YouTube動画を文字起こしする方法：字幕あり・なし別の手順ガイド
YouTube動画を文字起こししたいとき、方法は動画に字幕トラックがあるかどうかで変わります。字幕（CC）があれば、YouTube標準の「文字起こし」機能から字幕のテキストを無料でコピーできます。字幕がなければ、AI音声認識を使い、音声から文字起こしを作り直す必要があります。この記事は、講座のノートをまとめたい学生、インタビューを記事にまとめたいマーケティング担当者、字幕ファイルが必要な動画クリエイターに向けた手順ガイドです。
まず確認：その動画に字幕（CC）はありますか？
PCのブラウザで動画を開き、タイトル下の概要欄を展開して、いちばん下までスクロールします。そこに文字起こしを表示ボタンがあれば、その動画には字幕トラックがあります。
| 状況 | 方法 | 得られるもの |
|---|---|---|
| 字幕（CC）あり | YouTube標準の「文字起こしを表示」から無料でコピー | 字幕のテキスト（タイムスタンプの有無は選択可）。句読点と段落は自分で整える必要あり |
| 字幕（CC）なし | AI音声認識ツールで音声から文字起こしを生成 | 句読点とタイムコード付きの文字起こし。TXTまたはSRTで書き出し可能 |
字幕がない場合の手順は、この記事ではTaptionを例に説明します。ほかの音声認識ツールでも仕組みは同じです。
このボタンが見つからない動画があるのはなぜでしょうか。YouTube公式ヘルプ「自動字幕起こし機能を使用する」によると、主な原因は次のとおりです。動画の音声がまだ処理中である、自動字幕が対応していない言語である、動画が長すぎる、音質が悪いかYouTubeが認識できない音声が含まれている、冒頭の無音部分が長すぎる、複数の人が同時に話しているか複数の言語が同時に話されている、といったケースです。
方法1：YouTubeの標準機能で文字起こしを無料でコピーする
動画に字幕がある場合は、YouTube公式の文字起こし表示手順に沿って文字起こしを開けます。以下では、PCのブラウザでテキストを手動で選択してコピーします。YouTubeの字幕ファイルをダウンロードする機能ではありません。
- ステップ1：PCのブラウザでYouTube動画を開き、タイトル下にある概要欄の末尾の
...もっと見るをクリックして、概要欄全体を展開します。 - ステップ2：概要欄のいちばん下にある
文字起こしセクションまでスクロールし、文字起こしを表示をクリックします。 - ステップ3：プレーヤーの右側（または下）に
文字起こしパネルが開きます。いずれかの行をクリックすると、その時点から再生されます。 - ステップ4：パネル右上の
⋮をクリックしてタイムスタンプ表示を切り替えるを選び、タイムスタンプを残すか非表示にするかを決めます。 - ステップ5：まず動画を一時停止し、文字起こしの自動スクロールで選択がずれないようにします。必要なテキストをマウスで選択し、
Ctrl + C（MacはCmd + C）でコピーします。テキストエディタに貼り付けたら、冒頭と末尾が両方コピーされているか確認してください。長い場合は、区切ってコピーします。
図は英語画面の操作イメージで、実際の動画を使ったテストの記録ではありません。...moreは説明欄の展開、Show transcriptは文字起こしの表示、Toggle timestampsはタイムスタンプの表示切り替えに対応します。コピーする前に動画を一時停止してください。
この方法には制限が3つあります。
- スマホアプリではコピーできない：YouTubeアプリの文字起こしは、タップしてその場面に移動することはできますが、現時点ではテキストを直接選択してコピーすることはできません。スマホではブラウザで
youtube.comを開き、PC版サイトの表示に切り替えてください。 - 埋め込みプレーヤーでは表示されない：ほかのサイトに埋め込まれたYouTubeプレーヤーには概要欄が表示されません。文字起こしを開くには、YouTubeの動画ページに戻る必要があります。
- 視聴者は字幕ファイルをダウンロードできない：YouTubeには、視聴者が字幕ファイルをダウンロードするためのボタンがありません。チャンネルの所有者であれば、YouTube Studioから自分の動画の字幕をダウンロードできます。手順はYouTube Studioで字幕を編集・ダウンロードする方法（公式ヘルプ）をご覧ください。
細切れの字幕を読みやすい文章に整える
自動生成された字幕は、短い断片が1行ずつ並んだものです。句読点がほとんどなく、英語の固有名詞が小文字になっていることが多く、誰が話しているのかも通常は示されません。なお、中国語の動画では、簡体字や、台湾では一般的でない語彙が混じることもあります。
以下では、サンプルを使って説明します。この司会と講師の短いやり取りは、形式の違いを示すために作成したもので、実際の動画から出力した結果ではありません。後半のTXTとSRTのサンプルにも同じ内容を使います。コピーした字幕は、おおよそ次のようになります。
オンライン講座のノートはどう整理しますか
まずyoutubeの文字起こしを取得して
動画と照らし合わせて固有名詞を確認します
字幕がない動画はどうしますか
音声認識で文字起こしを作成して
字幕ファイルとして書き出しますChatGPT、Claude、Geminiに「この文字起こしを整理して」とだけ頼むと、モデルが要約を書いてしまう可能性が高くなります。内容をすべて残したい場合は、次のプロンプト例のように条件を具体的に伝えると、内容が省かれるおそれを減らせます。
以下は、YouTubeからコピーした句読点のない文字起こしです。読みやすい「日本語」の文章に整えてください。次の5つのルールを守ってください。
1. 【要約・削除をしない】：すべての文の意味と細部を残してください。要約にしたり、文を削除したりしないでください。
2. 【全角の句読点と段落を補う】：意味の切れ目で自然に文を区切り、全角の句読点（、。？！）を補ってください。3〜5文ごとに、話題に合わせて段落を分けてください。
3. 【英語の固有名詞はそのまま残す】：英語の技術用語、製品名、略語（YouTube、API、SRTなど）は英語のまま残し、大文字・小文字を標準の表記に直してください。無理に日本語へ訳さないでください。
4. 【聞き間違いと表記を直す】：元の意味を変えない範囲で、音声認識による明らかな同音異義語の変換ミスだけを修正し、語彙と表記は日本語の標準的な書き方にそろえてください（例：「以外と」を「意外と」に直す）。
5. 【タイムコードを残す（ある場合）】：入力したテキストにタイムコード（例：0:01）が含まれている場合は、各段落の冒頭にその段落の開始タイムコードを残してください（形式：[00:01]）。
以下が元の文字起こしです：
[YouTubeの文字起こしテキストを貼り付け]次のような結果が想定されます（これもサンプルです）。
オンライン講座のノートはどう整理しますか？ まずYouTubeの文字起こしを取得して、動画と照らし合わせて固有名詞を確認します。
字幕がない動画はどうしますか？ 音声認識で文字起こしを作成して、字幕ファイルとして書き出します。ただし、生成AIのモデルが文を落としたり書き換えたりする可能性は残ります。引用する部分は、動画に戻って確認してください。長い文字起こしは、話題ごとに確認しやすい長さに区切り、順に貼り付けて原文と照合してください。また、元の字幕に話者が明記されている場合を除き、整えたテキストに話者名は付きません。そのまま字幕ファイルとして使うのにも向きません。
方法2：字幕がないYouTube動画をAI音声認識で文字起こしする
既存の字幕を取得するだけのツールは、字幕トラックのない動画からは何も取り出せません。この場合は、音声そのものを「聞き取る」音声認識ツールで、音声からテキストとタイムコードを新たに生成する必要があります。クラウドサービスも、オープンソースの音声認識モデルOpenAI Whisperも、この仕組みで動いています。ただし、Whisperを自分のPCで実行するにはコマンドラインでのインストールと設定が必要で、話者分離の機能も内蔵されていません。
Taptionでの手順：リンクの貼り付け、音声認識、校正、書き出し
ここではYouTube動画の文字起こし・テキスト化ツールを使い、公開動画のリンクの貼り付けからファイルの書き出しまでを5つのステップで説明します。始める前に、次の3点を確認してください。
- アカウント：YouTubeのリンクを貼り付けるには、先にログインが必要です。新規アカウントには20分の無料枠があり、クレジットカードの登録は不要です。
- 公開されている動画であること：非公開の動画、チャンネルメンバー限定の動画、年齢制限のある動画、地域制限のある動画、DRMで保護された動画、配信中のライブ配信は、リンクからは取り込めません。公開から24時間たっていない動画や、終了したばかりのライブ配信のアーカイブは取り込みに失敗することがあるため、その場合はファイルをアップロードしてください。
- 長さとサイズ：1ファイルあたり最長5時間です。サイズの上限は、アップロード前にアカウントのアップロード画面で確認してください。大きなファイルは、取り込み可能か確認してから処理を始めます。無料枠を超えた場合の料金は、Taptionのプランと料金をご覧ください。
- ステップ1｜リンクを貼り付ける：ログイン後、左上の
アップロードをクリックし、「メディアをアップロード」ウィンドウの上部でYoutubeアイコンに切り替えて、動画のURLを貼り付けます。 - ステップ2｜言語を選ぶ：
話し手の言語を選んでくださいのメニューで、動画で話されている言語を選びます。日本語の動画なら🇯🇵 日本語 (日本)です。中国語（標準中国語）の動画では、中国語が中心で英単語がたまに混じる程度なら🇹🇼 中国語 (繁体字)を、中国語と英語の文が頻繁に入れ替わるなら🇹🇼＋🇺🇸 中国語 & 英語 (繁体字)を選びます。この2つの違いは標準中国語・中英混在音声の繁体字中国語への文字起こしで確認できます。メニューに台湾語単独の選択肢はないため、台湾語の会話が多い動画では、手作業での校正がより多く必要になります。 - ステップ3｜分割方法を選ぶ：
文字起こしの方法を自動文字起こしに設定し、用途に合わせて文字起こしの分割方法を選びます。インタビューや会議には話者ごとに分割が向いており、話者の人数を指定するスピーカー番号とスピーカーラベルを先に入力しておけます。1人で話す講演や講座には通常の文字起こしを選ぶと、意味のまとまりごとに分割されます。字幕を付けたい場合は動画の字幕を選びます。字幕あたりの最大文字数の初期値は、日本語では16です。この数値を変更するにはPremiumまたはBulkのサブスクリプションが必要です。なお、中国語 & 英語を選んだ場合、この欄は表示されません。 - ステップ4｜校正する：
作成をクリックします。処理が終わるとエディタが開き、左側に動画、右側にタイムコード付きの文字起こしが表示されます。音声認識には誤りが残ることがあります。特に背景ノイズ、なまり、発言の重なり、固有名詞が多い箇所は、書き出す前に元の音声と照合して校正してください。話者名は話し手メニューから変更できます。同じ誤字はすべて置き換えでまとめて修正でき、よく使う固有名詞は、選択してからカスタム辞書に追加をクリックするとカスタム辞書に保存できます。長いインタビューを校正する順序については、繁体字中国語の記事会議の文字起こしの整理と効率的な校正ガイドが参考になります。 - ステップ5｜書き出す：右上の
抽出をクリックし、文字起こしを抽出するウィンドウで必要な形式を選んでダウンロードします。無料枠だけで利用している場合は、書き出したファイル名に_taptionが付き、ファイルの末尾に「Taption で文字起こし」という1行が追加されます。TXT／PDFのタイムコードと話者名の切り替えも使えません。文字起こしの分数を購入するか、サブスクリプションに加入すると、これらの制限はなくなります。バイリンガル字幕には、PremiumまたはBulkのサブスクリプションが必要です。
図は英語画面のスクリーンショットをもとにAIで描き直したイメージで、元のスクリーンショットではありません。パネル1・2・3は本文のステップ1・2・3、パネル4はステップ5に対応します。書き出す前にステップ4の校正も行ってください。Createは「作成」、Exportは「抽出」に対応します。表示されている14は説明用の設定値で、選択した言語の初期値を示すものではありません。
TXT・SRT・VTT、どの形式で書き出せばよい？
| 形式 | 内容 | 向いている用途 |
|---|---|---|
| TXT | プレーンテキスト。タイムコードと話者名の有無を選択可 | ノート作成、記事へのリライト、AIツールへの入力 |
| レイアウトが固定された文書。タイムコードと話者名の有無を選択可 | 保管、複数のデバイスでの閲覧、ほかの人への受け渡し | |
| SRT | 通し番号、開始・終了時刻（ミリ秒はカンマ区切り）、字幕テキスト | YouTubeへの字幕アップロード、動画編集ソフトへの読み込み |
| VTT | 先頭にWEBVTTヘッダーがあり、ミリ秒はピリオド区切り | Webプレーヤー、オンライン講座のプラットフォーム |
Word（.docx）は文字起こしを抽出するウィンドウにはありません。AI 分析の結果からダウンロードする形式で、AIクレジットを消費します。このウィンドウにはほかにMP4があり、PremiumまたはBulkのサブスクリプションが必要なFCPXMLとJSONもあります。
TXTとSRTの中身はどう違う？（形式のサンプル）
ここでも先ほどのサンプルのやり取りを使います。ファイル形式を示すためのもので、実際の動画の認識結果ではありません。どちらの形式も中身は同じ内容で、違うのは収め方です。TXTでは、カスタム形式テンプレート（PremiumまたはBulkのサブスクリプションが必要）を適用してタイムコードと話者名を同じ行に並べると、1段落が1行になります。
[00:00:01] 司会：オンライン講座のノートはどう整理しますか？
[00:00:04] 講師：まずYouTubeの文字起こしを取得して、動画と照らし合わせて固有名詞を確認します。
[00:00:10] 司会：字幕がない動画はどうしますか？
[00:00:13] 講師：音声認識で文字起こしを作成して、字幕ファイルとして書き出します。一方のSRTでは、同じ文が1つずつの字幕に区切られ、それぞれに通し番号と開始・終了時刻が付きます（ここでは字幕の一般的な慣例にならい、行末の読点と句点を省いています）。
1
00:00:01,000 --> 00:00:03,600
オンライン講座のノートはどう整理しますか？
2
00:00:04,000 --> 00:00:06,800
まずYouTubeの文字起こしを取得して
3
00:00:06,900 --> 00:00:09,600
動画と照らし合わせて固有名詞を確認します
4
00:00:10,000 --> 00:00:12,400
字幕がない動画はどうしますか？
5
00:00:13,000 --> 00:00:15,400
音声認識で文字起こしを作成して
6
00:00:15,500 --> 00:00:17,500
字幕ファイルとして書き出しますTaptionの字幕分割では、日本語でも繁体字中国語でも、1つの字幕あたり最大16文字が初期値です。これは製品の初期値であり、字幕全般に共通する決まりではありません。繁体字中国語の字幕については、1行の文字数と句読点の慣例を繁体字中国語字幕の表記ルール（1行16文字と句読点の基準）で確認できます。字幕を別ファイルとして添えるか、映像に直接焼き付けるかで迷う場合は、焼き付け字幕（ハードサブ）とソフト字幕の比較（SRT／VTTと焼き付けMP4）をご覧ください。
動画編集ソフトで字幕が文字化けする場合は、まずテキストエディタで正しく表示されるかを確認します。正しく表示されるなら、読み込み先のソフトの要件に合わせてUTF-8で保存し直します。テキストエディタでもすでに文字化けしている場合は、先に元の正しい文字コードで開き直し、文字が元どおりに表示されることを確認してから保存し直してください。そうしないと、文字化けした内容を別の文字コードで保存するだけになります。ツールによってはBOM付きのUTF-8が必要な場合があり、Taptionからダウンロードした.srtと.txtのファイルは、先頭にUTF-8のBOMが付いています。あわせて、ファイルが.srt.txtという名前で保存されていないかも確認してください。この形のファイルは、動画編集ソフトでは通常、字幕ファイルとして扱われません。
よくある質問
YouTubeショートやライブ配信のアーカイブも文字起こしできますか？
できますが、いくつか注意点があります。ショート動画のページには、通常「文字起こしを表示」ボタンが表示されません。そのショート動画に字幕（CC）がある場合は、PCのブラウザでURLの/shorts/VIDEO_IDを/watch?v=VIDEO_IDに書き換えると、通常の動画と同じように概要欄を展開して文字起こしをコピーできます。字幕（CC）のないショート動画やライブ配信のアーカイブは、URLをTaptionのアップロード→Youtubeのウィンドウに貼り付ければ、音声認識で文字起こしできます。配信中のライブはリンクから取り込めないため、配信が終わるまで待つ必要があります。また、配信終了または公開から24時間たっていない動画は取り込みに失敗することがあるので、先にローカルのファイルとして保存してからアップロードすることをおすすめします。
中国語の文字起こしに簡体字や中国大陸の用語が混じります。台湾の繁体字中国語に直すには？
テキストの入手元によって方法が変わります。YouTubeからコピーした字幕には、前述のプロンプト例が使えます。ただし、この記事のプロンプトは日本語のテキスト向けなので、中国語のテキストに使うときは出力を「台湾の繁体字中国語」と指定し、ルール4で「軟件」「視頻」のような語を台湾で一般的な「軟體」「影片」に直すよう指示してください。Taptionで文字起こしする場合は、話し手の言語で「(繁体字)」と書かれた選択肢を選び、そのうえでカスタム辞書とすべて置き換えを使って特定の用語を統一します。簡体字のテキストファイルや字幕ファイルがすでに手元にある場合は、オープンソースのOpenCC（中国語の簡体字・繁体字変換ツール。s2twpは台湾繁体字の語彙に対応した設定）が使えます。s2twp設定では、字形と台湾で一般的な語彙の両方が変換されます。
複数人のインタビューで、誰が話しているかを区別できますか？
YouTubeの文字起こしに話者名が出るかどうかは、元の字幕に名前の表記が含まれているかどうかで決まります。元の字幕になければ、コピーしたテキストにも通常は付きません。ツールで話者を自動的に区別したい場合は、Taptionへのアップロード時に文字起こしの分割方法を話者ごとに分割に設定します。声をもとに段落が分けられ、変換が終わったあとに話し手メニューで初期設定の名前を実際の名前に変更できます。機能の詳細は話者識別のページをご覧ください。複数の人が同時に話している箇所や、発言に割り込みがある箇所は誤って分けられることがあり、手作業での修正が必要です。
Gemini Notebook（旧NotebookLM）にYouTubeのリンクを取り込めないときは？
まず、動画が条件を満たしているかを確認します。Gemini Notebook（NotebookLM）公式ヘルプのソース追加に関するルールによると、対応しているのは字幕付きの公開YouTube動画だけで、取り込まれるのも字幕のテキスト部分だけです。アップロードから72時間たっていない動画は取り込めない場合があり、動画が削除または非公開にされると、ソースは30日以内にノートブックから削除されます。動画が条件を満たさないときは、この記事の方法で文字起こしを作成し、TXTまたはPDFのファイルをソースとしてアップロードしてください。ファイルにタイムコードと話者名が含まれていれば、それらも検索できるテキストになります。ただし、取り込まれたソースはプレーンテキストなので、チャットの中で示された時刻は、動画に戻って確認することをおすすめします。
他人のYouTube動画を文字起こしすると、著作権の問題はありますか？
公開されていて誰でも視聴できるからといって、自由に複製や配布ができるわけではありません。まずは、自分が権利を持つ動画や、許諾を得た動画を対象にしてください。それ以外の利用がフェアユース（公正な利用）に当たるかどうかは、目的、利用範囲、適用される法律に照らして判断する必要があり、「個人的な研究のため」「出典を明記した」というだけで認められるものではありません。以上は一般的な情報であり、法的助言ではありません。
あわせて読みたい
- 要約と動画のチャプター：文字起こしができたら、AIによる動画要約とYouTubeチャプター（タイムスタンプ）の生成で要約とチャプターを作成できます。チャプターは
00:00 オープニング、01:30 トピック1、05:10 トピック2のような形式です。YouTube公式ヘルプ「動画のチャプター」によると、最初のタイムスタンプは00:00にし、3つ以上のタイムスタンプを昇順で並べる必要があり、各チャプターの長さは10秒以上でなければなりません。 - 多言語字幕：字幕をほかの言語に翻訳する方法は、繁体字中国語の記事YouTube動画の多言語字幕翻訳ガイドで紹介しています。
- 字幕のレイアウト：繁体字中国語の字幕について、1行の文字数、改行位置、句読点の慣例を繁体字中国語字幕の表記ルール（1行16文字と句読点の基準）にまとめています。
動画に字幕（CC）があれば、方法1で無料でテキストを取得でき、あとは数分かけて句読点を整えるだけです。字幕がない動画は、新規アカウントの20分の無料枠を使い、自分の動画で音声認識から書き出しまでを一度試してみてください。