動画編集の作業のうち、どこをAIに任せて、どこを人が確かめるかを、作業ごとに書きとめるメモです。運営は動画編集スクール「ブイプロ」（株式会社ブイスト）。ツールの情報には確認した日付を入れます。
文字起こしのツールを使うと、結果をいくつかの形式で書き出せます。よく使うのは、ただの文字だけのテキストと、時刻の付いた字幕ファイル（SRT）です。どちらで書き出すかで、そのあとの作業のしやすさが変わります。この記事では、2つの形式の違いと、編集での使い分けをまとめます。ツールの説明は2026年10月25日に各公式ページで確認した内容です。
Whisperの公式のソースでは、書き出しの形式として txt・vtt・srt・tsv・json などが選べるようになっていて、指定しなければすべての形式を書き出す設定になっています（2026年10月25日確認）。ほかの文字起こしツールでも、テキストと字幕ファイルの両方を書き出せるものが多くあります。
テキストは「読む」ための形、SRTは「動画に合わせる」ための形、と考えると分かりやすいです。同じ文字起こしでも、使い道によって向いている形が違います。
迷ったら、両方を書き出しておくのがおすすめです。あとから時刻が必要になったとき、テキストだけでは戻れないからです。
SRTは時刻と文がセットになっているので、扱いに少し気をつける所があります。
文字起こしの時刻は、音声認識の推定です。僕の編集のルールでも、Whisperの時刻はずれることがある前提で、カットの位置は音の波形を見て決めることにしています。SRTをそのまま字幕にするときも、表示が早すぎたり遅すぎたりしないか、実際に再生して確かめてください。
また、僕は字幕を1フレームも途切れさせないことをルールにしています。SRTを作り直したり直したりしたあとは、字幕と字幕の間にすき間ができていないかも見ておきたい所です。
自分で用意した字幕ファイルと、動画サイトの自動字幕の使い分けについては、前にYouTubeの自動字幕起こしをそのまま使わない理由で書きました。書き出しの形式を作業ごとに選べるようになると、文字起こしを何度も作り直す手間がなくなります。
tsvやjsonは、表計算ソフトや自分で書いた道具に読み込ませたいときに向いた形です。たとえば、発言の一覧を表にして並べ替えたい、決まった言葉が出てくる時刻だけを抜き出したい、といったときに使えます。最初はテキストとSRTの2つで十分ですが、作業を仕組みにしていく段階になると、こうした形が役に立つ場面が出てきます。
形式ごとにファイル名をそろえておくことも、地味ですが効きます。素材と同じ名前に、形式ごとの拡張子だけを変えて保存しておけば、どの素材の文字起こしかで迷うことがありません。素材が多い案件ほど、この小さな決まりが後の作業を楽にしてくれます。
書き出した形式は、案件が終わるまで消さずに残しておきます。修正の依頼が来たときに、テキストで中身を探し、SRTで時刻を確かめる、という使い方ができるからです。
撮影素材が何十本もある案件では、編集を始める前に「どのファイルに何が映っているか」を把握するだけで、かなりの時間がかかります。ファイル名がカメラの付けた番号のままだと、1本ずつ開いて確かめるしかありません。この記事では、AIに素材の一覧を作らせて、目当ての場面をすぐに探せるようにする手順をまとめます。ツールの説明は2026年10月25日に各公式ページで確認した内容です。
最初に、一覧に何を書くかを決めておきます。項目が決まっていないと、AIの出す一覧が素材ごとにばらばらになるからです。
案件によって項目は変えてかまいません。大事なのは、全部の素材で同じ項目を埋めることです。
Whisperの公式ページの使い方の例では、複数の音声ファイルを並べて一度に文字起こしをかけるコマンドが紹介されています（2026年10月25日確認）。素材が多い案件では、こうしたまとめての処理が下準備の時間を大きく減らしてくれます。
素材を受け取った直後の進め方については、素材を受け取ったら納品予定日を伝える｜ディレクターに信頼される編集者の受け取り手順でも書きました。受け取ってすぐに一覧を作っておくと、予定も立てやすくなります。
風景やイメージの素材など、話し声のないファイルは文字起こしでは中身が分かりません。こうした素材は、別の方法で一覧に入れます。
Blackmagic Designの公式ページでは、DaVinci Resolveの新しいAIツールとして、コンテンツの検索を速くするIntelliSearchが紹介されていました（2026年10月25日確認）。映像の中身から素材を探す機能は、こうした編集ソフト側にも入ってきています。
AIが作った一覧は便利ですが、そのまま信じずに、次の点だけは確かめてから使います。
一覧は、編集を始めたあとも何度も見返す地図になります。最初に少し時間をかけて正しくしておくと、編集の途中で「あの場面はどこだったか」と探す時間がほとんどなくなります。素材が多い案件ほど、この下準備が効いてきます。
一覧ができたら、編集する人だけでなく、案件に関わる人と共有しておくと便利です。確認する側も、どの素材に何が入っているかが分かれば、「あの場面を使ってほしい」という依頼をファイル名と時刻で伝えられるようになります。言葉だけで「あの場面」と言われて探し回る時間が減るので、やり取りそのものも短くなります。
案件が終わったら、一覧は素材と同じフォルダに残しておきます。あとで同じ素材を別の動画に使い回すことになったとき、一覧があれば中身を見直す手間がほとんどかかりません。素材の一覧は、その案件のためだけでなく、次の仕事のための資産にもなります。
AIで文字起こしをしたのに、思ったより間違いが多い。そんなときは、ツールを変える前に、素材と設定のほうを見直すと直ることがあります。この記事では、文字起こしの精度が低いときに確かめたい5つの原因を、順番に並べます。ツールの説明は2026年10月25日に各公式ページで確認した内容です。
いちばん多いのは、音そのものの問題です。YouTubeの自動字幕起こしのヘルプにも、雑音が原因で正しく表示できないことがあると書かれています。さらに、自動字幕が作られない原因として、音質が悪い場合や、複数の人が同時に話して音声が重なっている場合が挙げられています（2026年10月25日確認）。
同じヘルプには、間違った発音、アクセント、方言も原因として書かれています。早口や業界の言葉が多い話も、間違いが増えやすい素材です。この場合は、固有名詞や専門用語の一覧を作って、あとでまとめて直す前提で進めます。
Whisperは、言語を指定しないと、音声の最初の30秒ほどで言語を判定する仕組みになっています（公式のソースで確認）。冒頭に音楽や無音が長く続く素材、別の言語の言葉から始まる素材では、判定がずれることがあります。
YouTubeのヘルプでも、動画の冒頭で無音が長く続いていることが、自動字幕が作られない原因の1つとして挙げられていました。
動画ファイルをそのまま読み込ませるより、声の入っているトラックだけを書き出して渡すほうが、うまくいくことがあります。
素材の並びや音量をそろえる下準備については、前にAIで文字起こしする前に素材でそろえておくことで書きました。精度が低いと感じたら、まずここに戻って見直すのが近道です。
長い素材では、途中で同じ文がくり返し出てきたり、話していない所に文字が出たりする乱れが起きることがあります。YouTubeのヘルプでも、動画が長すぎることが、自動字幕が作られない原因の1つとして挙げられていました。
faster-whisperの公式ページでは、声のない区間を取り除いてから文字起こしをする vad_filter という設定が紹介されています。長い素材は、この設定を使うか、話の切れ目でいくつかに分けてから処理すると、乱れを減らせます。
5つを順に見ていくと、多くの場合はどこかに原因が見つかります。ツールの性能を疑う前に、素材と設定を整える。そのうえで残った間違いを人が直す、という順番が、結局いちばん早く終わります。
原因を見直すときは、一度に全部を変えないことも大切です。音の手当てと言語の指定を同時に変えると、どちらが効いたのか分からなくなります。素材の中から1〜2分の短い区間を選び、1つずつ条件を変えて文字起こしを比べると、原因が見つけやすくなります。うまくいった条件は控えておき、次の案件でも最初から使うようにすると、同じことで悩む時間がなくなります。
AIの文字起こしは便利ですが、素材によって正確さが大きく変わります。とくに、方言が強い人、早口の人、業界の言葉が多い話は、間違いが増えやすい素材です。この記事では、そうした素材でAIが間違えやすい所と、先にできる手当てをまとめます。ツールの説明は2026年10月25日に各公式ページで確認した内容です。
YouTubeの自動字幕起こしのヘルプには、間違った発音、アクセント、方言、雑音が原因で、話されている内容を正しく表示できないことがある、と書かれています。そのうえで、自動字幕の内容を確認して、正しく文字起こしされていない部分を編集するよう求めています（2026年10月25日確認）。
また、Whisperの公式ページには、言語によって正確さが大きく変わることや、話す速さなどの条件で実際の速度も大きく変わることが書かれています。つまり、方言・早口・専門用語は、どのツールでも「間違いが出る前提」で扱うのが現実的です。
どれも、文字だけを読むと自然な日本語に見えることが多いのがやっかいです。間違いが「おかしな文」ではなく「それらしい別の文」になって出てくるので、読んで気づくより、音と照らして気づくことになります。
2つ目の設定は「入れれば正しくなる」ものではなく「出やすくなる」ものです。一覧はこの設定に使うだけでなく、あとで直すときの見本にもなるので、作っておいて損はありません。
直すときは、頭から全部を読むより、間違いが集まりやすい所から見ていきます。
3つ目は編集の判断です。テロップにするときに方言を消しすぎると、その人らしさがなくなります。文字起こしの段階では、実際に話した言葉のまま残しておくほうが、あとで選べる幅が広がります。
まとめて直す作業そのものは、前に自動文字起こしの誤変換をまとめて直す手順で書きました。言葉の一覧を作っておくと、その検索と置換の作業がそのまま早くなります。
言葉の一覧は、案件が終わっても捨てずに取っておくのがおすすめです。同じ話し手の動画をくり返し編集するなら、前回の一覧がそのまま次の文字起こしの下準備になります。新しく出てきた言葉を足していけば、回を重ねるごとに直す手間が減っていきます。話し手が使う決まった言い回しや、よく出てくる人の名前も、一覧に入れておくと役に立ちます。
方言や早口は、話し手の魅力でもあります。AIの間違いを直す作業は、その人の言葉を正しく残すための作業だと考えると、どこまで直すかの判断もしやすくなります。
台本がある動画を編集するとき、収録した音声が台本どおりに話されているとは限りません。言い忘れた所、言い直した所、台本にないけれど良い話をしている所が混ざっています。この記事では、台本と収録の文字起こしをAIで突き合わせて、カットの前にそれらを見つけておく手順をまとめます。ツールの説明は2026年10月25日に公式ページで確認した内容です。
台本と文字起こしを並べて見る目的は、次の3つを先に洗い出すことです。
この3つが分かっていれば、カットのときに「どのテイクを使うか」「撮り直しが要るか」を迷わずに済みます。逆に、ここを見ないままカットを始めると、編集が終わってから言い忘れに気づく、ということが起きます。
文字起こしにはWhisperなどを使えます。Whisperの公式ページでは、日本語の音声を文字起こしするときに言語を指定する使い方が案内されています（2026年10月25日確認）。言語の指定は、表記のぶれを減らす意味でも最初に済ませておくとよい設定です。
AIには、台本の番号ごとに次の形で表を作ってもらいます。
「なし」と出た所が言い忘れの候補、時刻が2つ以上並んだ所が言い直しの候補です。台本にない話は、別にまとめて出してもらいます。
ここで1つ注意があります。AIは意味が近い文を「同じ」と判断することがあるので、言い直しの候補は機械的に決めず、人が聞いて確かめます。
僕の編集のルールでは、言い直しは「いちばん長く自然に話せている一続き」を使うことにしています。最初のテイクを噛む直前まで使い、無音の所で次のテイクに乗り換える、という考え方です。AIが出した時刻は、この乗り換えの場所を探す目安になります。
ただし、文字起こしの時刻はずれることがあるので、実際に切る位置は音の波形を見て決めます。僕のルールでも、Whisperの時刻は最大で0.31秒ずれる前提で、カット点は波形で確かめることにしています。
台本にない話も、すぐに消さないでください。僕は台本に合わせすぎないことを大事にしていて、その場の言葉でも文脈の中で意味があれば残します。台本どおりに話した部分より、アドリブのほうが伝わることもあるからです。
AIに編集を任せたときに起きやすい事故（語尾が切れる、言葉が消えるなど）については、AIに「いい感じに編集して」と任せると起きる事故でも書きました。突き合わせの表を先に作っておくと、こうした事故も見つけやすくなります。
突き合わせの表は、カットが終わったあとにも使えます。完成した動画の文字起こしをもう一度作り、同じ表と照らし合わせると、カットの途中で台本の大事な一文を落としていないかを確かめられます。言い忘れの候補として「なし」と出た所が、撮り直しで埋まっているかもここで見ます。表を一度作っておけば、編集の前と後の2回使えるので、手間のわりに見落としを大きく減らせます。
台本どおりに話せているかどうかは、話し手を責めるための材料ではありません。どこを使い、どこを撮り直すかを早く決めるための材料です。表を話し手と共有するときも、この目的を最初に伝えておくと、次の収録の進め方を一緒に考えやすくなります。