文字起こしソフト比較 2026年版｜ローカル型・クラウド型の違いと失敗しない選び方

最終更新：2026年9月11日

文字起こしソフトの選び方：まず決める5つの基準

文字起こしソフトとは、音声や動画に含まれる発言をAIが自動でテキストに変換するソフトウェア・サービスの総称です。無料のものから月額数千円のものまであり、処理をPC内だけで完結させるものと、クラウドのサーバーで処理するものに大きく分かれます。比較を始める前に、まず次の5つの基準で自社の要件を整理しておくと選びやすくなります。

①音声データの行き先（ローカル完結かクラウド送信か）

情シスが確認する質問：「録音データや文字起こし結果は社外のサーバーに送信されますか。送信される場合、保存先・保存期間・第三者提供の有無は公式サイトに明記されていますか。」音声を外部に出せない業務では、この1点だけで選択肢が絞られます。

②費用体系（無料／定額／従量）

情シスが確認する質問：「料金は文字起こし時間に応じた従量課金ですか、それとも月額・買い切りの定額ですか。無料プランには時間や文字数の上限がありますか。」長時間・大量の音声を扱うほど、従量課金は総額が読みにくくなります。

③導入のしやすさ（インストール可否・GPU要否）

情シスが確認する質問：「PCへのインストールや管理者権限は必要ですか。GPUが無いと動作しない、または極端に遅くなりませんか。」インストール不要かつGPU不要なソフトほど、社用PCへの展開や情シスの審査がスムーズに進みます。

④機能（話者識別・要約・単語登録・字幕出力）

情シスが確認する質問：「誰の発言かを自動で見分ける話者識別、内容を短くまとめる要約、専門用語を補正する単語登録、SRT字幕への出力に対応していますか。」議事録用途では話者識別と要約、動画用途では字幕出力の有無が選定の分かれ目になります。

⑤運用（自動処理・オフライン・更新）

情シスが確認する質問：「音声ファイルを入れるだけで自動的に処理が始まりますか。ネットワークが無い環境でもフル機能で使えますか。アップデートは利用者の意思で行えますか、それとも起動時に自動で通信しますか。」日常的な運用のしやすさは、導入後の定着に直結します。

ローカル型とクラウド型の違い

結論として、クラウドへの送信自体が許されない業務ではローカル型一択になり、送信に問題がなく話者識別・要約などの機能を優先したい場合はクラウド型も候補になります。両者の違いを表に整理しました。

より詳しい仕組みや無料での始め方はローカル文字起こしガイド、セキュリティ観点の深掘りは文字起こしセキュリティガイドで解説しています。

主要ツールの機能比較表

代表的な文字起こしツールの機能を横並びで整理しました。自社は2026年9月・Ver.4.5.5時点、他社は2025年6月時点・自社調べです。各サービスの最新仕様は公式サイトでご確認ください。

比較時点は自社2026年9月・Ver.4.5.5、他社2025年6月です。料金・機能は変更されることがあるため、最新情報は各社公式サイトをご確認ください。

各ツールの概要は次のとおりです（上表・備考の範囲内の内容です）。

• 完全ローカル文字起こし：faster-whisperベースのローカル型。文字起こしから要約・AIチャットまでPC内で完結し、マイク1本で録った音声でも話者を聞き分けます（Ver.4.5.0〜）。
• Notta：クラウド型。話者識別・要約・単語登録に対応しています。
• CLOVA Note：クラウド型。話者分離・単語登録（500語）に対応。β版は2025年7月31日に終了し、後継はLINE WORKS AiNoteです。
• Rimo Voice：クラウド型。AI要約・話者識別・辞書登録（800語）に対応しています。
• ユーザーローカル音声議事録システム：クラウド型。話者識別・要約・単語登録・感情分析等に対応しています。
• MacWhisper：Mac専用のローカル型。全処理がPC内で完結し、話者識別（v12〜）に対応しています。
• kotoba-whisper：日本語特化のOSS。全処理がPC内で完結し、話者分離に対応しています。

用途別のおすすめ

基準と比較表を踏まえ、代表的な用途別におすすめの方向性を整理します。

• クラウド送信が禁止されている（医療・法務・IT・取材など）：規程上、音声を外部に送れないためローカル型が必須です。業種別の具体例は医療機関向け・法律事務所向け・IT・コンサル企業向け・取材・インタビュー向けを参照してください。
• 話者識別・要約が最優先で、送信に問題がない：機能の充実度を優先するなら、上表のクラウド型（Notta・Rimo Voice等）も候補になります。
• Macを使っている：Mac専用のローカル型であるMacWhisperが候補です（上表参照）。
• 開発者・自分で構築したい：faster-whisperやkotoba-whisperなどのOSSを使えば、無料でカスタマイズしながら構築できます。Windows上での構築手順はWhisperをWindowsで使う方法で解説しています。
• 無料で今すぐ試したい・Windows：環境構築が不要なソフトが向いています。完全ローカル文字起こしは個人利用が無料です。業種ごとの詳しい導入事例は導入事例集を参照してください。

費用シミュレーション

結論として、クラウド型SaaSは月3,000〜10,000円程度が一般的で、完全ローカル文字起こしは個人利用が無料、商用は月額500円・年額5,000円・買い切り15,000円です。人数別の年間コストの目安は次のとおりです。

※ クラウド型の料金は1人あたりの月額を人数分単純計算した目安で、実際の料金体系はサービスにより異なります。個人利用の場合、完全ローカル文字起こしは無料です。

工数の面では、手作業の書き起こしは録音1時間あたり3〜5時間かかるのが一般的です。完全ローカル文字起こしでは自動で文字起こしが進むため、確認・編集を含めても約1.5時間に短縮できます。

導入前チェックリスト

比較・選定を進める前に、次の8項目を確認しておくと導入後の手戻りを防げます。

• 音声データの送信先とサーバーの有無を確認したか
• クラウド送信を禁止する社内規程・業界ガイドラインに抵触しないか確認したか
• 無料プランと有料プランで使える機能（話者識別・要約・単語登録）の違いを確認したか
• GPUの有無で動作可否や速度がどう変わるかを確認したか
• インストールの要否と、IT部門の承認が必要かどうかを確認したか
• 出力形式（テキスト・SRT字幕・タイムスタンプ付き）が用途に合うかを確認したか
• 録音・文字起こしについて社内ルールや参加者の同意を得ているか確認したか
• より詳細な確認項目をセキュリティチェックシート回答集で網羅したか

よくある質問