MP4を文字起こし — 無料AIで動画テキスト化 (2026年版)

いいえ、不要です。VexaScribeがMP4から音声を自動抽出します。MP4をMP3/WAVに変換する事前作業は必要ありません — MP4ファイルをそのままアップロードすればOK。動画コーデック (H.264, H.265, AV1, VP9) は文字起こし精度に影響しません — 音声トラックだけが処理されるため。動画解像度 (4K vs 720p) も無関係。

はい、同じカテゴリのツールです。海外では "mp4 to text"、"transcribe mp4"、"mp4 transcription"、"convert mp4 to text" と呼ばれます — すべて同じ用途を指す英語表現です。VexaScribeは言語自動検出のため、日本語のMP4 → 日本語テキスト、英語のMP4 → 英語テキスト、日英コードスイッチング (テック系ウェビナー、外資企業の社内会議で頻出) も両言語で正しく処理。海外の技術記事やチュートリアルで見かける "mp4 to text" ツールと同じことができます。

Zoomのローカル録画は Documents/Zoom フォルダに MP4 形式で保存されます。<strong>手順:</strong> (1) Zoomアプリ → ミーティング → 録画済み → 該当ミーティング → 「フォルダを開く」、(2) zoom_0.mp4 (ファイル名の典型例) を VexaScribe にアップロード、(3) 音声自動抽出 → 話者分離付きで文字起こし → TXT/DOCX/SRT でエクスポート。処理時間: 1時間のZoom録画で5-10分。社内会議、オンライン面接、ウェビナー録画に最適。<strong>Zoom Cloud録画</strong>の場合、Zoom Web管理画面からMP4をダウンロードしてから同じ手順。

2つの方法があります: (1) <strong>YouTubeからMP4をダウンロード</strong> (yt-dlp や公式ダウンロード機能を使用) → VexaScribeにアップロード、(2) <strong>YouTube URLを直接ペースト</strong> — アップロードページに URL を貼るだけで自動処理。方法 (2) が単発の動画に便利。方法 (1) はバッチ処理や非公開動画に。<strong>法的注意:</strong> 自分の動画または fair use / 教育目的での使用はOK。商用の再配布には権利者の許可が必要。

無料サイトの多くは短時間 (5-10分) 制限、低精度、または広告付き。VexaScribeは30分完全無料 (カード不要、登録不要でテスト可能)、Whisper large-v3 で最高クラスの精度 (FLEURS JA WER 4.7%)、話者分離機能付き、SRT/VTT字幕エクスポート対応。長時間動画 (講義2コマ、セミナー全体) には有料プラン (月200円〜) がコスパ最強。<strong>比較:</strong> Rimo Voice (JP、従量課金、~15円/分)、Notta (JP発、月120分無料)、VexaScribe (国際、30分無料、月$2〜)。

影響しません。VexaScribeは音声トラックのみを処理するため、動画コーデック (Zoom/YouTube標準の H.264、iPhone/Samsung最新の H.265、YouTube 2024年以降の AV1、yt-dlpダウンロードの VP9) はすべて同じように扱われます。重要なのは音声トラックの品質: マイク距離、背景ノイズ、発話の重なり。4K動画と480p動画は音声が同じなら文字起こし精度も同じです。

字幕作成に特化した用途なら、以下も選択肢: (a) YouTube Studio (自動字幕、無料、精度中)、(b) CapCut (動画編集セット、字幕タイムライン統合)、(c) Adobe Premiere Speech-to-Text (プロ用、月額)。VexaScribeの字幕出力の強み: (1) 話者分離付きSRT (誰の発言か明記)、(2) 日本語精度が高い (Whisper large-v3)、(3) 字幕タイミング調整可能、(4) VTT・SRT両対応。字幕以外にDOCX/TXTでの本文書き起こしも同時に取得できる点が便利。

5GB (約10-15時間の動画、720p H.264 + AAC audio換算)。ほとんどの用途 (Zoom会議、ウェビナー、講義動画) はまず引っかかりません。とても長い動画 (終日カンファレンス全体録画など) は分割してアップロードを推奨。

ウェビナー・オンラインセミナーは通常、単一の発表者、静かな環境、ハイクオリティマイクの条件が揃うため、Whisper large-v3で90-95%の精度が実測されます。マイクを口元に近づけて話す配信者は特に精度が高い。パネルディスカッション形式 (複数登壇者) では話者分離が重要。<strong>低下条件:</strong> 発表者が離れた場所のマイクで話す、BGMが大きい、参加者の音声が混じる。

最初の30分は無料 (クレジットカード不要、登録なしでもテスト可能)。以降: <strong>Starter月$2</strong> (200分/月)、<strong>Basic月$5</strong> (1000分 ≈ 17時間)、<strong>Pro月$10</strong> (2500分)、<strong>Studio月$20</strong> (6000分)。週に1本のウェビナー (60分) を文字起こしする配信者ならStarterで十分。日常的にZoom会議 (週5本、各60分) を処理する企業ユーザーはBasic推奨。