mp4文字起こし — .mp4動画をAIで無料テキスト化（30分無料）

4つのステップです。①MP4ファイルをVexaScribeにアップロード（1ファイル最大5GB、音声抽出は自動、MP3やWAVへの事前変換は不要）。またはYouTube、TikTok、Instagram、Google DriveのURLを貼り付けてサーバー側で取得（2026年7月から対応）。②言語（明瞭な単一話者なら自動検出、または「日本語」を選択）と話者分離のオン/オフを設定。会議や複数話者のMP4では話者分離をオンに。③動画1時間につき5〜15分待機（Whisper Large-v3が実時間の4〜10倍速で処理）。④TXT（プレーンテキスト）、DOCX（タイムスタンプと話者ラベル付きWord）、JSON（開発者向け）、SRT（字幕ファイル）のいずれかで書き出し。1時間のMP4なら合計10〜25分で完了します。

はい、2026年7月より対応しています。VexaScribeはYouTube（youtube.com、youtu.be、m.youtube.com、music.youtube.com）、TikTok、Instagram動画投稿、Google Drive共有リンク（25MB超の確認トークン処理も自動）、直接MP4を配信するHTTPS URL（S3、Dropbox共有、直リンクMP4）に対応。URLを貼り付けるとサーバー側でメディアを取得し、文字起こしを返します。以下のようなケースで便利：①自分のYouTube過去動画を再ダウンロードせずに文字起こしする、②Zoom/Teamsの録画がすでにGoogle Driveにある、③自宅回線ではアップロードできない大きいファイル。Vimeoなどのプレイヤーページは、URL自体がサーバーから取得可能な直リンクMP4である場合のみ動作します。非公開Google Driveファイルはダウンロード後にアップロードが必要です。

VexaScribeは1ファイル最大5GBに対応（720p〜1080pの通常圧縮動画で約8〜10時間相当）。他サービスより大きく、Zamzarは無料200MB/有料1GB、ElevenLabs 3GB、HappyScribe 4GB、OpenAI Whisper APIは25MBのみ。5GBを超えるMP4（長時間の講座、丸1日のイベント収録、無圧縮の元ファイル）は、LosslessCut（無料）で2分割してそれぞれ文字起こしし、結果を結合してください。すでにYouTubeまたはGoogle Driveにあるファイルは、URL貼り付けワークフローを使えばサーバー側取得のためサイズ制限はありません。

はい、3つの現実的な選択肢があります。①VexaScribe 30分無料トライアル：登録のみ（カード不要）、短いMP4なら本番品質で1本まるごと処理可能。②YouTube自動字幕：MP4をYouTube（公開または限定公開）にアップロードし、10〜30分待ち、Subtitle Editやブラウザ拡張でSRT/TXTとしてダウンロード。英語で約85%、日本語や他言語では低下。③ローカルWhisper：GPUとPython知識があれば永年無料、まずffmpegで音声を抽出（ffmpeg -i input.mp4 -vn -acodec libmp3lame audio.mp3）してからwhisper audio.mp3 --output_format txtを実行。単発の短いMP4なら無料で足りますが、継続利用、長時間ファイル、多言語、話者ラベル、TXT以外の書き出しが必要な場合は月2ドルからの有料プランのほうが現実的です。

クリーンなMP4ソース（単一マイクの画面録画、ショットガンマイクのカムコーダー/DSLR、防音室録音）で95〜97%。Zoom/Teams/Meet書き出し（圧縮ノイズ）で91〜95%、YouTubeからダウンロードした再エンコードMP4で90〜94%、マイク近接のスマホ動画で92〜95%、ポケット内やこもった録音で75〜85%。固有名詞（人名、ブランド名、専門用語）は他の音声条件がクリーンでも20〜30%の誤認率になります。動画1時間あたり5〜15分の見直しを想定してください。日本語はWhisper Large-v3のTier 1言語（FLEURSベンチマーク5.3% CER）で、英語に近い精度が期待できます。MP4音声ビットレートが64 kbps AAC未満（過度に圧縮された電話品質、留守電レベル）ではさらに低下します。

AI処理時間5〜15分＋見直し（固有名詞、専門用語、話者ラベル）で5〜15分。1時間のMP4で合計10〜30分。AIは負荷状況により実時間の4〜10倍速で処理。人間による文字起こし（Rev、3PlayMedia）は納期12〜48時間で動画1時間あたり90〜300ドル。裁判記録の逐語や放送認定字幕でない限り、ほぼ選ばれません。RTX 3060以上の一般GPUでローカルWhisperを走らせると、ffmpeg事前抽出込みで1時間MP4を10〜20分でローカル処理（無料）。

はい、SRT字幕ファイルはVexaScribeの全プランで書き出し可能です。1回の文字起こしから、TXT・DOCX・JSON・SRT・VTTの5形式すべてを取得できます。SRT字幕ファイルは元のMP4のタイムラインに同期されているため、Premiere、DaVinci Resolve、Final Cut、CapCut、YouTubeスタジオ、VLCなどにそのまま読み込めます。YouTubeにアップロードする場合は「字幕→言語追加→ファイルをアップロード→タイミング付き」で.srtをアップロードすると、YouTubeが検索インデックスに登録します（自動字幕より確実にSEO効果があります）。動画から字幕ファイルだけ欲しい場合の詳細はvideo to SRTページも参照してください。

はい、VexaScribeはMOV、AVI、MKV、WebM、FLV、WMV、M4V、3GPなど主要な動画形式をすべて直接受け付けます。フォーマット変換は不要で、ffmpegでのMP3抽出のような事前ステップも不要です。iPhoneで撮影したMOV、Androidで撮影したMP4、GoProで撮影したMP4、Zoomから書き出したMP4、Google Meet録画のMP4、Teamsのビデオ会議録画、YouTube DownloaderのMP4、いずれも同じワークフローで処理できます。音声のみ抽出したい場合はMP3/WAV/M4A/OPUS/FLAC/AACなど主要な音声形式にも対応しています。