcast episode、1件の会議録音、1回の取材音源などに最適。30分無料トライアルで1本完結。30分のmp3は通常3〜8分で処理完了。
バッチワークフロー（最大50ファイル）
最大50個のmp3を選択またはドラッグ。各ファイルは独立して処理され、遅いファイルを待つ必要なし。podcast番組の1年分バックカタログ、講義音源アーカイブ、研究インタビューシリーズ、営業電話の分析などに便利。混在言語のバッチも問題なし（ファイルごとに言語自動判定）。
各.mp3ファイルは同じ品質基準で処理されます：Whisper Large-v3で94〜96%の日本語精度、話者分離、単語レベルタイムスタンプ、99言語自動判定。
mp3のビットレートは精度に影響するのか
結論から言うと、64kbps以上ならほぼ変わりません。Whisper Large-v3は内部で16kHzモノラルにリサンプリングするため、それより上のビットレートは活用されません。
| mp3ビットレート | 精度 | 備考 |
|---|---|---|
| 64kbps | 85〜90% | 音質そのものが低下し始める境界 |
| 128kbps（一般的な配信品質） | 93〜95% | Podcast配信の主流 |
| 192kbps（高音質配信） | 93〜95% | 128kbpsと変わらない |
| 320kbps（最高品質） | 93〜95% | 同じ、無駄な高ビットレート |
実用上の教訓：mp3の再エンコードで「品質を上げる」ことに時間をかけても意味がなく、元ファイルをそのままアップロードするのが最速。マイクの品質と収録環境の方がビットレートより遥かに重要です。
mp3文字起こしの精度 — 音源別の目安
収録条件で結果が変わります。実際の期待値を正直に。
| 音源の状況 | 精度 | 備考 |
|---|---|---|
| スタジオ収録・アナウンサー音声 | 94〜96% | Podcast、ラジオ番組の理想的な条件 |
| オフィスマイクで録音した会議 | 90〜94% | USB外部マイクを利用 |
| スマホで録音した対談 | 88〜93% | 机の上、静かな環境 |
| ラジコから録音した放送品質mp3 | 92〜95% | 放送品質は基本的に高精度 |
| カフェ・電車内で収録 | 78〜88% | 背景ノイズの種類次第 |
| 低ビットレート（64kbps以下）のmp3 | 85〜90% | 音質そのものが低下する範囲 |
日本語はWhisper Large-v3のTier 1言語で、FLEURSベンチマークで文字誤認率5.3%（OpenAI Whisper論文 Appendix D Table 13）。詳細はWhisper精度ガイド（英語）を参照。
mp3以外の音声形式も対応
VexaScribeはmp3以外にも計10種類の音声形式に対応。フォーマット変換不要でどれも直接アップロードできます。
- ●m4a（iPhoneボイスメモの標準形式）→ ボイスメモ文字起こしの専用ページで詳しく解説
- ●wav（可逆圧縮、最高品質）→ mp3と同じ精度、ファイルサイズは大きい
- ●ogg / opus（WhatsAppボイスメモ、Discord録音）→ 直接対応
- ●flac / aac / aiff / wma / amr（各種音声形式）→ すべて直接対応
- ●動画ファイル（mp4、mov、mkv、webm）→ 動画文字起こしの専用ページを参照。VexaScribeが自動で音声を抽出するため、ffmpegでの事前抽出は不要
Podcast・会議・取材での活用シーン
日本のVexaScribeユーザーがmp3ファイルを処理している6つのケース。
Podcast・音声番組
配信済みのepisodeをmp3でダウンロード、VexaScribeにアップロード。5〜10分でショーノート・SEO最適化されたブログ記事の下書きに変換。1時間episode→1,500〜2,500字の記事へ。
会議録音・議事録作成
Zoom・Teams・Meetの会議録音をmp3エクスポート、話者分離で参加者を自動識別。決定事項・アクションアイテムを整理した議事録を生成。1時間会議で5〜10分で完了。
取材・インタビュー音源
現場でスマホやレコーダーで録音したmp3を文字起こし。話者分離で記者と対談相手を自動識別、タイムスタンプで引用元を素早く確認できる。研究インタビューにも最適。
講義・授業録音
講義音源のmp3ファイルを文字起こしして復習資料に。1コマ90分の講義が5〜10分で文字化。試験前の見直しに便利。学期分をバッチ処理も可能（最大50ファイル並列）。
コンテンツ制作・ライティング
音声でアイデアを録音してmp3化、文字起こしを元に記事・書籍・企画書の下書きへ。話し言葉から書き言葉への変換の時間を大幅短縮。
法務・調査記録
顧客との打ち合わせ、証言、内部調査の録音を正確に文字起こし。VexaScribeはEU（ロンドン）にホスティングされ、データが学習に使われることはありません。
書き出し形式 — TXT/DOCX/SRT/VTT/JSON
1回の文字起こしから5種類の形式を書き出せます。用途に応じて選択（複数選択可）。
TXT（プレーンテキスト）
メモ帳・Wordにコピー、ブログ記事の下書き、要約への入力に。話者名なしのシンプルなテキスト。
DOCX（Word文書）
タイムスタンプと話者ラベル付き。議事録・研究論文の付録・取材メモとして共有可能。
SRT/VTT（字幕）
動画字幕ファイル。YouTube・Premiere・DaVinci Resolve・CapCutで使える。mp3を動画のBGMやナレーションに使う場合に。
JSON（開発者向け）
単語レベルのタイムスタンプと話者ID。カスタムアプリ、検索インデックス、動画編集ツールへの取り込みに。
料金プラン（USD建て・約1$=150円）
請求はUSD建て。150円/ドル換算での目安（2026年8月時点、日々変動あり）。
Starter
$2
≈ 300円/月
月200分
Basic
$5
≈ 750円/月
月1,000分
Pro
$10
≈ 1,500円/月
月2,500分
Studio
$20
≈ 3,000円/月
月6,000分
よくある質問
mp3ファイルを文字起こしする方法は？
4つの手順で完了します。①mp3ファイルをVexaScribeなどのAI文字起こしサービスにアップロード（1ファイル最大5GB・10時間まで対応）。②言語を選択（日本語は自動検出可）、複数話者の場合は話者分離をオン。③Whisper Large-v3が処理、1時間の音声で5〜15分。④TXT・DOCX・SRT・VTT・JSONの5形式から書き出し。無料枠は登録後30分（クレジットカード不要）で、短めのpodcast episodeや1本のインタビューなら十分にカバーできます。GoogleドキュメントやOS標準の音声認識でも無料でできますが、mp3を直接読み込めず再生しながら書き起こす必要があり、精度も低くなります。
mp3文字起こしは無料でできますか？
4つのパターンで無料利用が可能です。①VexaScribeの30分無料トライアル：登録のみ（カード不要）、通常のフル機能を体験、5つの書き出し形式すべて利用可能。②Googleドキュメント：完全無料、日本語対応、ただしmp3を直接アップロードできず、再生しながらの音声認識のみ。ノイズや複数話者に弱く精度は70〜85%程度。③OS標準の音声認識機能：Mac標準ディクテーション、Windows音声認識も再生しながらの認識のみ。④ローカルWhisper：オープンソースで永年無料、mp3を直接処理可能、ただしGPUとPython環境が必要。仕事や継続利用ではAIサービス（月$2〜）が現実的です。
mp3のビットレート（128kbps・192kbps・320kbps）で精度は変わりますか？
64kbps以上ならほぼ変わりません。Whisper Large-v3は内部で16kHzモノラルにリサンプリングするため、それ以上のビットレートは活用されません。テスト結果：mp3 128kbps→93〜95%精度、mp3 192kbps→93〜95%、mp3 320kbps→93〜95%。同じです。64kbpsでは音質そのものが低下し始めて88〜90%程度に下がります。実用上の教訓：mp3の再エンコードで「品質を上げる」ことに時間をかけても意味がなく、元ファイルをそのままアップロードするのが最速。マイクの品質と収録環境の方がビットレートより遥かに重要です。
podcast episodeの.mp3を文字起こしできますか？
はい、podcast文字起こしはmp3文字起こしのもっとも一般的な用途です。ワークフロー：Apple Podcasts・Spotify・Google PodcastsからHost経由でmp3をダウンロード → VexaScribeにアップロード → 5〜10分でタイムスタンプ付きテキストを取得 → ショーノート、SEO最適化されたブログ記事、コンテンツリパーポジングに活用。1時間のpodcast episode（典型的な収録品質）で93〜96%の精度が期待できます。複数話者の対談形式では話者分離機能をオンにして、Host / Guest / Guest 2などのラベルを自動付与（後で実名に変更可能）。日本語podcast業界の代表例（Voicy番組、Flow Podcast、PodPahなど）でも同じワークフローで動作します。
他の音声形式（m4a、wav、oggなど）も文字起こしできますか？
はい、VexaScribeはmp3以外にもm4a、wav、ogg、flac、aac、aiff、wma、amr、opusの計10形式に対応しています。特に：m4a（iPhoneボイスメモの標準形式）は<Link href="/ja/m4a-mojiokoshi">ボイスメモ文字起こしの専用ページ</Link>で詳しく解説。wavは可逆圧縮のため最高品質、mp3と同じ精度。ogg/opusはWhatsAppボイスメモやDiscord録音で使用される形式。フォーマット変換は不要で、どれもそのままアップロードできます。動画ファイル（mp4、mov、mkv、webm）は<Link href="/ja/mp4-mojiokoshi">動画文字起こしの専用ページ</Link>で扱っています — VexaScribeが自動で音声を抽出するため、ffmpegでの事前抽出は不要です。
mp3文字起こしの精度はどのくらいですか？
音源の品質で大きく変わります。①スタジオ収録・アナウンサー音声：94〜96%（podcast、ラジオ番組の理想的な条件）。②オフィスマイクで録音した会議音声：90〜94%。③スマホで録音した対談：88〜93%。④ラジオ番組をラジコから録音した.mp3：92〜95%（放送品質）。⑤カフェ・電車内で収録：78〜88%（背景ノイズによる）。⑥低ビットレート（64kbps以下）のmp3：85〜90%。日本語はWhisper Large-v3のTier 1言語で、英語とほぼ同水準の精度（FLEURSベンチマークで文字誤認率5.3%）。固有名詞や専門用語はどの条件でも20〜30%の誤認率になるため、1時間あたり5〜15分の見直しを想定してください。
mp3ファイルを複数まとめて文字起こしできますか？
はい、VexaScribeでは最大50個のmp3ファイルを並列アップロードで一度に処理できます。各ファイルは独立して文字起こしされ、遅いファイルを待つ必要はありません。実用例：podcast番組の過去1年分のバックカタログ（52本を一気に）、インタビューシリーズ（研究プロジェクトで20〜40人分）、講義音源アーカイブ（1学期分）、営業電話の分析（週次バッチ）。各ファイルは月間利用時間からカウントされ、30分無料トライアルはバッチ全体で1回のみ適用されます。日本語・英語などの混在バッチも問題ありません（ファイルごとに言語を自動判定）。
GoogleドキュメントやMicrosoft Wordでもmp3文字起こしできますか？
限定的にできます。①Googleドキュメント：ツール→音声入力（Ctrl+Shift+S）で音声認識できますが、mp3を直接読み込めず、再生しながら書き起こす必要があります。日本語対応、無料、ただしノイズや複数話者に弱く精度は70〜85%程度。②Microsoft Word（Office 365）：ホーム→ディクテーション→トランスクライブでmp3アップロードに対応（2020年から）。ファイル1本80分まで、月5時間まで、日本語対応。精度は85〜90%程度。両者ともAI専用サービス（VexaScribe等の94〜96%）と比べると精度は劣り、業務利用では物足りない場合が多いですが、個人メモや簡単な用途では十分です。