Macで動画をテキストに文字起こしする方法：macOSだけでできること

著者 · 公開日

Macで動画をテキストに文字起こしする方法は3つあります。macOSに標準で入っているライブキャプションは、動画の再生中にその話し言葉をリアルタイムで字幕にします。Appleの有料の動画編集アプリのFinal Cut Proは、クリップの話し言葉をタイミング付きのキャプションにしますが、対応するのは米国英語だけです。私が作った無料アプリのYapToTextは、動画のファイルそのものをMac上で文字起こしし、プレーンテキストにします。

どれが合うかは、何がほしいかで決まります。見ながら追うための字幕か、タイミング付きのキャプションファイルか、書類に貼り付ける言葉かです。私は手でキーボードを打つことが難しいので、キーボードなしで話し言葉をテキストにするYapToTextを作りました。動画の音声も、話し言葉のひとつにすぎません。AppleシリコンのmacOS 14以降が必要で、ファイルに時間の上限はありません。

Mac App StoreでYapToTextをダウンロード無料でダウンロードできます。アカウント不要で、機能の制限もありません。AppleシリコンのMac、macOS 14以降に対応しています。 ソースコードはGitHubにあります。

ほかの言語で読む： English, العربية, Čeština, Dansk, Deutsch, Ελληνικά, Español, Suomi, Français, עברית, हिन्दी, Magyar, Bahasa Indonesia, Italiano, 한국어, Norsk, Nederlands, Polski, Português, Română, Русский, Slovenčina, Svenska, ไทย, Türkçe, Українська, Tiếng Việt, 简体中文, 繁體中文

手順

  1. YapToTextを開いて、<span lang="en">Utility</span> ページに移動します。
  2. <span lang="en">Transcribe a file</span> カードのモードメニューで、話したままの言葉にしたい場合は <span lang="en">Raw Transcription</span>、整えたい場合は <span lang="en">Note</span> などのモードを選びます。
  3. 動画ファイルをカードにドロップするか、<span lang="en">Choose File</span> をクリックして選びます。
  4. カードにテキストが表示されるまで待ちます。
  5. <span lang="en">Copy</span> をクリックするか、<span lang="en">Insert</span> をクリックして、直前まで使っていたアプリにテキストを入力します。

ライブキャプションで動画を追う

ライブキャプションは、Appleが標準で用意しているリアルタイムの文字起こしです。Appleによると、音声はデバイス上で処理され、初期設定ではすべてのアプリの音声が字幕になるので、Macのどこで再生している動画にも字幕が付きます。ライブキャプションは再生中の動画を追うのに役立ちますが、Appleのガイドには、その言葉を残す方法が書かれていません。

手順1：オンにする

  • 操作: アップルメニューから「システム設定」を選び、「アクセシビリティ」をクリックして、「ライブキャプション」をクリックし、オンにします。
  • macOS: 「ライブキャプション」ウインドウが表示されます。初めてのときは言語データをダウンロードするため、一度オンラインになっている必要があります。
  • 確認: ウインドウが表示されます。Appleによると、音声が検出されないと自動的に非表示になります。常に表示しておくには、メニューバーのライブキャプションのアイコンから「画面表示」を選びます。

手順2：動画を再生する

  • 操作: 動画を再生します。ウインドウがマイクの音声を字幕にしている場合は、ウインドウの隅にあるマイクのアイコンをクリックするか、メニューバーのライブキャプションのアイコンから「コンピュータのオーディオ」を選びます。
  • macOS: 再生に合わせて、話し言葉を「ライブキャプション」ウインドウに文字起こしします。
  • 確認: 人が話すのに合わせて字幕が表示されます。Appleによると、精度は一定ではなく、危険性の高い状況や緊急時には頼るべきではありません。

Appleは2つの制限を挙げています。ライブキャプションはAppleシリコンを搭載したMacが必要で、すべての言語、国、地域で使えるわけではありません。機能の提供状況のページには、英語（オーストラリア、カナダ、インド、シンガポール、英国、米国）、フランス語（カナダ、フランス）、ドイツ語（ドイツ）、日本語、韓国語、北京語（中国本土、台湾）、広東語（中国本土、香港）、スペイン語（メキシコ、スペイン、米国）が載っています。

Final Cut Proでタイミング付きのキャプションを作る

Final Cut Proの Generate Captions（キャプションを生成）は、クリップの話し言葉を、タイミング付きのキャプションにします。キャプションファイルを作るAppleの方法ですが、有料で、米国英語でしか使えません。

手順1：キャプションを生成する

  • 操作: Final Cut Proで、タイムラインにある話し言葉を含むクリップを選択し、Edit、Generate Captions、Closed Captions の順に選ぶか、Shift Command C を押します。
  • 確認: タイムラインの上部の専用のレーンに、キャプションのクリップが表示されます。初めてのときは、Final Cut Proが言語モデルをダウンロードするため、一度オンラインになっている必要があります。

手順2：テキストとして書き出す

  • 操作: iTT形式で出力されたキャプションをSRTに変換してから、別のファイルとして書き出します。どちらもAppleのガイドで説明されています。
  • 確認: SRTファイルは、プレーンテキストエディタで開けます。Appleによると、その中の各キャプションは、番号、開始と終了の時刻、テキストで構成されています。
  • 価格。 買い切りで$299.99、またはApple Creator Studioに含まれます。Apple Creator Studioは、新規の登録なら30日間は無料で、その後は月額$12.99か年額$129です。2026年10月3日に確認しました。
  • Mac。 Final Cut ProにはmacOS 15.6以降が必要で、Generate Captions にはAppleシリコンを搭載したMacが必要です。
  • 言語。 Generate Captions が使えるのは米国英語だけです。

つまり、動画の全員が米国英語を話しているなら、Final Cut Proは喜んでキャプションを付けてくれます。Appleは、背景の雑音、音楽、複数の人の同時の発言で精度とタイミングがずれることがあるとも述べていて、先に Voice Isolation と Noise Removal を使うよう案内しています。

YapToTextで動画ファイルをテキストにする

YapToTextは動画ファイルを読み込み、アプリに入っている音声認識モデルの Whisper Large v3 Turbo (Q5) で、その話し言葉をMac上で文字起こしします。Mac App Storeで無料で、アカウントは要りません。動画をカードにドロップすると、どこにでも貼り付けられるプレーンテキストとして言葉が返ってきます。

手順1：動画をカードにドロップする

  • 操作: YapToTextを開いて Utility ページに移動します。Transcribe a file カードのモードメニューで、話したままの言葉にしたい場合は Raw Transcription、整えたい場合は Note などのモードを選びます。そのあと、動画をカードにドロップするか、Choose File をクリックして選びます。
  • YapToText: 拡張子ではなく中身でファイルを判別し、その中の話し言葉をMac上で文字起こしして、選んだモードを実行します。
  • 確認: カードにテキストが表示されます。代わりにエラーが表示された場合は、下の対処の手順を試してください。

手順2：テキストを受け取る

  • 操作: Copy をクリックするか、Insert をクリックして、直前まで使っていたアプリにテキストを入力します。
  • YapToText: プレーンテキストを渡します。Send below で次のカードに渡すと、Note や Clean Up などのモードでテキストを書き直します。
  • 確認: 言葉が書類に入っています。

動画で大切な点です。

  • 一般的な形式。 macOSがデコードできるものなら何でも読み込めます。認識するコンテナには、MP4、MOV、M4V、3GP、M4A、WAV、AIFF、CAF、FLAC、MP3、AMRがあり、macOSが対応している環境ではOggも読み込めます。
  • 時間の上限なし。 ファイルに時間の制限はなく、使った分を計測することもありません。30分の安全のための停止は、1回のライブの音声入力にだけ適用されます。4分を超える動画は、静かなところで約2分ごとに区切られます。
  • 29の言語。 AI Models ページの Language の選択には、29の言語と Auto-detect があり、最初はMacのシステム言語になっています。言語のガイドに一覧があります。

同じ作業はメニューバーのパネルでは Transcribe file、Historyのページでは Transcribe File にあります。動画ではなくボイスメモの場合は、Macでボイスメモを文字起こしするガイドが、Apple自身の文字起こしから始まります。

YapToTextのHistoryページ。検索欄、日付とモードのフィルタ、モード、アプリ、時刻のタグが付いた音声入力が並んでいる。
図1. Transcribe Fileは、Historyページの下にあり、Exportと同じバーに並んでいます。

3つの方法を比べる

2026年10月3日に、Appleのサポートページとapple.comで確認しました。

ライブキャプションFinal Cut ProYapToText
費用無料、macOSに標準搭載買い切りで$299.99、またはApple Creator Studioの月額$12.99（30日間の無料トライアルのあと）無料、有料プランなし
必要なMacAppleシリコンmacOS 15.6以降。Generate CaptionsにはAppleシリコンmacOS 14以降、Appleシリコン
対象Macで再生中の音声、またはマイクの音声。その場でリアルタイムにFinal Cut Proのタイムラインにあるクリップ動画または音声のファイル
得られるもの再生中にウインドウに表示される字幕タイミング付きのキャプション。SRTファイルとして書き出せるコピーまたは入力できるプレーンテキスト
タイムスタンプ記載なしあり。各キャプションにタイミングが付くなし
言語8つの言語。記載された地域のみ米国英語のみ29の言語と Auto-detect
動作する場所Appleによるとデバイス上記載なし。言語モデルは一度だけダウンロードお使いのMac上

ライブキャプションは見ながら追うため、Final Cut Proはキャプションを公開するため、YapToTextは言葉そのものを得るためのものです。何を受け取りたいかで選んでください。見るための字幕か、タイミング付きのキャプションファイルか、プレーンテキストです。 ターミナルから自分でWhisperを動かしたい場合は、MacのローカルWhisperのガイドで説明しています。

App Storeのポスター。見出しはNothing leaves your Macで、背景のYapToTextのAI Modelsページでは2つのモデルがどちらもIncludedと表示されている。
図2. App Store版には音声認識モデルが含まれているので、動画をテキストにするためにアップロードする必要はありません。

動画が文字起こしできないとき

まずファイルから、次に設定の順に確認します。迷ったら、音声だけをYapToTextに渡してください。

  1. 先に再生する。 話し言葉が聞こえない場合や、音楽だけの場合は、音声認識モデルには文字起こしするものがありません。
  2. 音声だけを書き出す。 QuickTime Playerで、File、Export As、Audio Only の順に選びます（ファイル、書き出し、オーディオのみ）。Appleによると、AACトラックを含むMPEG 4のオーディオファイルとして保存されるので、それをカードにドロップできます。
  3. コピー保護を確認する。 QuickTime Playerの書き出しメニューに選択肢が表示されない場合、Appleによると、録音が著作権で保護されていて配布できない可能性があります。
  4. 言語を設定する。 別の言語の動画の場合は、AI Models ページの Language の選択で、その言語か Auto-detect language を選びます。
  5. より大きな音声認識モデルを試す。 AI Models ページの Dictation Model Library からひとつダウンロードして、もう一度ファイルを実行します。モデルのダウンロードは、アプリが自分から始める唯一のネットワーク通信です。

各モデルとそのサイズはAI Modelsのガイドで説明しています。

YapToTextが動画でできないこと

  • 話者のラベル。 誰が話しているかは示さないので、会話は名前のないテキストとして返ってきます。
  • タイムスタンプと字幕。 タイムスタンプは付かず、SRTなどの字幕ファイルも書き出せません。タイミング付きのキャプションなら、Appleの方法はFinal Cut Proです。
  • 文字起こしと同時の翻訳。 話された内容を文字起こしするだけで、翻訳はしません。あとで翻訳するには、テキストを選択して Quick Edit に別の言語を頼むか、組み込みのAIアクションのひとつ Translate to English を実行します。
  • ストリーミング動画。 Mac上のファイルを開くので、ブラウザでしか再生できない動画は読み込めません。
  • 一部のMacとビルド。 AppleシリコンのmacOS 14以降が必要で、IntelのMacについては何も保証していません。Homebrew版はモデルを含まないので、音声認識モデルをダウンロードするまで文字起こしできません。インストールのガイドで説明しています。

誰が何を言ったかが大切な場合は、ファイルの文字起こしでYapToTextとMacWhisperを比べたページでその違いを説明していて、Quick Editのガイドでは、文字起こしが入ったあとに翻訳したり短くしたりする方法を紹介しています。YapToTextが渡すのは何が言われたかで、誰が、いつ言ったかではありません。

App Storeのポスター。見出しはEdit anything by voiceで、Quick Editのカードが聞き取り、編集を適用し、完了する流れが見える。
図3. Quick Editは、どのアプリでも選択したテキストに使えるので、文字起こしが入ったあとに翻訳したり短くしたりできます。

まとめ

  • 見ながら追うなら。 AppleシリコンのMacで、「システム設定」の「アクセシビリティ」にあるライブキャプションをオンにします。
  • タイミング付きのキャプションファイルなら。 Final Cut Proの Generate Captions を米国英語で使い、SRTとして書き出します。
  • 言葉をテキストにするなら。 YapToTextの Transcribe a file カードに動画をドロップします。無料で、Mac上で動きます。

動画を入れると言葉が出てきて、何もMacの外に出ません。 動画が文字起こしできず、対処の手順でも解決しない場合は、Settings、About の Copy Diagnostics を押して、ファイルの種類を添えてGitHubでissueを作成してください。すべて読んでいます。

Mac App StoreでYapToTextをダウンロード無料でダウンロードできます。アカウント不要で、機能の制限もありません。AppleシリコンのMac、macOS 14以降に対応しています。 ソースコードはGitHubにあります。

このページを書いた人。 Ryleigh Newmanはソフトウェアを開発しています。手でキーボードを打つことが難しいため、このサイトで紹介しているアプリ、YapToTextで毎日音声入力をしています。このページは英語から翻訳したものです。アプリの画面とサイトのほかのページは英語です。 プロジェクトについて（英語）。

ガイド

そのほかのガイド（英語）

出典

よくある質問

Macで動画をテキストに文字起こしできますか

はい、3つの方法があります。ライブキャプションは、AppleシリコンのMacで動画の再生中にリアルタイムの字幕を表示します。Final Cut Proは、米国英語でタイミング付きのキャプションを生成します。YapToTextは、動画ファイルをMac上で無料でプレーンテキストにします。

Macで動画を無料で文字起こしするには

YapToTextです。Utilityページを開き、Transcribe a fileカードに動画をドロップして、テキストをコピーします。無料で、Mac上で文字起こしし、AppleシリコンのmacOS 14以降が必要です。

Macで動画をローカルで文字起こしできますか

はい。YapToTextはMac上のWhisperでファイルを文字起こしし、何もアップロードしません。Appleによると、ライブキャプションは音声をデバイス上で処理します。YapToTextがネットワークを使うのは、自分で始めるモデルのダウンロードだけです。

YapToTextはタイムスタンプや話者の名前を付けますか

いいえ。返ってくるのはプレーンテキストで、タイムスタンプも字幕も話者のラベルもありません。タイミング付きのキャプションなら、AppleのFinal Cut Proが米国英語で生成し、SRTとして書き出せます。

YapToTextで動画を文字起こしするとき、長さの制限はありますか

ありません。ファイルに時間の上限はなく、使った分を計測することもありません。30分の安全のための停止は、1回のライブの音声入力にだけ適用されます。長い動画は、静かなところで区切って、分けて文字起こしされます。