音声ファイルをSRT字幕ファイルに変換
音声ファイルをアップロードすると、ScreenAppが音声を文字起こしし、タイムスタンプに合わせてテキストを並べ、SRTファイルとしてダウンロードします。手作業で音声を書き起こすことなく、ビデオに追加したり、ポッドキャストと一緒に公開したり、翻訳者に渡したりできる字幕ファイルを入手できます。
ScreenAppは、音声をキャプションが焼き付けられたビデオに変換するものではありません。入手できるのは字幕ファイル自体です。SRTまたはVTT形式で、プラットフォームが対応している場所ならどこでもアップロードできます。公開前に確認したい場合は、字幕品質チェッカーが、テキストエディタでは見えないオーバーラップや長すぎる行を検出します。
入手できるもの：
- タイムスタンプ付きの文字起こし、100+言語に対応
- 文字起こしをPDF、DOCX、TXT、SRT、VTTとしてエクスポート
- 複数の人が話す場合の話者識別
- 第二言語の字幕トラックのためのトランスクリプトとキャプションの翻訳
- 無料プラン：2 transcriptions of recordings up to 45 minutes each
音声からSRTへの変換方法
- MP3、WAV、M4A、FLACなどのファイルをドラッグするか、ScreenAppに直接録音します。
- 文字起こしを開始させます。音声は進行中にタイムスタンプと照合されるため、タイミングは後から推定されるのではなく、音声から取得されます。
- 文字起こしを読み、聞き間違いがあれば修正し、SRTまたはVTTとしてエクスポートします。
精度は他の何よりも音声に依存します。一人が明瞭に話す場合は、ほぼ完全に文字起こしされます。二人が互いに話し合ったり、ファンが後ろで回っている録音では、修正する箇所が多く残ります。精度の測定方法をご覧ください。
ビデオと同期する前に知っておくべきことの一つは、タイムスタンプはアップロードした音声ファイルの開始時点から測定されるということです。もしその録音がビデオとは異なる瞬間に始まる場合（音声が別々にキャプチャされた場合に一般的です）、すべてのキャプションが固定されたオフセットに位置するため、キューを一つずつ修正するのではなく、ファイル全体をシフトさせることになります。
一つのアップロードから複数の形式を出力したい場合は、マルチフォーマット音声から字幕へのコンバーターがSRT、VTTなどをまとめてエクスポートします。
音声からSRTへのコンバーターと他のアプリの比較
| 機能 | ScreenApp | Uniscribe | Otter.ai | Rev.com |
|---|---|---|---|---|
| 無料プラン | 2 transcriptions, up to 45 min each | 120分/月、30分/ファイル | 300分/月、30分/会話 | 録音は無料、文字起こしは有料 |
| SRTエクスポート | PDF、DOCX、TXT、SRT、VTT | Word、CSV、PDF、TXT、SRT、VTT | 無料プランでmp3とtxt、Pro以上でpdf、docx、srtも利用でき、Business以上で一括エクスポートに対応 | 未記載 |
| 言語 | 100+ | 63 | 6 | 未記載 |
| 有料プラン | $19/月（年払い） | $6/月（年払い） | $8.33/月（年払い） | $25.49/月（年払い） |
Sources, checked 2026-10-01: ScreenApp supported languages, ScreenApp pricing, uniscribe.co/pricing, Otter pricing, Rev pricing
Uniscribeは、月間120分の無料枠を提供し、1ファイルあたりの上限は30分です。ベーシックプランは月額$6ドル（年払い）からです。言語数も異なり、こちらは100+言語に対し、Uniscribeは63言語です。
Otterは注意して読むべきです。無料ティアは月間300分で、SRTエクスポート（無料プランでmp3とtxt、Pro以上でpdf、docx、srtも利用でき、Business以上で一括エクスポートに対応）は有料プランの機能です。したがって、無料のOtterアカウントでは音声を文字起こしできますが、字幕ファイルを外部に持ち出すことはできません。ここではSRTエクスポートは無料プランで利用できます。
Revはまた異なります。レコーダーは無料ですが、AI文字起こしは有料で、月額$25.49ドル（年払い）です。これは1つのファイルには問題ありませんが、シーズンのエピソード全体では積み重なります。
音声からSRTへのコンバーターを使う人
ポッドキャスターは典型的な例です。ビデオとしても配信される番組にはキャプションが必要であり、番組ノートのために音声は既に一度文字起こしされているため、同じトラックをSRTに変換することで、作業に二度お金を払う必要がなくなります。
映像とは別にナレーションを録音する人は、異なる理由でここにたどり着きます。クリーンな音声トラックは、最終的なミックスよりもはるかに良く文字起こしされます。なぜなら、言葉の下に音楽や部屋の環境音がないからです。編集者や映画制作者は、最終的なエクスポートを文字起こしツールにかけた結果、生の音声が生成したものよりも悪いものが返ってきた後、偶然にこれを発見する傾向があります。
翻訳者は、言葉ではなくタイミングのためにそれを求めます。正確なソース言語のSRTから始めることで、翻訳されたファイルは実際の音声に対して測定されたタイミングを継承するため、後で手作業でタイミングを再調整する必要がありません。アクセシビリティチームや教育チームも同じ方法で、ビデオではなくレッスンや公開ブリーフィングの音声トラックから作業します。
