Option 01
ffmpeg + Whisper
無料、ローカル、調整が必要。パイプラインとそのすべてのバグを所有します。
必要なものCLI + 10 GBモデル + GPU
スピーカー識別別ツール（pyannote）
SRT出力はい、手動フラグ
1時間のMP4での処理時間CPUで20〜90分
マルチトラックオーディオ手動でストリーム選択
コスト$0 + ハードウェア
Best forすでにWhisperをローカルで実行しており、その上に識別を接合することを気にしないエンジニア向け。
MP4動画をテキストに文字起こし。オーディオは自動抽出。
MP4ファイルをそのままドロップ — オーディオトラックをサーバー側から抽出し、タイムスタンプ付きトランスクリプトを返し、YouTube、Vimeo、またはNLEに直接戻すSRTを配信します。
↓ 出力結果を見る
MP4を入力。 トランスクリプト + SRTを出力。
MP4はコンテナ形式 — オーディオストリームを直接読み込み、ビデオは再エンコードしません。タイムスタンプは元のタイムラインに対してフレーム正確に保たれるため、SRTは最初の��ンポート時に完全に同期します。
training-module-04.mp4
自動検出: en-USAAC 48 kHz ステレオ · 192 kbps
~90s
トランスクリプト · ストリーミング
S1
わかりました。このモジュールでは払い戻しワークフローを最初から最後まで説明します。
S2
始める前に質問ですが — 部分払い戻しにも適用されますか？
S1
いい指摘ですね。部分払い戻しは同じ画面を使いますが、別の理由コードです。
S2
わかりました。承認のしきい値はまだ200ドルですか？
クリーンな対話で95%SRT · VTT · DOCX · TXT · JSON
↓ This is the dashboard
This is what loads when the job finishes.
Same layout as the real dashboard — Summary, full Transcript, Speakers tab, Exports. Key points and action items extracted automatically. Auto-tags on every job.
サマリー 5文字起こし 1,420話者 2エクスポート
Founders need post-call content, not just transcripts. Tools force them to stitch 5 apps together.
Sample preview from a founder interview about post-call workflow. Real transcripts look exactly like this — same tabs, same summary block, same key-points / action-items split, same auto-tag chips.
キーポイント
Gap exists between raw recordings and shippable content — tools stop at transcript.
Show notes, social clips, blog drafts all expected by call's end, not next-day.
Current tooling fragmented across 5 apps — no single pipeline.
Conversion-rate signal flipped a buyer-segment assumption at week 3.
40% of original hypothesis survived — the shape held, mechanics rebuilt.
アクション項目
Speaker 1Investigate single-pipeline approach to replace 5-app stitch.
Speaker 2Mock how show-notes draft could flow from the transcript.
Speaker 2Pull conversion-rate by segment, Monday EOD.
Speaker 1Map the 5-app stitch & list which steps actually need a human.
3つの現実的な選択肢 · 正直な比較
ffmpegで自作。ビデオエディター。 あるいは当社で。
オーディオを自分で抽出してWhisperを実行することもできます。MP4をDescriptやVEEDにドラッグしてそのエディター内で作業することもできます。あるいはファイルをここにドロップしてトランスクリプト + SRTを取得。エディターへのロックインはありません。
Option 02
Transcription.Solutions
MP4をドロップ。オーディオ抽出、スピーカー識別、SRT、概要 — 1パスで完了。
必要なものブラウザだけ
スピーカー識別組み込み、すべてのジョブ対応
SRT出力ソースにフレーム単位でアライン
1時間のMP4での処理時間約4分、ストリーミング
マルチトラックオーディオすべてのストリームを表示
コスト · 1分あたり$0.03
Best forビデオエディターやCLIを学ぶことなく、テキストとSRTが必要なMP4ユーザー向け。
Option 03
Descript / VEED
MP4をエディターに読み込み。トランスクリプトはタイムラインUIの一部として表示。
必要なものアカウント + エディターの学習曲線
スピーカー識別はい、英語チューニング
SRT出力プラン別にエクスポート制限
アップロード上限5 GB（Descript無料）
マルチトラックオーディオ最初のトラックのみ
コスト$12–24/ユーザー/月
Best forビデオとトランスクリプトを同じツールで編集したいエディター向け。
価格と機能制限は2026年時点の概算です。DescriptとVEEDのティア名は頻繁に変更されるため、現在の制限については各サイトをご確認ください。
MP4特有の問題
で引っかかる3つのこと。 一般的な文字起こしツール
MP4はコーデックではなくコンテナ形式 — ほとんどの文字起こしツールは1つの大きなオーディオブロブのように扱います。そこが見落としの原因です。
うまくいかないパターン
- 1ブームと ラペル の複数トラック MP4。一般的なツールはトラック1を取得してそれ以外は無視するため、クリーナーなマイクを失います。FCP と Premiere エクスポートで一般的です。
- 2ブログと広告の背景音楽は幽霊のような単語を引き起こします。レコグナイザーは音楽ベッドのボーカルを文字起こししようとします。
- 3SRTタイムスタンプが ドリフト — ツールが入力時にビデオを再エンコードすると発生します。40分ごろまでにキャプションは1秒ズレます。
ここで修正できること
- 1アップロード — すべてのオーディオストリームをプローブして、どのストリームを文字起こしするか選択できます。デフォルトは最大ビットレートトラック。
- 2ジョブフォームでミュージック サプレッションをオンにする。音声VADでレコグナイザーをゲートするため、楽器セクションは空のままです。
- 3ビデオを再エンコードしません。オーディオはネイティブサンプルレートで抽出され、タイムスタンプはコンテナの編集リストを参照 —SRTはフレーム単位で正確にアライン。
MP4推奨ジョブ設定
MP4をドロップするとこれらはデフォルトで有効になります。フォームからジョブごとにオーバーライドできます。
- オーディオ抽出
- ネイティブサンプルレート、再エンコードなし
- トラック選択
- 最大ビットレートストリーム
- スピーカー識別
- アコースティック · 1〜6スピーカー
- ミュージック サプレッション
- ブログ/広告プリセットでオン
- SRTフォーマット
- ≤42文字/行、最大2行
- エクスポート
- SRT · VTT · DOCX · タイムスタンプ付きTXT
Accuracy · real-world numbers
クリーンな撮影で95%。 オーディオが課題の時の正直な数字。
MP4の精度はマイクによって決まり、コーデックではありません。静かなセットのラペルマイクは毎回4Kカメラのオンボードオーディオに勝ります。以下の数字は実際の顧客MP4から取得したもので、オーディオをキャプチャしているものでソートされています。
96%+
スタジオ撮影、ラペルマイクまたはショットガンマイク
ラペルまたはブームをレコーダーに接続、48 kHz AAC 192 kbps以上、処理済みルーム。最高のケース。2人撮影ではスピーカーラベルが完璧に機能します。
93%
オンカメラショットガンマイク付きDSLR
カメラトップマイク、スピーカーから2〜4フィート。ルームトーンは多いですが音声は十分理解できます。ほとんどのYouTubeクリエーター映像はここに該当します。
89%
USBマイク付き画面録画
OBS、Loom、Camtasiaエクスポート。マイクは近いですがルームは無処理、しばしばシステムオーディオ混入。チュートリアル文字起こしには十分な品質です。
84%
スマートフォン撮影ブログ、内蔵マイク
スマートフォン内蔵マイク、風やハンドリングノイズ、フレームごとに距離は変動。単語は使用可能ですが、固有名詞は1分あたり1〜2箇所の修正が必要です。
よくある質問
人々が尋ねる8つのこと。 MP4文字起こしについて
01ビデオを再エンコードしますか？+
いいえ。MP4コンテナからオーディオストリームを読み込むだけです。ビデオストリームには触れず、再エンコードされず、ジョブが終了した後は保存されません — オリジナルファイルは変更されません。
02MP4内のどのコーデックに対応していますか？+
標準的なH.264 + AACが基本的なケースです。HEVC/H.265、ProRes-in-MP4、MP3、Opus、ALAC、またはPCM形式のオーディオにも対応しています。ffmpegでプローブできればI することができます。
03ファイルサイズの上限はいくらですか？+
Webアップローダーは1アップロードあたり10 GB、APIは再開可能なチャンク対応で50 GBです。典型的な1時間1080p MP4は1〜3 GBなので、ほとんどのファイルはWebパスで問題ありません。
04SRTはオリジナルビデオに同期しますか？+
はい — タイムスタンプはMP4の編集リストとネイティブサンプルレートを参照します。再エンコードしないため、ドリフトはありません。SRTをMP4の横に置いて任意のプレーヤーまたはNLEで再生し、キ���プションは最初のロード時に同期します。
05字幕をビデオに焼き込むことはできますか？+
当社側では不可 — SRTを出力してビデオへの焼き込みはエディター側で行います。ffmpeg one-liner、HandBrake、Premiere、DaVinci、Kapwing はすべて当社が生成するSRTに対応しています。エンコーディングツールでもあることは望みません。
06MOV、MKV、M4V、WebMについてはどうですか？+
すべて同じパイプラインで対応しています。特にMOV —同じMPEG-4ファミリー、同一の抽出パス。複数のオーディオトラックを持つMKVは、マルチトラックMP4と同じストリームピッカーUIを取得します。
07YouTubeまたはVimeoのURLを送信することはできますか？+
YouTubeについてはできます — アップロード画面にパブリックURLを貼り付けると、MP4ダウンロード不要で オーディオを直接取得します。Vimeoはプレーヤーがストリームをゲートするため、直接ファイルまたは署名済みダウンロードリンクが必要です。
08音声対話がなく、音楽またはB-rollだけの場合はどうなりますか？+
VADは無音と音楽のみのセクションを検出してスキップするため、環境フッテージには料金がかかりません。トランスクリプトはこれらの範囲を`[music]`または`[no speech]`としてマークし、言葉を作拵えません。