MP4 を無料で文字起こしする方法：Windows でオフライン、アップロードなし

「MP4 文字起こし 無料」で探すと出てくるのは、月に数十分だけ無料のクラウドサービスか、まず音声を MP3 に変換してからアップロードしてください、という手順です。どちらも本当は要りません。Windows の PC で動く文字起こしソフトなら、MP4 をそのまま読み、音声トラックを自動で取り出し、テキストと字幕を同じ場所に書き出します。録画はどこにも送られません。

この記事は ClapClip の MP4 文字起こし を例に、準備から書き出しまでを順に説明します。

要点

• MP4 はそのまま読み込める。 MOV、MKV、WEBM も同じで、音声トラックは自動で抽出されます。事前の変換は不要です。
• モデルは 3 つ。 高速・バランス・高精度は、PC 上で動く Whisper small、medium、large-v3-turbo です。既定はバランス。
• 言語は指定できる。 自動検出もできますが、日本語と分かっているなら指定したほうが確実です。
• 書き出しは TXT、SRT、VTT、Word 文書。 1 回の処理でどれでも作れます。
• 無料で、時間制限なし。 2 時間の会議録画も 10 分のクリップも同じ扱いで、ファイルは PC から出ません。

事前に音声を抜き出す必要はありますか

ありません。MP4 を追加すると、中の音声トラックが自動で取り出され、16 kHz モノラルの一時ファイルに変換されて認識モデルに渡されます。これは Whisper 系のモデルが内部で使う形式なので、高いサンプルレートの音声をわざわざ用意しても精度は上がりません。一時ファイルは処理後に削除されます。

手元に MP4 ではなく .m4a の音声だけがある場合も同じです。読み込める形式と、数少ない事前変換が必要な形式は 音声からテキストへ のページにまとめています。

ルール： 元の書き出しファイルをそのまま使う。メッセージアプリや編集ソフトを通った再圧縮版より、最初の MP4 のほうが結果が良くなります。

手順

1. MP4 をローカルドライブに置きます。クラウド同期フォルダーの「オンラインのみ」のファイルは先にダウンロードしておきます。
2. ClapClip for Windows を開き、文字起こしツールにファイルを追加します。
3. 話されている言語を選びます。自動検出でも動きますが、冒頭の数秒で言語を取り違えるとファイル全体が崩れるので、分かっているなら指定します。
4. モデルを選びます。既定のバランスで始め、人名・数字・専門用語が多い、または引用するなら高精度、下書きだけなら高速。
5. 書き出し形式を選びます。メモなら TXT か Word、動画に字幕を付けるなら SRT、Web の動画なら VTT。両方を同時に出すこともできます。
6. 開始します。処理は PC 上で行われ、GPU があれば GPU を、なければ CPU を使います。アップロードはありません。
7. 結果を開き、人名・数字・否定表現を音声と突き合わせて確認します。

どのモデルを選ぶか

アプリの選択肢	モデル	向いている用途
高速	Whisper small（5 ビット量子化）	検索用の下書き、独立 GPU のないノート PC
バランス（既定）	Whisper medium（5 ビット量子化）	会議、講義、ポッドキャストなど日常の録画
高精度	Whisper large-v3-turbo（5 ビット量子化）	引用する原稿、人名・数字・専門用語、英語以外の言語

3 つとも無料で、違いは処理時間とメモリだけです。アプリは既定で大きなモデルの処理を 1 つずつ実行し、メモリの取り合いを避けます。人名と一番うるさい場面を含む 5 分間を、バランスと高精度の両方で試して比べるのが、どんな「精度 ○○％」より確実です。

無音スキップと英語への翻訳

• 無音スキップは自動で有効です。スライドの切り替えや開始前の待ち時間はモデルに渡されないので、長い録画ほど時間が節約でき、無音部分に文章を「作ってしまう」現象も避けられます。
• 英語に翻訳のスイッチを入れると、日本語の音声から直接英語のテキストを生成します。海外のメンバーに共有する議事録に便利です。翻訳にはバランスか高精度のモデルを使ってください。

書き出し形式の選び方

形式	用途
TXT	メモ、検索、文書への貼り付け
SRT	動画プレーヤーや編集ソフトの字幕
VTT	Web ページの HTML 動画用字幕
DOCX	タイトル、元ファイル名、長さを記した Word 文書。本文は編集できる段落

字幕は単語ごとのタイムスタンプから作られ、既定で 1 行 42 文字、最大 2 行に区切られます。編集画面で修正してから書き出し直すこともできます。字幕作成の詳しい手順は SRT 生成 のページにあります。

長い録画と複数ファイル

2 時間のセミナー録画も 1 回の処理で通し、タイムスタンプは途切れません。1 学期分の講義や 1 シーズン分のポッドキャストは、フォルダーごと バッチ文字起こし に入れると、ファイルごとに 1 本の原稿ができます。キューは途中で止めて再開でき、完了したファイルは失われません。ノート PC は電源につなぎ、スリープを切っておきます。

「無料・オフライン」の確かめ方

一度ネットにつないで処理し、モデルのダウンロードを済ませてから、Wi-Fi を切って別のファイルを処理してみてください。動けば認識は PC 内で完結しています。ClapClip の文字起こしは、分あたりの料金も月の上限もファイル長の制限もなく、TXT と SRT に透かしは入らず、アカウント登録も不要です。研究インタビューをローカルで文字起こしする記事（研究インタビューをローカルで文字起こしする）には、機密性の高い録音での運用例があります。

まとめ

MP4 はそのまま入れる。言語を指定し、既定のバランスで始めて、引用するなら高精度に切り替える。メモなら Word、字幕なら SRT。録画は PC から出ず、料金も時間制限もありません。Windows での文字起こし のページから始められます。