音声翻訳機能とは
この音声翻訳機能は、99言語間で音声を翻訳します。翻訳品質は、原文の単語誤り率に左右されます。録音ファイルをアップロードしたり、ブラウザでライブで話したりできます。ダウンロード、アカウント登録、時間制限は一切不要です。
音声ファイルを入力し、翻訳されたテキストを出力します。 MP3、WAV、M4A、MP4、OGG、FLACをアップロードできます。モデルは原文言語を文字起こしし、選択したターゲット言語に翻訳を実行し、結果をプレーンテキスト、字幕用のSRTまたはVTTとしてエクスポートします。最大3時間までのファイルは、1回のパスで処理できます。
ライブ翻訳は同じブラウザタブ内で実行されます。 マイクをクリックして話すと、1.5秒未満で翻訳されたテキストが表示されます。録音が完了するのを待つことができない国際的なサポートコール、ベンダー会議、バイリンガルインタビューに役立ちます（2026年4月時点での遅延ベンチマーク）。
主な機能：
- 自動検出機能により、あらゆる原文言語から英語へ音声翻訳
- 1.5秒未満の遅延でのライブ音声翻訳
- 最大3時間までのオーディオファイル（MP3、WAV、M4A、MP4、OGG、FLAC）をアップロード可能
- 会議、通話、プレゼンテーション向けの無料ライブ音声翻訳機能
- アクセント、方言、バックグラウンドノイズに対応。言語ごとのWERは精度ページで確認可能
- 翻訳を音声として再生する音声出力機能
- ブラウザベースで、インストール不要
- ドキュメント作成や検索のためのタイムスタンプ付き文字起こし
このツールは、録音された会議、ポッドキャスト、インタビュー、顧客サポートコール、ビデオコンテンツ向けに構築されています。リアルタイムの会話にはライブモードを、検索可能な文字起こしを含む一括作業にはファイルをアップロードして使用してください。
言語ペア品質マトリックス
翻訳品質は、文字起こし品質に左右されます。原文言語で単語誤り率（WER）が低いペアは、翻訳パスが解釈する曖昧な入力が少ないため、よりクリーンな翻訳を生成します。以下の数値は、2026年4月のWER再テストによるものです。
| 言語ペア | 平均WER（文字起こし） | 翻訳品質 | 注記 |
|---|---|---|---|
| en, es | 4-5% | 優秀 | 最も頻繁に使用されるペア、最も訓練済み |
| en, pt | 5-6% | 優秀 | ブラジルポルトガル語とヨーロッパポルトガル語に対応 |
| en, fr | 5-6% | 優秀 | ケベックフランス語をカバー |
| en, de | 6-7% | 良好 | 複合語を正しく処理 |
| en, ja | 7-8% | 良好 | 句読点を再構築 |
| en, zh | 7-8% | 良好 | 簡体字と繁体字 |
| en, ko | 7-8% | 良好 | 敬語レベルを維持 |
| es, pt | 5-6% | 優秀 | 相互理解度が高い |
| en, ar | 9-10% | 許容範囲 | MSAのみ、方言のカバーは限定的 |
| en, hi | 9-10% | 許容範囲 | 英語とのコードスイッチングを処理 |
上記にリストされていないペアについては、言語ごとの精度表で原文言語のWERを調べ、WERのバケットと最終的な翻訳の間に約1段階の品質ティアを追加してください。WERが10%以上のペアでも、大意を理解するのに役立つ翻訳は生成されますが、固有名詞やイディオムの修正が多くなることを予想してください。
音声翻訳機能の使用方法
このツールは、録音をアップロードする場合でも、ライブで話す場合でも、3つのステップで実行されます。
- 音声ファイル（MP3、WAV、M4A、MP4、OGG、FLAC）をアップロードするか、マイクをクリックしてライブで話します
- AIが100以上のオプションから原文言語を自動で検出します
- 音声は96%以上の精度で、タイムスタンプ付きで目的の言語に変換されます
- テキストをコピーするか、翻訳された文字起こしをダウンロードします
対応言語には、スペイン語、フランス語、ドイツ語、中国語、日本語、韓国語、アラビア語、ヒンディー語、ポルトガル語、ロシア語、イタリア語、オランダ語、その他90以上の言語が含まれます。
ライブ音声翻訳モードは、会話を1.5秒未満の遅延で即座に処理します。これはビジネス会議、顧客対応、インタビュー、国際プレゼンテーション向けに構築されています。タブを切り替えることなく、通話中にクリックして話すだけで翻訳できます。
マイク入力は、あなたの音声をブラウザで直接キャプチャします。マイクボタンをクリックし、許可を与えて話してください。AIが言語を検出し、コンテンツを翻訳し、結果を表示します。デスクトップとモバイルブラウザで動作します。
音声翻訳と他のツールとの比較
| 機能 | ScreenApp | Maestra | Sonix | Notta | Speechmatics | Veed.io |
|---|---|---|---|---|---|---|
| 対応言語 | 100以上 | 125以上 | 53 | 58 | 50以上 | 125以上 |
| 原文言語の自動検出 | はい | はい | はい | はい | はい | はい |
| 吹き替え出力のための音声クローン | いいえ（TTS音声） | はい | いいえ | いいえ | いいえ | はい |
| ファイルサイズ/長さの制限 | アップロードあたり3時間 | ファイルあたり5 GB | 4 GB / 5時間 | 2 GB / 5時間 | ファイルあたり2 GB | ファイルあたり2 GB |
| 無料枠 | 無制限の分数 | 30分トライアル | 30分トライアル | 月120分 | 月8時間 | |
| エクスポート形式 | TXT, SRT, VTT, DOCX | SRT, VTT, TXT, DOCX | SRT, VTT, TXT, DOCX | TXT, SRT, DOCX, PDF | TXT, SRT, JSON | SRT, VTT, TXT |
| 料金（有料） | 無料 | 月額29ドル | 1時間あたり22ドル | 月額14.99ドル | API 1時間あたり0.30ドル | 月額24ドル |
- vs Maestra: Maestraは、話者の音声をクローンしてターゲット言語で吹き替え再生する機能があり、ビデオのローカライズに役立ちます。無料トライアルは30分が上限です。ScreenAppはクローンではなく一般的なTTS音声を使用しますが、無料利用には時間制限がなく、SRT/VTTを直接エクスポートできます。
- vs Sonix: Sonixは53言語に対応し、30分のトライアル後、オーディオ1時間あたり22ドルを請求します。ScreenAppは99言語に対応し無料で翻訳できますが、Sonixは長時間の会議録音における話者分離ラベルがより強力です。
- vs Notta: Nottaは58言語で月に120分の無料利用を提供し、ビデオ作業用にSRTをエクスポートできます。ScreenAppはより多くのファイル形式（OGG、FLACを含む）を受け入れ、月間の分制限を撤廃している一方で、NottaはZoomとGoogle Meetのボット統合がより緊密です。
- vs Speechmatics: SpeechmaticsはAPIファーストの文字起こしエンジンで、オーディオ1時間あたり0.30ドルで課金され、月に8時間の無料利用が可能です。翻訳には開発者による統合が必要です。ScreenAppはコード不要でブラウザで動作します。
- vs Veed.io: Veed.ioはAI音声クローンとビデオエディター向けの画面上の字幕スタイリングを追加し、月間30分の無料枠があります。ScreenAppはオーディオからテキストへの翻訳パスに重点を置き、ビデオ編集はスキップしますが、より長いファイル（2GBに対し3時間）を無料で処理します。
音声出力付き翻訳
この音声翻訳機能は、ターゲット言語でのテキストの文字起こしと音声出力を返します。音声をテキストに変換した後、テキスト読み上げ機能を使用して自然な音声で再生します。
音声出力機能：
- 地域アクセントを含む100以上の言語の音声による自然な発音
- 翻訳された音声の再生速度を調整可能（速くしたり遅くしたり）
- ほとんどの言語で男性または女性の音声オプションの選択
- ライブ会話中の即時再生
- 翻訳された音声のダウンロード可能なオーディオファイル
音声出力は、言語学習、アクセシビリティ、または電話での通話、運転中、ハンズフリー会議など、テキストを読むことが実用的でないあらゆる状況で活用できます。話された翻訳は、発音とイントネーションの学習にも役立ちます。
音声翻訳ツールはどんな人向けか
多言語コンテンツを提供するローカライズチーム は、ソース言語のナレーション、広告スポット、製品チュートリアルを翻訳ツールに通し、各提供市場向けにSRTファイルを生成します。100以上の言語に対応しているため、単一のリリースに必要なベンダー数を削減できます。
外国語インタビューを取材するジャーナリスト は、録音したその日のうちにフィールドレコーディングをアップロードします。文字起こしと翻訳はタイムスタンプ付きで返却されるため、記者は別途通訳を雇うことなく00:14:32の引用を引用できます。
バイリンガル教材を準備する語学教師 は、ポッドキャストやニュースクリップをツールに投入し、元の文字起こしと英語翻訳の両方を取り出します。学生はこれらを並べて比較でき、SRTエクスポートは教室のビデオプレーヤーに接続できます。
非英語の音声チケットを処理するサポートチーム は、チームの言語を話さない顧客からのボイスメールやZoom録音を翻訳します。エージェントはヘルプデスクで翻訳された文字起こしを読み、バイリンガルキューにチケットをルーティングすることなく書面で返信します。
音声翻訳で失われるもの
機械による音声翻訳は意味の把握には優れていますが、意味を取り巻く要素については劣ります。慣用句、皮肉、言葉遊びは平坦化され、元の言語でダジャレに基づいたジョークは、文字通りの面白くない文章として返ってきます。これはこのツールに特化したものではなく、翻訳自体の限界であり、微妙なニュアンスを要する出力に頼る前に知っておく価値があります。
名前や専門用語ももう一つの弱点です。モデルが一般的な単語として読み取る姓は、そのまま保持されずに翻訳され、ニッチな用語は最も近い日常的な同義語として返ってくることがあります。カジュアルな会話であれば、これらは問題になりません。法律または医療の録音の場合、機械翻訳を迅速な初回パスとして扱い、重要な部分については人間がチェックするようにしてください。
