MP3・M4Aをアップロードせずに文字起こしする方法|Windows・Mac

会議やインタビューのMP3・M4Aを文字にしたいけれど、録音を外部サイトに送れない。そんなときは、無料のデスクトップアプリ Buzz で、音声認識モデルをパソコン上で動かす方法があります。初回はアプリとモデルの取得に通信が必要ですが、モデルを用意した後は、ローカル設定で音声をアップロードせずに文字起こしできます。

この記事はBuzzの配布ページ・公式マニュアルをもとにした手順です。Windows・Mac実機での速度や認識精度を比較した記事ではありません。

先に確認:無料版の配布元とオフラインになる条件

項目 最初に選ぶ設定・確認事項
アプリ chidiwilliams/buzz の無料デスクトップ版。似た名前のWebサービスではなく、公式の導入ガイドから入手します。
Windows Windows向けの配布ファイルを選択。公式ガイドでは配布ファイルが未署名と案内されています。勤務先などが導入を制限している場合は、管理者の許可を得たツールを使います。
Mac 本記事では現行の無料デスクトップ版を案内します。公式の導入ガイドでは、現行版にAppleシリコンが必要と記載されています。「このMacについて」でチップを確認してください。
認識エンジン Whisper.cpp を選びます。OpenAI Whisper API は外部サーバーで処理する別の選択肢です。オフライン作業には選びません。
入力と出力 録音ファイルはPCに保存してから選択。読み返すならTXT、動画字幕ならSRT、対応するWebプレーヤー用ならVTTを選びます。

MP3・M4AをBuzzで文字起こしする手順

  1. Buzzを用意する。 公式のインストールガイドからWindowsまたはmacOS向けのファイルを入手します。最初は、公開しても困らない短い練習用音声から試します。
  2. ローカルモデルを用意する。 モデル設定でWhisper.cppの多言語版を取得します。まずは base など小さめのモデルで短い音声を試し、誤認識が多ければ同じ音声で small などと比べます。日本語の録音には英語専用の .en 版を選びません。
  3. ファイルを選ぶ。 Fileメニューの「Import Media File」から、パソコンに保存したMP3またはM4Aを選びます。クラウド上にしかない録音は、先に端末へダウンロードして再生できることを確認します。
  4. 日本語のまま文字にする。 タスクは「Transcribe」、言語は「Japanese」、モデルはダウンロード済みのローカルモデルに設定します。「Translate」は翻訳用途です。出力形式を選んで「Run」を押します。表記はアプリの版によって異なります。
  5. 保存した結果を開く。 完了した行を開き、録音と照合します。TXTなら読み返せるか、SRT・VTTなら字幕の開始位置と終わりが音声に合っているか確認します。

オフラインで動くか確かめるには:モデルと練習用音声を端末に保存した後、通信を切った状態で短い練習ファイルを処理し、テキストが出力されるか確認します。要約用のプラグインや外部AI連携は、文字起こしとは通信先が異なる場合があります。外部送信できない資料では使わず、出力フォルダがクラウド同期の対象になっていないかも確認してください。

30秒でできる日本語の照合練習

次の架空の文を自分で録音して試せます。下の表は、特に見直したい箇所の例です。実際の認識結果ではありません。

青葉企画の佐伯です。受付番号はゼロ、ゼロ、七、二。見積もりは一万五千六百円。提出は十一月二十日、午後二時半です。

読み返す箇所 確認する内容
名前 「青葉企画」「佐伯」の漢字。音だけで判断できない場合は別資料で確認。
番号・金額 受付番号 0072 の先頭の0と、15,600円の桁・単位。
日時 11月20日・午後2時半。「午前」に変わっていないかも確認。

同じ文を何度も直すより、固有名詞・数字・日時だけ先に見直すと確認箇所を絞れます。発言が重なっていた部分は、分からないまま補わず、時刻と一緒に「聞き取り要確認」と残します。

M4Aが開けない・処理が止まる場合

  • M4Aが読み込めない:まず録音をパソコンで再生し、最後まで保存されているか確かめます。再生できても選択・読み込みで失敗するときは、元ファイルを残し、対応する端末内の編集アプリでWAVなどに書き出して試します。拡張子を変えるだけでは形式は変わりません。
  • 初回だけ進まない:音声を処理する前にモデルを取得している場合があります。通信と空き容量を確認し、モデルの準備後にオフラインで試します。
  • 長い録音が終わらない:小さなモデルで短い範囲を試し、所要時間の目安を取ります。議題ごとに切る場合は元の時刻をメモします。当サイトの音声切り出しツールは3分以内・35MB以下の短い素材向けです。
  • 文字だけ欲しいのに英文が出る:翻訳ではなく文字起こしを選び、言語を日本語に指定します。

無料で足りるか、有料ソフトを検討するか

短い録音から文字や字幕を取り出すなら、まず無料のローカル処理を試してください。頻繁に長い会議を扱うなら、費用だけでなく、聞き直しと修正にかかった時間、話者の区別、書き出し形式、音声や結果の保存先を同じサンプルで確認すると、自分に合う方法を選びやすくなります。

元データが動画なら動画から音声を取り出す方法も参考にしてください。文字にできた後、共有可能な内容から議事録を作る場合はAIで議事録を作る方法をご覧ください。端末内で文字にできても、その結果を外部AIに貼り付ければ別途送信されます。

参考にした公式資料

公式資料確認日:2026年11月17日。

コメント

タイトルとURLをコピーしました