AIの文字起こしはどれくらい速いか？時間を比較

講義、インタビュー、会議をテキストにする人は、まず一つの質問をします。どれくらい時間がかかるのか。手作業の文字起こしの答えは、何十年も同じような数字でした。AIの答えは、まったく違います。

AIの文字起こしにはどれくらい時間がかかるか？

聞き取りやすい音声の場合、AIの文字起こしは1時間の録音を通常5〜10分で処理します。短いファイルは1〜2分で終わることもあります。長い録音は、その長さに比例して時間がかかります。アップロードの時間、サーバーの負荷、話者分離、音声の品質によって、最終的な待ち時間は変わることがあります。

手作業：音声1時間あたりの典型的な所要時間

業界の基準によると、平均的な人が聞き取りやすい話し声1時間を文字起こしするには、約4時間かかります。音質が悪い場合は、さらに長くなります。プロは、音声1時間あたり2〜3時間かかることが多いです。

AI：数時間ではなく数分

自動音声認識は、通常、リアルタイムよりはるかに速くファイルを処理します。一般的なクラウドやWhisperの基準値では、音声1時間の計算に約5〜10分かかります。負荷、ファイルサイズ、モデルによって変わります。

全体としてはハイブリッドがもっとも速いことが多い

AIの生の文字起こしは速いものの、完璧なことはほとんどありません。多くのチームは、まず自動で文字起こしをし、そのあとで名前、専門用語、話者ラベルを直します。音声1時間あたり15〜30分の確認を加えるだけでも、全体の作業量は手作業だけの場合よりはるかに少なく済みます。

• 完全な手作業：最大限のコントロール、最大限の時間
• 確認なしの完全なAI：納品はもっとも速いが、専門用語でのリスクがある
• AI＋重点的な校正：大学、報道、チームにとってちょうどよい落としどころ

AIの文字起こしの限界は何か？

速さがあっても、ファイルサイズ、録音の品質、話者の重なり、名前、専門用語の制限はなくなりません。こうした制約は、ファイルをアップロードできるかどうかと、文字起こしにどれだけの確認が必要かに影響します。詳しくは、制限について別途まとめたガイドで説明しています。