本メディアはAI活用の情報メディアで、株式会社S.Lineが運営しています。記事内で当社サービスに触れる場合は「当社」と明記します。 運営会社の情報
ChatGPTで文字起こしはできます。ただし「何を文字起こしするか」で使う機能とプランが変わります。マイクに向かって話した内容は、入力欄のマイクアイコン（音声入力＝Dictation）で録音してテキスト化でき、送信前に編集できます。会議や打ち合わせの録音は「ChatGPT Record」が文字起こしと要約まで行いますが、対象はPlus・Pro・Business・Enterprise・Eduのワークスペースで、利用できるのはmacOSデスクトップアプリだけです。一方、手元にあるmp3などの録音ファイルをチャットに投げて文字起こしする方法は、公式のFile Uploads FAQに音声の記載がなく、録音ファイルの文字起こしを公式に案内しているのは開発者向けAPI（Transcriptions）です（出典：ChatGPT Record、File Uploads FAQ、いずれも2026年9月15日取得）。
本記事は、2026年9月15日にOpenAIの公式ヘルプセンター、開発者向けドキュメント、料金ページを取得し、その文言だけを根拠に「ChatGPTで文字起こしは可能か」を整理したものです。機能の可否、対応プラン、モデル名、料金は公式の表現に合わせ、公式に数値の記載がない「精度◯%」のような数字は書きません。ChatGPTを仕事やSNS運用に使う個人と小規模事業者が、自分の用途に合う経路を選び、今日から手を動かせる状態になることを目標にしています。
この記事でわかること
- ChatGPTの文字起こしが「音声入力」「Voice」「Record」「API」の4つの経路に分かれていること
- 各経路で使えるプラン、対応端末、上限がOpenAIの案内でどう書かれているか
- 自分の状況（メモ・会議・録音ファイル・字幕・機密性）でどの経路を選ぶか
- 録音ファイル（mp3・m4a・wavなど）を文字起こしするときに選ぶモデルと料金
- 日本語版の料金ページに載っているChatGPTの月額と、API従量課金の計算例
- 公式が示す精度の前提と、文字起こし後にChatGPTで修正・要約・字幕化する手順
- つまずいたときの公式の対処、NottaやGoogleと比べる確認項目、データの扱いと録音の同意
ChatGPTの文字起こしは4つの経路に分かれる｜できること・できないことの整理
ChatGPTの文字起こしとは、OpenAIが提供するChatGPTのアプリ・Webと開発者向けAPIで、音声をテキストへ変換する機能の総称です。2026年9月時点の公式の案内では、入力欄のマイクで録音する「音声入力（Dictation）」、会話型の「ChatGPT Voice」、会議録音向けの「ChatGPT Record」、録音ファイルを処理する「API（Transcriptions）」の4経路に分かれており、それぞれ対象プランと端末が異なります。
まず押さえたいのは、ChatGPTには「文字起こし」という単一のボタンがあるわけではない、という点です。公式ヘルプは、話した内容をテキストにする機能を用途ごとに別の名前で案内しています。Voice Dictation FAQでは「マイクアイコンを押して音声メッセージを録音すると、録音された音声がモデルへ送られて文字起こしされ、テキストとして返され、ユーザーメッセージとして送信する前に編集できる」と説明されています（出典：Voice Dictation – FAQ、2026年9月15日取得）。これが身近な文字起こしです。
次にChatGPT Voiceです。こちらは声で会話する機能で、公式ページには「Voice会話を終えると、そのトランスクリプトがチャットに追加され、チャット履歴で見返せる」と書かれています。ただし同じページで「Voiceのトランスクリプトは逐語的な記録ではなく、話した内容と正確に一致しない場合がある」とも明記されています（出典：ChatGPT Voice、2026年9月15日取得）。会話の記録は残るものの、議事録用の文字起こしとして扱うには向きません。
3つ目がChatGPT Recordです。公式ページの冒頭には「現在、ChatGPT recordはPlus、Enterprise、Edu、Business、Proのワークスペースで利用でき、macOSデスクトップアプリでのみ利用可能」とあり、「record modeでは、会議・ブレインストーミング・ボイスメモのような音声録音を文字起こしして要約できる」と説明されています（出典：ChatGPT Record、2026年9月15日取得）。会議の文字起こしをChatGPTで完結させたい人が見るべき機能はこれです。
4つ目がAPIです。開発者向けドキュメント「File transcription」では、録音ファイルを送って文字起こしを返すTranscriptionsエンドポイントと、利用できるモデル群が案内されています（出典：File transcription（Speech to text）、2026年9月15日取得）。プログラムを書く必要はありますが、録音ファイルをまとめて処理する用途では現時点で公式に案内されている唯一の経路です。
| 経路 | 何を文字起こしするか | 利用できるプラン・端末（公式の記載） | 出典（2026年9月15日取得） |
|---|---|---|---|
| 音声入力（Dictation） | その場でマイクに向かって話した内容。送信前に編集できる | マイクアイコンが表示される画面。FAQにプランの限定は書かれていない | Voice Dictation – FAQ |
| ChatGPT Voice | 声での会話。終了後にトランスクリプトがチャットへ追加される（逐語記録ではない） | iOS・Android・Webで開始できる。利用枠はプランごとに異なる | ChatGPT Voice |
| ChatGPT Record | 会議・ブレインストーミング・ボイスメモの録音。文字起こしと要約をまとめて行う | Plus・Pro・Business・Enterprise・Eduのワークスペース。macOSデスクトップアプリのみ | ChatGPT Record |
| API（Transcriptions） | mp3・mp4・mpeg・mpga・m4a・wav・webmの録音ファイル | 開発者向け。ファイルは25MBまで。従量課金 | File transcription |
録音ファイルをチャットへ投げる方法は公式に書かれていない
「Plusなら音声ファイルをアップロードして文字起こしできる」という説明を見かけますが、2026年9月15日時点のFile Uploads FAQが対応形式として挙げているのは「テキストファイル、表計算、プレゼンテーション、文書の一般的な拡張子」で、音声や動画の文字起こしは記載されていません。同FAQは、ファイルアップロード自体は無料プランと有料プランの両方で使えるとしつつ、「無料ユーザーは1日3回のファイルアップロードに制限される」とも書いています（出典：File Uploads FAQ、2026年9月15日取得）。録音ファイルの文字起こしを業務に組み込むなら、公式に案内されているRecordかAPIを前提に設計するのが安全です。
「ChatGPTの文字起こし＝Whisper」という理解は古い
以前はWhisperが文字起こしの代名詞でしたが、2026年9月15日時点の開発者向けドキュメントでは、汎用の文字起こしに推奨されるモデルとして「gpt-transcribe」が案内され、そのほかに「gpt-4o-transcribe」「gpt-4o-mini-transcribe」、話者を識別する「gpt-4o-transcribe-diarize」、タイムスタンプや翻訳・字幕向けの「whisper-1」が並んでいます（出典：File transcription）。ChatGPTアプリ側の音声入力やRecordがどのモデルで動いているかは公式ヘルプに明記されていないため、本記事では「ChatGPTはWhisperで文字起こしする」と断定しません。
状況別にどの経路を選ぶか｜判断表と公式の記載に基づく理由
経路の選び方は「誰の声を」「どの形で」「どこで」文字起こしするかで決まります。自分1人の発言は音声入力、考えを話しながら整理するならVoice、Macと有料プランがあって会議を記録するならRecord、録音ファイルや字幕、英語への変換はAPI、機密性が高い録音はAPIまたはBusiness以上のワークスペース、というのが2026年9月時点の公式の記載から導ける整理です。
4つの経路を理解しても、いざ自分の場面に当てはめると迷いがちです。そこで、読者から見た状況ごとに、どの経路を選ぶかと、その根拠となる公式の記載を1つの表にしました。理由の欄に書いた内容は、いずれも本記事で引用している公式ページの文言に基づいています（出典：ChatGPT Record、ChatGPT Voice、File transcription、いずれも2026年9月15日取得）。
| あなたの状況 | 選ぶ経路 | 公式の記載に基づく理由 |
|---|---|---|
| 移動中に思いついたことをすぐ文字にしたい | 音声入力（Dictation） | 録音した音声が文字起こしされ、送信前に編集できる（Voice Dictation FAQ） |
| ChatGPTと話しながら考えを整理し、記録も残したい | ChatGPT Voice | 会話終了後にトランスクリプトがチャットに追加される。ただし逐語記録ではない（ChatGPT Voice） |
| Macと有料プランがあり、社内会議を録って議事録にしたい | ChatGPT Record | 文字起こしと要約を行い、複数話者を区別できる。1セッション4時間まで（ChatGPT Record） |
| 会議を記録したいがWindowsしかない | 会議ツール側の文字起こし＋ChatGPTで加工 | RecordはmacOSデスクトップアプリのみ（ChatGPT Record） |
| 過去の録音ファイルが多数ある | API（Transcriptions） | mp3・m4a・wavなどを25MBまで受け付け、1分単位の従量課金（File transcription、API Pricing） |
| 動画の字幕をタイムスタンプ付きで作りたい | API（whisper-1） | timestamp_granularitiesはwhisper-1のみ対応。srt・vtt形式で出力できる（File transcription） |
| 英語の録音を英語テキストにしたい | API（translations） | /v1/audio/translationsはwhisper-1で英語テキストを返す（File transcription） |
| 顧客名や社外秘を含む録音を扱う | APIまたはBusiness以上のワークスペース | APIに送ったデータは既定で学習に使われない。Business・Enterprise・Eduのコンテンツも既定で学習から除外（Data controls、ChatGPT Record） |
この表で迷いやすいのは、3行目と4行目です。「会議の文字起こし」という同じ目的でも、使っているPCがMacかWindowsかで、ChatGPT側で完結できるかどうかが変わります。公式ページがRecordを「macOSデスクトップアプリでのみ利用可能」としている以上、Windows環境では会議ツールの文字起こし機能で記録を取り、その後の要約・タスク抽出をChatGPTに任せる分担が現実的です（出典：ChatGPT Record、2026年9月15日取得）。
もう1つ迷いやすいのが、7行目の「英語にしたい」場合です。開発者向けドキュメントによると、翻訳のエンドポイントは「録音の元の言語を保つ文字起こしと違い、英語のテキストを返す」ものです。つまり日本語の録音を英語テキストにする用途には合いますが、英語の録音を日本語テキストにする用途には対応していません。後者は、文字起こしした英語テキストをChatGPTに渡して日本語へ翻訳する順序になります（出典：File transcription、2026年9月15日取得）。
無料で試してから有料に上げる順序
まだどの経路が合うか分からない人は、費用のかからない順に試すのが無駄がありません。最初に無料版の音声入力で、自分の声がどの程度正しく文字になるかを確かめます。次に、会議の記録が必要ならMacの有無を確認し、MacがあればPlusに上げてRecordを試し、なければ会議ツール側の文字起こしとChatGPTの加工を組み合わせます。録音ファイルの処理が必要になった時点で、APIを短いファイルから試します。この順序なら、各段階で「公式に案内されている範囲で何ができたか」を自分の録音で確かめてから次に進めます。
音声入力（Dictation）でその場の発言をテキストにする手順
音声入力（Dictation）は、ChatGPTの入力欄にあるマイクアイコンを押して録音した音声を、モデルが文字起こししてテキストとして返す機能です。返ってきたテキストは送信前に編集でき、そのまま要約や整形の指示につなげられます。公式FAQには対応プランの限定は書かれていません。
手軽で、多くの人が「ChatGPTで文字起こしできた」と感じるのがこの経路です。スマホアプリでもWebでも、入力欄にマイクアイコンがあればすぐ試せます。公式FAQの説明は「録音された音声がモデルへ送られ、文字起こしがテキストとして返り、送信前に編集できる」というシンプルなもので、余計な設定は要りません（出典：Voice Dictation – FAQ、2026年9月15日取得）。端末ごとのアイコン位置やマイク許可の手順は、ChatGPT音声入力スマホでのやり方でiPhone・Android別に整理しています。
手順は次の3ステップです。
- 入力欄のマイクアイコンを押し、初回はマイクへのアクセスを許可してから話す。
- 話し終えたら停止し、入力欄に入った文字起こしテキストの誤変換や固有名詞を直す。
- テキストの先頭か末尾に「この内容を箇条書きで整理して」などの指示を足して送信する。
ポイントは2番目の「送信前に直す」工程です。音声入力は文字起こし結果がそのまま自分のメッセージになるので、人名や商品名を先に直してから送ると、その後の要約や整形の質が上がります。長めに話すときは、1つの話題ごとに録音を区切ると編集が楽になります。
音声入力が向く用途と向かない用途
向いているのは、移動中のアイデアメモ、Instagramのリール台本や投稿文のたたき台、打ち合わせ後に自分の言葉で残す振り返りなど、「話者が自分1人」で「数分以内」のものです。逆に、複数人が話す会議の録音や、1時間を超える講演の記録には向きません。音声入力は録音済みファイルを受け付ける仕組みではなく、話者の区別も行わないためです。会議はRecord、録音ファイルはAPIというように経路を分けると、無理なく使い分けられます。
音声入力の後に使える指示の例を、仮の例として挙げます。「今の内容を、結論・理由・次にやることの3つの見出しで整理して」「この話をInstagramの投稿文にして。1文を短く、最後に問いかけを1つ入れて」「この内容から、取引先に送るメールの本文を敬体で作って」。いずれも文字起こしテキストの直後に足すだけで動きます。アプリの基本操作から確認したい人は、ChatGPTスマホアプリの使い方も合わせて読んでください。
仮の例：音声入力でリール台本のたたき台をつくる流れ
手順を具体的にイメージできるよう、仮の例を1つ通して示します。登場する店舗や数字は架空のもので、実績ではありません。美容室の店長が、移動中にスマホアプリのマイクアイコンを押して次のように話したとします。「えっと、来月のキャンペーンのリールなんだけど、冒頭で『梅雨の広がる髪、朝の5分で落ち着かせる方法』って言って、そのあと施術前の髪を見せて、途中でスタイリング剤の使い方を1つだけ紹介して、最後に予約は概要欄からって入れたい。あ、あとテロップは短めで」。
停止すると、この発言が文字起こしされて入力欄に入ります。仮の例では「梅雨」が「つゆ」と平仮名になっていたので漢字に直し、「概要欄」の表記を確認してから、末尾に「この内容を30秒のリール台本にして。シーンごとにセリフとテロップを分け、テロップは1行12文字以内にして」と足して送信します。返ってきた台本は、冒頭のセリフ、施術前の映像、スタイリング剤の説明、予約への導線、という4つのシーンに分かれ、テロップ案が各シーンに付いた形になります。仮の例の店長は、スタイリング剤の商品名を自分で入れ、テロップの言い回しを店の口調に合わせて直してから撮影に入ります。
この流れの要点は、音声入力の段階では「構成を口に出す」ことに集中し、細部の言葉選びはChatGPTの出力を見てから人が直す、という分担です。話しながら完璧な原稿を目指す必要はなく、言い直しや「えっと」が混じっても、送信前の編集と指示文で十分に整えられます。
データの扱いも押さえておきましょう。公式FAQによると、音声入力の音声は「そのチャットがチャット履歴にある間は保持され、チャットを削除すると関連する音声クリップも30日以内に削除される」とされています。学習への利用は、消費者向けユーザーが「音声を共有してモデル改善に協力する」設定を選んだ場合に限られ、設定の「Include your audio recordings」を無効にするか「Improve the model for everyone」を切れば止められます。ビジネス向けユーザーについては「既定では製品の入力・出力を学習に使わない」と書かれています（出典：Voice Dictation – FAQ、2026年9月15日取得）。
ChatGPT Voiceの会話はテキストとして残る｜Live・Advanced・Standardの違いと利用枠
ChatGPT Voiceは、ChatGPTと声で会話し、音声で応答を聞く機能です。会話を終えるとトランスクリプトがチャットに追加されますが、公式は「逐語的な記録ではない」としています。設定にはLive・Advanced・Standardの3つの選択肢があり、利用枠はプランごとに定められています。
音声入力と混同されやすいのがVoiceです。公式ページでは「ChatGPT Voiceを使うとChatGPTと話し、音声で応答を聞ける」機能と定義され、「1つの録音を編集可能なテキストにしたいならChatGPT Dictationを使う」と明確に使い分けが書かれています。つまり、Voiceは会話のための機能で、文字起こしは副産物です（出典：ChatGPT Voice、2026年9月15日取得）。
設定→Voiceで選べる選択肢は3つです。「Live」はプランに応じてGPT-Live-1またはGPT-Live-1 miniで動き、聞きながら話せる自然な会話向けで、Web検索やメモリも使えます。「Advanced」は以前のリアルタイムVoiceで、モバイルでの動画やスクリーン共有が必要なときに使います。「Standard」は「応答を生成する前に発話を文字起こしするターン制のVoice」と説明されており、文字起こしを経由する点が特徴です。どの選択肢が表示されるかは、プラン、ワークスペース設定、地域、アプリのバージョン、ペアレンタルコントロールによって変わります（同ページ）。
Voiceの始め方と、日本語で使うときの設定
開始手順は公式ページに端末別で書かれています。iOSとAndroidでは「メッセージバーのVoiceアイコンを選択し、求められたらアプリにマイクへのアクセスを許可し、初回は好みの声を選んで、Voiceが開いたら話し始める」、Webでは「ChatGPT.comでプロンプト欄のVoiceアイコンを選択し、ブラウザにマイクへのアクセスを許可して話し始める」という流れです。会話中はマイクのコントロールでミュートの切り替え、終了のコントロールで会話を終えます（出典：ChatGPT Voice、2026年9月15日取得）。
日本語で使う人に関係するのが言語設定です。公式ページには「設定→Voice→Languageで、最もよく話す言語を選ぶと、ChatGPTが発話をより正確に理解する助けになる」とあります。また「他のアプリを使っている間やロック中も会話を続けるには、設定→VoiceでBackground conversationsをオンにする」こと、「一度に持てるVoice会話は1つ」であることも書かれています。文字起こしの観点では、言語設定を日本語に合わせておくことが、聞き取りの前提を整える数少ない公式の設定項目です（同ページ）。
複数人で話す場面にVoiceは向かない
会議の場でVoiceを立ち上げて記録代わりにする使い方は、公式の記載からすると無理があります。FAQには「Liveは主に1対1の会話向けに設計されている。背景音には対応できるが、複数の話者がいる会話にはまだ最適化されておらず、人同士が話しているときにChatGPTへの発話と誤解して応答することがある」と書かれています。また「ChatGPTが話している間に話せるか」という問いには「はい」とあり、割り込みはできますが、「発話の重なり、背景音、ネットワーク状況、マイク設定が聞き取りに影響する」とも注意されています（出典：ChatGPT Voice、2026年9月15日取得）。複数人の発言を残したいなら、VoiceではなくRecordか、会議ツール側の文字起こしを使う判断になります。
Voiceの利用枠は公式ページに表で示されています。チャット内のLive利用は24時間の移動窓で計測され、上限に達すると通知されます。下表は公式の記載をそのまま整理したものです（出典：ChatGPT Voice、2026年9月15日取得。英語ページの表記で、日本円の表示はありません）。
| プラン（出典：ChatGPT Voice） | チャット内Voiceの利用枠（公式の文言） |
|---|---|
| Free | GPT-Live-1 miniへの限定的なアクセス。上限は変更されることがある |
| Go | GPT-Live-1 miniで3時間 |
| Plus | GPT-Live-1で3時間 |
| Pro（$100/月） | GPT-Live-1で15時間 |
| Pro（$200/月） | GPT-Live-1が無制限 |
| Business Standard | GPT-Live-1で3時間。追加利用は1分あたり1.25クレジット |
| Business Premium | GPT-Live-1で15時間。追加利用は1分あたり1.25クレジット |
| Enterprise（USD従量課金） | 1分あたり$0.05 |
文字起こしの観点で覚えておきたいことが2つあります。1つは「トランスクリプトがチャットに追加されるが、発話が重なったり背景音があったり会話が速いと、話した内容と正確に一致しない場合がある」という公式の注意です。もう1つは、Liveでは「ChatGPTの応答が話される間、テキストとしてもチャットに表示される」こと、iOS・AndroidのAdvancedでは「ccボタンで応答の字幕を表示できる」ことです（同ページ）。自分の発言を正確に残したいなら音声入力、会議なら次のRecordを選び、Voiceは壁打ちや質問に使うと役割が明確になります。
Voiceのデータ保持も公式に書かれています。LiveとAdvancedの音声クリップは、チャット履歴に表示されるトランスクリプトとともに保存され、クリップは30日間保持されます。Standardでは「応答生成の前に音声が文字起こしされ、文字起こし完了後に音声は削除される」とされています（出典：ChatGPT Voice、2026年9月15日取得）。
会議や打ち合わせの録音はChatGPT Recordで文字起こし・要約する（macOSアプリ限定）
ChatGPT Recordは、会議・ブレインストーミング・ボイスメモなどの音声を録音しながら文字起こしし、終了後に要約をキャンバスとして生成する機能です。2026年9月時点ではPlus・Pro・Business・Enterprise・Eduのワークスペースで、macOSデスクトップアプリのみに提供されており、1セッションの録音は4時間（240分）が上限です。
「ChatGPTで会議を文字起こししたい」という検索意図に対する、2026年9月時点の公式の答えがRecordです。公式ページは「録音中にChatGPTがライブで文字起こしし、タイマーが経過時間を表示する。自由に一時停止・再開できる」と説明しています。録音を終えてSendを選ぶと、ChatGPTがトランスクリプトをアップロードし、生成されたノートを開きます。ノートはチャット内のキャンバス、または録音に添付されたノートとして表示され、「メール、プロジェクト計画、コードの雛形に書き直す」ようChatGPTへ依頼できます（出典：ChatGPT Record、2026年9月15日取得）。
使い方は、チャット下部のRecordボタンを押すだけです。初回はマイクとシステムオーディオの許可を求められます。macOSでは「システム設定→プライバシーとセキュリティ→マイク」と「画面収録とシステムオーディオ録音」の両方でChatGPTを有効にする必要があると、トラブルシューティングに書かれています。Recordボタンが見当たらない場合は「最新のChatGPT macOSアプリに更新し、Plus・Pro・Business・Enterprise・Eduのワークスペースにログインしているか確認する」のが公式の案内です（同ページ）。
録音の停止・取り消し・削除の流れ
録音の途中で止めたいときは停止アイコンを選びます。その画面で「Resume」を選べば同じセッションで録音を続けられ、「Send」を選ぶと録音を終えてトランスクリプトと要約がChatGPTにアップロードされます。録音を取り消したい場合は、録音ウィンドウ左上の「X」を押すと、トランスクリプトと要約をアップロードする「Upload」、録音を削除する「Delete」、録音ウィンドウに戻って続きを録る「Cancel」の3つの選択肢が表示されます（出典：ChatGPT Record、2026年9月15日取得）。誤って社外秘の会話を録ってしまった場合に、アップロード前に削除できる導線があることは、運用ルールを決めるうえで押さえておきたい点です。
Recordの上限・話者の区別・言語について公式が書いていること
録音の長さは「Record meetingセッションは現在1セッション4時間（240分）が上限で、超えると自動で停止し、ノートがプライベートなキャンバスとしてアップロードされる」とされています。また「上限と料金は変更されることがある」と明記されているので、長時間の運用を組む前に最新のページを確認してください（出典：ChatGPT Record、2026年9月15日取得）。
複数の話者については「Record modeはトランスクリプト内で複数の話者を区別できる。名前で識別できない場合はSpeaker 1のような汎用ラベルを使い、録音作成後に話者名を変更できる」と書かれています。以前は「ChatGPTは話者分離に未対応」と言われていましたが、Recordに関してはこの記載が現在の公式見解です。言語については「Record modeは現在英語で最もよく動作し、他の言語の精度は改善中だが変動しうる」とされています。日本語の会議で使う場合は、生成されたノートを原文のトランスクリプトと突き合わせて確認する工程を残しておくのが現実的です（同ページ）。
もう1つ大切なのが録音の同意です。公式ページには「他者を録音する際は責任を持って使うこと。現地の法律を確認し、録音前に適切な同意を得ること」と明記されています。社内会議であっても、Recordを使うことを冒頭で伝え、参加者の了解を得る運用にしてください。会議後の議事録づくりを効率化する指示文は、ChatGPT議事録作成プロンプト決定版にテンプレートをまとめています。Zoomなど会議ツール側の自動文字起こしと比べたい人は、AI議事録の自動化ツール10選が参考になります。
Recordのノートを議事録として使う前に見るところ
Recordが生成するノートは要約であり、原文のトランスクリプトとは別物です。公式ページも「ChatGPTは文字起こしを含めて間違えることがあるため、重要な情報は確認すること」と念を押しています。議事録として共有する前には、ノートに書かれた決定事項と期限を原文のトランスクリプトで探し、該当する発言があるかを確かめてください。Speaker 1のような汎用ラベルが残っている場合は、録音作成後に名前へ変更しておくと、後から読む人が発言者を取り違えずに済みます（出典：ChatGPT Record、2026年9月15日取得）。
過去の録音を参照する「Reference record history」と管理者側の設定
Recordには、過去の録音から生成したノートとトランスクリプトを新しい会話で参照する「Reference record history」という設定があります。公式ページには「オンにすると、過去の録音のノートとトランスクリプトを参照して、共有済みの有用な情報を思い出し、新しい会話でより関連性の高い応答を返せる」とあり、「月曜のロードマップ同期で何を決めたか」のような質問に答えられると説明されています。切り替えは設定のPersonalizationから行え、録音を含む会話を削除すると、その内容は参照されなくなります（反映まで数日かかることがあります）。管理者向けには「ワークスペースのオーナーは設定→Workspace ControlsでRecordとReference record historyを切り替えられる」「EnterpriseとEduのワークスペースではRecord modeが既定で無効になっており、オーナーが有効化する必要がある」と書かれています（出典：ChatGPT Record、2026年9月15日取得）。
カレンダーとの連携も公式に記載があります。GoogleカレンダーをChatGPTに接続していれば、予定を同期して時間どおりにRecordが参加できますが、「カレンダーからの自動参加は現在Google Meetのリンクのみ対応」で、Zoom・Microsoft Teams・Webexなどは「ChatGPT macOSアプリで手動でRecordを開始する」必要があります（出典：ChatGPT Record、2026年9月15日取得）。
録音ファイル（mp3・m4a・wavなど）はAPIのTranscriptionsで文字起こしする
API（Transcriptions）は、OpenAIの開発者向けプラットフォームに録音ファイルを送り、文字起こしテキストを受け取る仕組みです。対応形式はmp3・mp4・mpeg・mpga・m4a・wav・webm、ファイルは25MBが上限で、用途に応じてgpt-transcribe、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize、whisper-1から選びます。料金は1分単位の従量課金です。
すでに手元に録音ファイルがある場合、公式に案内されている文字起こしの経路はAPIです。開発者向けドキュメント「File transcription」には、「Transcriptions APIは25MBまでのファイルを受け付ける」「対応する入力形式はmp3、mp4、mpeg、mpga、m4a、wav、webm」と明記されています。モデルの使い分けも公式が示しており、「話者を識別する必要があるときだけgpt-4o-transcribe-diarizeを使う」「単語やセグメントのタイムスタンプが必要ならwhisper-1を使う」「Whisperは98言語に対応するが精度は言語によって異なる」といった記述があります（出典：File transcription、2026年9月15日取得）。
料金は公式の料金ページに「Transcription models」として1分あたりの単価が掲載されています。下表は2026年9月15日時点の記載です（出典：OpenAI API Pricing）。
| モデル（出典：API Pricing） | 公式ドキュメントが示す用途 | 料金（1分あたり・USD） |
|---|---|---|
| gpt-transcribe | 一般的な文字起こしに推奨 | $0.0045 |
| gpt-4o-transcribe | 文字起こし（プロンプトで文脈を渡せる） | $0.006 |
| gpt-4o-mini-transcribe | 文字起こし（軽量） | $0.003 |
| gpt-4o-transcribe-diarize | 文字起こしと話者識別（diarization） | $0.006 |
| whisper-1 | タイムスタンプ、翻訳、字幕向け | $0.006 |
計算例を1つ示します。60分の会議録音をgpt-4o-transcribe（$0.006/分）で処理すると、公式単価の単純計算で$0.36、gpt-4o-mini-transcribe（$0.003/分）なら$0.18です。為替で円換算は変わるため、本記事では円の目安を示しません。単価の最新値は公式の料金ページ（2026年9月15日取得）で確認してください。
APIで文字起こしする最小の手順
手順は「APIキーの発行」「ライブラリの導入」「数行のコード実行」の3工程です。OpenAIのプラットフォームにログインし、API keysの画面で新しいシークレットキーを作成します。キーは作成時にしか表示されないので、パスワード管理ツールなどに保管し、記事やチャットに貼らないでください。次にPythonのライブラリを入れます。
pip install openai続いて、以下のコードの音声ファイル名を自分のものに書き換えて実行します。APIキーは環境変数OPENAI_API_KEYに入れておくと、コードに直接書かずに済みます。
from openai import OpenAI
client = OpenAI()
with open("meeting.m4a", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file
)
print(transcription.text)自分のPCに環境を作るのが難しい場合は、ブラウザで動くGoogle Colaboratoryに同じコードを貼り付ける方法があります。左側のフォルダから音声ファイルをアップロードし、ファイル名を合わせて実行するだけです。25MBを超える録音については、公式ドキュメントが「圧縮された音声形式を使うか、25MB以下のチャンクに分割する。文の途中で分割すると文脈が失われ精度が下がるので避ける」と案内しています（出典：File transcription、2026年9月15日取得）。
モデルを選ぶ前に決めておく3つの条件
公式ドキュメントのモデルの使い分けは、録音の性質から逆算すると迷いません。送る前に次の3つの条件を決めておくと、モデルと出力形式が自然に決まります（出典：File transcription、2026年9月15日取得）。
- 話者を分ける必要があるか。必要ならgpt-4o-transcribe-diarizeとdiarized_json、不要なら通常の文字起こしモデルを選ぶ。
- 時刻情報が必要か。字幕や動画編集で秒単位の位置が要るならwhisper-1でtimestamp_granularitiesやsrt・vttを使い、テキストだけでよければgpt-transcribe系で返るtextフィールドを使う。
- 固有名詞が多いか。社名や商品名が頻出するなら、promptに語彙を列挙できるgpt-transcribe、gpt-4o-transcribe、gpt-4o-mini-transcribeを優先する。
仮の例として、社内の週次会議（3人、固有名詞多め、話者の区別が欲しい）ならgpt-4o-transcribe-diarizeを、YouTube用の1人語り動画の字幕ならwhisper-1のsrt出力を、SNS用の短いボイスメモならgpt-4o-mini-transcribeを選ぶ、という整理になります。同じ録音でも目的が変われば選ぶモデルが変わるので、「いつも同じモデル」ではなく「用途ごとに固定」する方が運用しやすくなります。
出力形式・タイムスタンプ・文脈の指定
出力形式は、公式のAPIリファレンス（Create transcription）にjson、text、srt、verbose_json、vtt、diarized_jsonが挙げられており、gpt-4o-transcribeとgpt-4o-mini-transcribeはjsonのみ対応と明記されています。字幕ファイルとして使うならsrtかvttを指定し、話者ごとに分けたいならgpt-4o-transcribe-diarizeでdiarized_jsonを受け取ります。単語やセグメント単位の時刻を付ける「timestamp_granularities」は「whisper-1のみ対応」と明記されているので、字幕や動画編集の用途ではモデルの選択が先に決まります。また「File transcriptionは、完成した録音をモデルが処理する間に部分的なテキストをストリーミングできる。Realtimeセッションは不要」とあり、長い録音でも結果を順に受け取れます（出典：File transcription、2026年9月15日取得）。
精度に関わる指定としては、「名前、略語、書式、録音固有の語彙の認識を改善するためにプロンプトを使う」という案内があり、gpt-transcribe、gpt-4o-transcribe、gpt-4o-mini-transcribeで使えます（whisper-1は224トークンまで）。入力言語が分かっている場合は、gpt-transcribeで「languages」を指定します。日本語の会議に出てくる社名・商品名・担当者名をプロンプトに列挙しておくと、表記ゆれを減らす助けになります（同ドキュメント）。
APIを使う利点は、コストの見通しが立つことに加えて、データの扱いが明確なことです。OpenAIのプラットフォームのデータ管理ページには「2023年3月1日以降、OpenAI APIに送信されたデータは、明示的にオプトインしない限りOpenAIのモデルの学習や改善に使われない」と書かれています（出典：Data controls in the OpenAI platform、2026年9月15日取得）。業務の録音を扱う小規模事業者にとって、この一文は経路選びの判断材料になります。ChatGPTを業務フローへ組み込む前提知識は、ChatGPT業務連携の基礎ガイドで整理しています。
ChatGPTの文字起こしにかかる料金｜プラン月額とAPI従量課金を分けて考える
ChatGPTの文字起こしにかかる費用は、ChatGPTのプラン月額（無料・Go・Plus・Proなど）と、APIの1分単位の従量課金の2種類に分かれます。音声入力とVoiceはプランの範囲内で使え、Recordは有料プランのmacOSアプリで追加費用なし、録音ファイルの処理はAPIで使った分だけ支払う構造です。
「文字起こしにいくらかかるか」は、どの経路を使うかで答えが変わります。まずChatGPTのプラン月額です。日本語版の料金ページには、個人向けとして無料版が「￥0/月」、Goが「￥1,400/月」、Plusが「￥3,000/月」、Proが「月額￥16,800から」と表示されています。無料版の説明には「音声チャットに上限あり」「アップロードを含むメッセージ数に上限あり」、Goには「音声チャットをより多く利用」、Plusには「メッセージ送信とアップロードの上限拡大」とあります（出典：ChatGPT 料金（日本語版）、2026年9月15日取得）。
| プラン（出典：ChatGPT 料金） | 月額（日本語版料金ページの表示） | 文字起こしに関わる公式の記載 |
|---|---|---|
| 無料版 | ￥0/月 | 音声チャットに上限あり。アップロードを含むメッセージ数に上限あり |
| Go | ￥1,400/月 | 無料版のすべてに加え、音声チャットをより多く利用、より多くのアップロード |
| Plus | ￥3,000/月 | メッセージ送信とアップロードの上限拡大。Recordの対象プラン（macOSアプリ） |
| Pro | 月額￥16,800から | 利用枠の拡大。Recordの対象プラン（macOSアプリ） |
注意点として、英語のChatGPT Voiceページでは「Pro ($100/month)」「Pro ($200/month)」の2段階が表に載っており、日本語の料金ページは「月額￥16,800から」という表記です。通貨も段階の見せ方も異なるため、本記事では両方の表記を併記し、どちらが正か断定しません（出典：ChatGPT Voice、ChatGPT 料金、いずれも2026年9月15日取得）。契約前には、自分のアカウントで表示される金額を確認してください。
Recordの費用は、公式ページに「提供開始時点では追加費用なしで含まれる」とあります。つまりPlusやProの月額の中で使えますが、「上限と料金は変更されることがある」とも書かれています（出典：ChatGPT Record、2026年9月15日取得）。APIは前の見出しの表のとおり1分あたりの従量課金で、月額固定費はありません。
用途から逆算した経路の選び方
費用の判断は「月に何分、誰の声を、どの形で文字起こしするか」で決まります。自分の声を数分単位でメモにするだけなら、無料版の音声入力で足ります。週に数回の会議を丸ごと文字起こしして要約まで任せたいなら、Plus以上のプランとmacOSアプリの組み合わせでRecordを使うのが公式の想定です。過去の録音ファイルが大量にある、あるいは自社ツールに文字起こしを組み込みたいなら、APIで使った分だけ払う方が見通しが立ちます。無料版と有料版の違いを文字起こし以外も含めて比べたい人は、ChatGPT通常利用と無料版の10の違いを参照してください。
費用を抑える工夫としては、APIに送る前に録音の無音部分を切ること、話者の識別が不要な録音にはdiarize系ではなく通常のモデルを使うこと、まず短いファイルで試して品質を見てから本番のファイルを送ることの3つが実務的です。いずれも公式単価は変わりませんが、送る分数と手戻りを減らせます。
仮の例：月の利用量から費用を見積もる
仮の例として、月に60分の会議が4回あり、そのすべてをAPIで文字起こしする小規模事業者を想定します。合計は240分です。gpt-4o-transcribe（$0.006/分）なら公式単価の単純計算で$1.44、gpt-4o-mini-transcribe（$0.003/分）なら$0.72、話者識別が必要でgpt-4o-transcribe-diarize（$0.006/分）を選んでも$1.44になります。同じ4回の会議をRecordで文字起こしする場合は、Plus以上のプラン月額の中に含まれ、追加費用はかかりません（出典：API Pricing、ChatGPT Record、いずれも2026年9月15日取得）。
この仮の例から分かるのは、文字起こしの分数だけで見ればAPIの費用はごく小さく、経路を決める要因は費用よりも「Macと有料プランがあるか」「プログラムを書けるか」「話者識別やタイムスタンプが要るか」「データの扱いをどこまで厳密にするか」にある、ということです。費用の比較は最後に行い、まず用途と環境で経路を絞る順序が、結果的に無駄のない選択につながります。
文字起こしの精度を上げる方法｜公式が示す前提と実務の工夫
ChatGPTの文字起こし精度について、公式ページは数値を示しておらず、「ChatGPTは文字起こしを含めて間違えることがある」「Recordは英語で最もよく動作する」「Voiceのトランスクリプトは逐語記録ではない」といった前提を明記しています。精度を上げる手段として公式が挙げているのは、ヘッドセットの使用と背景音の低減、APIでは文脈を渡すプロンプトと入力言語の指定です。
「ChatGPTの文字起こし精度は何%か」という疑問に対して、2026年9月15日時点の公式ページに数値はありません。あるのは前提の記述です。ChatGPT Recordのページには「ChatGPTは文字起こしを含めて間違えることがあるため、重要な情報は確認すること」とあり、言語については「英語で最もよく動作し、他の言語の精度は変動しうる」と書かれています。開発者向けドキュメントも「Whisperは98言語に対応するが、精度は言語によって異なる」としています（出典：ChatGPT Record、File transcription、いずれも2026年9月15日取得）。この前提を踏まえ、精度は「上げる」よりも「確認工程を設計する」と考える方が実務では役立ちます。
録音環境で決まる部分
公式のトラブルシューティングは、トランスクリプトの品質が悪いときの対処として「ヘッドセットを使い、可能なら背景音を減らす」ことを挙げています（出典：ChatGPT Record、2026年9月15日取得）。オンライン会議なら参加者全員がイヤホンマイクを使う、対面なら録音端末を話者の近くに置く、複数人が同時に話さないよう司会が交通整理する、といった基本が結果を左右します。Voiceについても「発話の重なり、背景音、ネットワーク状況、マイク設定が聞き取りに影響する」と公式が説明しています（出典：ChatGPT Voice、2026年9月15日取得）。
APIで使える文脈の指定
APIには、モデルへ文脈を渡す「prompting」が用意されており、gpt-transcribe、gpt-4o-transcribe、gpt-4o-mini-transcribeで使えます。whisper-1では224トークンまでの制限があります。また、入力言語が分かっている場合はgpt-transcribeで「languages」を指定する方法が案内されています（出典：File transcription、2026年9月15日取得）。会議に出てくる社名、商品名、担当者名をプロンプトに列挙しておくと、固有名詞の表記ゆれを減らす助けになります。
文字起こし後の修正はChatGPTに任せる
どの経路でも、出力をそのまま使わずChatGPTで整える工程を挟むと品質が安定します。仮の例として、次のような指示が使えます。「以下は会議の文字起こしです。固有名詞リスト（株式会社エスライン、ミース上野店、リール、ストーリーズ）に従って表記を統一し、明らかな誤変換を直し、話し言葉の言い直しを削除してください。内容の追加や要約はしないでください」。修正と要約を分けて依頼するのがコツで、一度に頼むと修正漏れが要約に紛れ込みます。日本語の出力を安定させる指示の書き方は、ChatGPTの日本語精度を劇的に上げる14のコツで扱っています。毎回同じ固有名詞リストを使うなら、ChatGPTカスタム指示の設定例15選のように事前設定へ入れておく方法もあります。
人の目で確認する項目を先に決めておく
人の目による確認は省けません。公式が「重要な情報は確認すること」と書いている以上、文字起こしを議事録や契約関連の記録として使うときの確認責任は利用者側にあります。そこで、確認する項目と理由、確認のしかたをあらかじめ表にしておくと、担当者が変わっても品質がぶれません。以下は本記事が提案する確認項目で、公式の記載ではなく実務上の整理です。
| 確認項目 | 誤りが起きやすい理由 | 確認のしかた |
|---|---|---|
| 人名・社名・商品名 | 固有名詞は音が似た一般語に置き換わりやすい | 固有名詞リストと突き合わせ、初出箇所は原音を聞き直す |
| 数字（数量・件数） | 「じゅう」「ひゃく」などの聞き取りで桁がずれることがある | 数字が出る文をすべて抜き出し、原音で読み上げ順に照合する |
| 日付・期限 | 「来週」「月末」など相対表現が誤って具体日になることがある | 期限の表を作り、発言者に確認して確定日を書く |
| 同音異義語 | 「以上・異常」「対象・対称」など文脈で決まる語が入れ替わる | 意味が通らない文を検索し、前後の文脈から修正する |
| 言い直し・省略 | 話し言葉の言い直しがそのまま残るか、逆に必要な語が落ちる | 決定事項に関わる箇所だけ原音と照合し、それ以外は読みやすさ優先で整える |
この表を運用に組み込むと、確認にかける時間を「決定事項に関わる箇所」に集中させられます。すべてを逐語で照合しようとすると、文字起こしを使う意味が薄れます。どこを厳密に、どこを読みやすさ優先で扱うかを先に決めることが、精度と効率の両立につながります。
文字起こし後にChatGPTで加工する実例｜議事録・字幕・翻訳・FAQの4用途
文字起こしの価値は、テキスト化した後にChatGPTで議事録、字幕、翻訳、FAQなどへ加工する工程で決まります。同じチャット内でトランスクリプトを渡し、目的ごとに出力形式を指定することで、会議録からタスク表を、動画音声からテロップ案を、日本語の記録から英語版をつくれます。
ここからは、文字起こしテキストを手にした後の使い方です。以下の指示文はいずれも仮の例で、自分の文脈に合わせて固有名詞や形式を差し替えて使ってください。ポイントは、加工の種類ごとに「入力（文字起こし）」「出力形式」「やってほしくないこと」の3要素を指示に入れることです。
議事録：決定事項・担当・期限の表にする
会議の文字起こしを渡して「決定事項、担当者、期限の3列の表にまとめ、決まっていない項目は『未定』と書いてください。発言の引用は不要です」と依頼します。Recordのノートがある場合も、原文のトランスクリプトを渡して表を作り直すと、要約で落ちた期限や担当が拾えます。長い議事録を先に圧縮したいときは、ChatGPTで長文を要約するやり方7選の手順で分割してから加工します。
実際にどう変わるかを、仮の例で示します。次の文は、架空の3人チームの打ち合わせを音声入力で文字起こしした直後のテキストという設定で、内容も人物も実在しません。
仮の例（文字起こし直後）：えっと、秋の新メニューの投稿なんですけど、リールは担当Aさんが来週の月曜までに3本、あ、いや2本でいいか、2本お願いします。で、ストーリーズのアンケートは担当Bさんが今週中に。あとフォロワーさんからの質問まとめは、うーん、まだ誰がやるか決まってないので、次回持ち越しで。撮影日は22日で確定です。
このテキストに「決定事項、担当者、期限の3列の表にまとめ、決まっていない項目は『未定』と書いてください。発言の引用は不要です」と依頼したときの出力を、同じく仮の例として示します。
| 決定事項（仮の例） | 担当者 | 期限 |
|---|---|---|
| 秋の新メニューのリール動画を2本制作する | 担当A | 来週月曜 |
| ストーリーズでアンケートを実施する | 担当B | 今週中 |
| フォロワーからの質問をまとめる | 未定 | 次回の打ち合わせで決定 |
| 撮影を実施する | 未定 | 22日 |
注目してほしいのは、「3本、あ、いや2本」という言い直しが「2本」に整理され、「誰がやるか決まっていない」が「未定」として残っている点です。一方で「来週月曜」のような相対的な日付は、表を見た人が具体日に直す必要があります。仮の例のチームでは、この表を見た担当者が「来週月曜」を実際の日付に書き換え、撮影の担当者を次回までに決める、という運用にしています。文字起こしと加工は、この「人が最後に確定する」工程とセットで初めて業務に使えます。
字幕・テロップ：1行の文字数と改行位置を指定する
動画の音声を文字起こししたテキストに対して「テロップ用に、1行15文字以内、1画面2行以内で改行してください。語尾の『えー』『あの』は削除し、意味は変えないでください」と指示すると、編集ソフトに貼れる形になります。タイムスタンプ付きで欲しい場合は、APIでwhisper-1のタイムスタンプ出力やsrt・vtt形式を使う方法が公式に案内されています（出典：File transcription、2026年9月15日取得）。字幕を自動生成する編集ツール側の選択肢は、AI動画編集自動ツールおすすめ15選にまとめています。
翻訳：文字起こし→修正→翻訳の順に分ける
日本語の会議録を英語のチームへ共有する場合、文字起こし直後の文をそのまま翻訳させると、誤変換まで翻訳されます。先に固有名詞と誤変換を直し、そのうえで「以下を英語に翻訳し、社名と製品名は原文のまま残してください」と依頼する順序にします。ChatGPTと他の翻訳サービスのどちらが用途に合うかは、AI翻訳の精度比較で比べています。
FAQ：ウェビナーや問い合わせ対応の記録から質問と回答を抜き出す
ウェビナーの質疑や顧客対応の文字起こしから「質問と回答のペアを抽出し、質問は短い一文に、回答は原文の内容だけで書いてください。原文にない情報は補わないでください」と依頼すると、サイトのFAQや社内ナレッジの原案ができます。「原文にない情報は補わない」という一文を入れるのが、正確さを保つうえで欠かせません。
仮の例：小規模なSNS運用チームがChatGPTの文字起こしを週次運用に組み込む手順
この見出しの内容は仮の例であり、実在する数値実績ではありません。3人のSNS運用チームを想定し、週次ミーティングはChatGPT Record、リール台本は音声入力、録音ファイルの整理はAPIというように、経路ごとに担当と確認工程を決めて回す手順を示します。
ここでは、Instagramの運用を請け負う3人のチームという仮の例で、どの経路を誰がどの場面で使うかを決めていきます。数値の成果は書きません。目的は、公式に案内されている機能の範囲で、無理のない運用を組み立てる考え方を示すことです。
月曜：週次ミーティングをRecordで文字起こしし、タスク表にする
仮の例では、macOSアプリでPlusを契約している担当者1名がRecordを起動します。冒頭で「録音してChatGPTで議事録にします」と伝え、参加者の同意を得るところから始めます。終了後にSendを押し、生成されたノートとは別に、原文のトランスクリプトを渡して「決定事項・担当・期限」の表を作ります。表はチームのタスク管理ツールへ貼り、期限は担当者が原音を聞き直して照合する、という確認工程を残す判断をします。Recordの対象プランと端末は公式の記載に従います（出典：ChatGPT Record、2026年9月15日取得）。
平日：リール台本と投稿文は音声入力でたたき台をつくる
台本を書く担当者は、移動中や撮影の合間にスマホアプリのマイクアイコンで話し、送信前に固有名詞を直してから「30秒のリール台本にして。冒頭の1文で結論を言い、最後に保存を促す一言を入れて」と指示します。仮の例では、1本の台本につき「音声入力→編集→指示→人の手で最終調整」の順を固定し、ChatGPTの出力をそのまま投稿しないルールにします。投稿の下準備を自動化する範囲を広げたい場合の考え方は、AI×SNS投稿自動化の始め方で扱っています。
木曜：ライブ配信の振り返りを録音し、APIで文字起こしして投稿候補を抜く
配信後に話した振り返りをスマホのボイスメモで録音し、m4aファイルをAPIのTranscriptionsに送ります。仮の例では、担当者がgpt-4o-mini-transcribeを選び、25MBを超える場合は文の切れ目で分割する運用にします。返ってきたテキストをChatGPTに渡し、「視聴者の質問に答えている箇所を3つ抜き出し、それぞれをフィード投稿の本文案にして」と依頼して投稿候補をつくります。対応形式と上限は公式の記載どおりです（出典：File transcription、2026年9月15日取得）。
仮の例で決めた運用ルール
この仮の例では、チームとして次のルールを決めます。第一に、他者が映る・話す録音は事前に同意を取る。第二に、クライアント名を含む録音は、学習に使われない設定を確認した経路（設定でオフにしたChatGPT、またはAPI）だけで扱う。第三に、ChatGPTの出力は人が最終確認してから外に出す。第四に、月に一度、どの経路で何分使ったかを振り返り、プランとAPI利用の組み合わせを見直す。成果の数値は仮の例では扱わず、実際に運用する場合は自分たちの記録で判断してください。
文字起こしでつまずいたときの対処｜公式トラブルシューティングの要点
ChatGPTの文字起こしでよくあるつまずきは、Recordボタンが表示されない、macOSの権限エラー、トランスクリプトの品質が悪い、Voiceの会話が途中で終わる、ファイルの「upload limit reached」表示などです。いずれも公式ヘルプに対処が載っており、アプリの更新、プランとワークスペースの確認、権限設定、利用枠の把握で解決する場合がほとんどです。
ここでは、公式ヘルプのトラブルシューティングとFAQに載っている対処を、症状別に1つの表にまとめました。対処の欄は公式の記載を要約したもので、詳細は各出典を確認してください（出典：ChatGPT Record、ChatGPT Voice、File Uploads FAQ、いずれも2026年9月15日取得）。
| 症状 | 公式の対処（要約） | 出典 |
|---|---|---|
| Recordボタンが見当たらない | 最新のChatGPT macOSアプリに更新し、Plus・Pro・Business・Enterprise・Eduのワークスペースにログインしているか確認する | ChatGPT Record |
| macOSで権限エラーが出る | システム設定→プライバシーとセキュリティで、マイクと「画面収録とシステムオーディオ録音」の両方でChatGPTを有効にする | ChatGPT Record |
| Recordのトランスクリプト品質が悪い | ヘッドセットを使い、可能なら背景音を減らす | ChatGPT Record |
| Recordのキャンバスが見つからない | 録音を開始したチャットを検索する。無ければRecordまたはMeetingsから録音を開く（ノートが会議側に保存される場合がある） | ChatGPT Record |
| カレンダーの会議にRecordが自動参加しない | GoogleカレンダーをChatGPTに接続し、予定にGoogle Meetのリンクがあるか確認する。Zoom・Teams・Webexは手動で開始する | ChatGPT Record |
| Voiceの会話が途中で終わる | 利用枠の上限、最大セッション長、長い会話のコンテキスト上限に達した可能性がある。テキストで続けるかVoiceを再開する | ChatGPT Voice |
| Voiceが割り込む・途中で止まる | ヘッドフォンを使う、静かな場所へ移る、端末の音量を上げる。iPhoneではコントロールセンターのMic ModeでVoice Isolationをオンにする | ChatGPT Voice |
| ファイルで「upload limit reached」と表示される | 正しいアカウントとプランでログインしているか確認する。3時間あたり80ファイルのレート上限と、ユーザー25GB・組織100GBのストレージ上限があり、失敗した試行もカウントされることがある。status.openai.comの障害情報も確認する | File Uploads FAQ |
表の中で見落としやすいのが、Recordの権限です。マイクだけ許可しても、Zoomなどの相手の音声を拾うにはシステムオーディオの録音許可が別に必要です。公式ページが「マイク」と「画面収録とシステムオーディオ録音」の両方を挙げているのはそのためで、自分の声だけが文字起こしされて相手の声が抜けている場合は、この設定を疑ってください（出典：ChatGPT Record、2026年9月15日取得）。
ファイルの上限については、File Uploads FAQに「現在、ChatGPTの設定→Storageでライブラリのストレージ使用量を確認できるが、ローリングのアップロード枠をどれだけ使ったか、残りがどれだけかは表示されない」とあります。文字起こし用にテキスト化した長いファイルを繰り返しアップロードするチームは、この枠を意識して運用する必要があります（出典：File Uploads FAQ、2026年9月15日取得）。
ChatGPT以外の文字起こしツールを用途別の確認項目で比べる（Notta・Google）
文字起こしツールをChatGPTと比べるときは、順位付けではなく「無料で使える範囲」「1回の録音上限」「話者の区別」「日本語対応の公式記載」「録音済みファイルへの対応」「文字起こし後の要約」の6つの確認項目で見ると、自分の用途に合うかどうかを判断できます。ここではNottaとGoogleの機能を、各社が自社サイトで示している記載で並べます（出典：Notta 料金プラン、Google Meet で文字起こしを使用する、いずれも2026年9月15日取得）。
「おすすめ◯選」のような順位付けは、用途が違えば結論が変わるため行いません。代わりに、ChatGPT、Notta、Googleの各社が示す記載を2026年9月15日に確認し、確認項目ごとに並べました。「記載なし」は、その公式ページに明示がなかったことを意味し、機能がないと断定するものではありません。
| 確認項目 | ChatGPT（出典：Recordほか） | Notta（出典：料金ページ） | Google（出典：ドキュメント音声入力、Meet文字起こし） |
|---|---|---|---|
| 無料で使える範囲 | 音声入力とVoice（利用枠あり）。Recordは有料プランのmacOSアプリ | フリープランは文字起こし時間120分/月 | ドキュメントの音声入力はChrome・Edge・Safariで利用。Meetの文字起こしは対象のWorkspaceエディションで利用 |
| 1回の録音上限 | Recordは1セッション4時間（240分） | フリーは1回3分まで、プレミアム・ビジネスは1回5時間まで | 公式ページに録音時間の上限の記載なし |
| 話者の区別 | Recordは複数話者を区別し、Speaker 1などのラベルを後から変更できる。APIはgpt-4o-transcribe-diarize | 話者識別はフリープランの機能一覧にも記載 | Meetの文字起こしは会議参加者の発言として記録（詳細は公式ページを参照） |
| 日本語対応の公式記載 | Recordは「英語で最もよく動作」、他言語は精度が変動しうる。APIはWhisperが98言語対応 | 日本語で提供されるサービス。対応言語数の一覧は料金ページに明記なし | Meetの文字起こしは英語・フランス語・ドイツ語・イタリア語・日本語・韓国語・ポルトガル語・スペイン語に対応 |
| 録音済みファイルの文字起こし | APIのTranscriptions（25MBまで、mp3・m4a・wavなど） | プランごとの文字起こし時間内で利用（形式は公式ページを参照） | ドキュメントの音声入力はマイク入力のみ。Meetは会議の文字起こしがDriveに保存される |
| 文字起こし後の要約 | 同じチャットで要約・整形・翻訳を依頼できる。Recordは要約ノートを自動生成 | 公式ページの機能一覧を参照 | Meetの文字起こしは主催者のGoogleドライブの「Google Meet」フォルダに保存され、別途加工する |
Notta：無料枠と1回あたりの上限で判断する
Nottaの料金ページ（2026年9月15日取得）には、フリープランが「文字起こし時間：120分/月」「1回につき3分まで文字起こし可能」、プレミアムが「1800分/月」「1回につき5時間まで」、ビジネスが「無制限」「1回につき5時間まで」と記載されています。年間プランの表示は、プレミアムが「￥1,185円/月、12ヶ月分一括払い」、ビジネスが「￥2,508円/月、12ヶ月分一括払い」で、月払いの金額は別に表示されます（出典：Notta 料金プラン）。会議の録音を日本語のツールで一元管理したい場合の候補ですが、フリープランで1回3分という上限は、試用の段階で意識しておく必要があります。
Google：ドキュメントの音声入力とMeetの文字起こしは別物
Googleドキュメントの「音声入力」は、公式ヘルプによると「ツール→音声入力」から起動し、マイクを使って文書を入力・編集する機能で、Chrome・Edge・Safariで使えます。ただし「音声コマンドは英語のみで利用可能」と明記されています（出典：音声で入力、編集する、2026年9月15日取得）。一方、Google Meetの「文字起こし」は、Business Standard、Business Plus、Enterprise Starter、Enterprise Standard、Enterprise Plus、Teaching and Learning Upgrade、Education Plus、Workspace Individualで利用でき、文字起こしは日本語を含む8言語に対応し、主催者のGoogleドライブの「Google Meet」フォルダに保存されます（出典：Google Meet で文字起こしを使用する、2026年9月15日取得）。Meetで会議をしているチームなら、文字起こしはMeet側で取り、要約や表への加工をChatGPTに任せる分担が自然です。
ツールを組み合わせるときの考え方
比較表を見ると分かるとおり、ChatGPTの強みは「文字起こしの後の加工」を同じ画面で続けられることで、専用ツールの強みは「録音から文字起こしまで」を安定して回せることです。両者は競合というより分担の関係にあります。たとえばWindowsのチームなら、会議の文字起こしはMeetや専用ツールで取り、テキストをChatGPTに渡して議事録の表やメール文に加工する、という組み合わせが公式の記載に沿った現実的な形です。逆に、Macで有料プランを使う個人なら、Recordだけで文字起こしから要約まで完結します。
無料で使える文字起こしツールをさらに広く見たい人は、AI文字起こし無料ツール14選を、会議録の自動化まで視野に入れる人は、AI議事録自動化ツール10選を合わせて確認してください。いずれのツールでも、料金と上限は各公式ページの最新の記載が優先されます。
文字起こしデータの扱いと録音の同意｜公式の設定項目を確認する
ChatGPTの文字起こしで扱う音声とテキストは、経路と設定によって保持期間や学習への利用可否が異なります。公式の案内では、消費者向けプランは「Improve the model for everyone」と「Include your audio recordings」の設定で学習への提供を切り替えられ、Business・Enterprise・Eduのワークスペースとお客様のAPIデータは既定で学習に使われないとされています。他者を録音する際の同意も公式が求めています。
業務の録音には、社名、顧客名、金額が含まれます。だからこそ、どの経路でデータがどう扱われるかを公式の文言で押さえておく必要があります。まず消費者向け（Free・Plus・Proの個人ワークスペース）では、ChatGPT Voiceのページに「Improve the model for everyoneがオンの場合、プランと設定によっては、Voice会話のトランスクリプトや他のファイルをモデルの学習に使うことがある」「音声・動画クリップは、ユーザーが共有を選ばない限り学習に使わない」と書かれています。共有の切り替えは「設定→Data Controls」で行います（出典：ChatGPT Voice、2026年9月15日取得）。
ChatGPT Recordについては「record modeの音声録音は文字起こしの目的にのみ使われ、その後削除される。これらの音声録音をモデルの学習には使わない」と明記されています。一方で「Pro・Plus・FreeのユーザーがImprove the model for everyoneを有効にしている場合、record modeのトランスクリプトとキャンバスを学習に使うことがある」ともあり、止めたい場合は同設定をオフにします。「Business、Enterprise、Eduのワークスペースのコンテンツは、record modeのトランスクリプトとキャンバスを含めて既定で学習から除外される」という記載も重要です（出典：ChatGPT Record、2026年9月15日取得）。
APIは前述のとおり「2023年3月1日以降、APIに送信されたデータは明示的にオプトインしない限り学習に使われない」とされ、不正利用監視のログは「最長30日間保持される（法律で長期保存が求められる場合などを除く）」と書かれています。組織によってはZero Data Retentionの申請により、顧客コンテンツを監視ログから除外する選択肢も案内されています（出典：Data controls in the OpenAI platform、2026年9月15日取得）。機密性の高い録音を扱うなら、この違いを根拠に経路を決めてください。
学習への提供を切り替える手順
消費者向けプランで設定を確認する手順は、ChatGPT Voiceのページに書かれています。「個人ワークスペースのFree・Plus・Proユーザーは、設定→Data Controlsを開き、Improve the model for everyoneをオンにしたうえで、Include your audio recordingsまたはInclude your video recordingsをオンにすることでクリップを共有できる」という記載で、逆に共有をやめたいときは同じ画面でオフにします。「共有をやめると、新しいクリップはモデルの学習に使われなくなるが、すでにアカウントから切り離されたクリップは引き続き使われることがある」「選択はアカウントに紐づき、ログインしているすべての端末に適用される」という点も明記されています。Business・Enterprise・Eduのワークスペースでは「Voice会話の音声・動画クリップを共有することはできない」とされています（出典：ChatGPT Voice、2026年9月15日取得）。
業務で文字起こしを使うなら、担当者ごとに設定画面を開いて現在の状態を確認し、チームのルールに合わせて揃えておくことをおすすめします。設定は端末ではなくアカウント単位なので、1人が複数端末を使っていても確認は1回で済みます。
録音の同意と社内ルール
Recordのページには「他者を録音するときは責任を持って使うこと。現地の法律を確認し、録音前に適切な同意を得ること。record modeの利用が適用法に従っているかはユーザーの責任で、法律はあなたと録音される人の所在地によって異なる」と書かれています（出典：ChatGPT Record、2026年9月15日取得）。小規模事業者であっても、録音の告知と同意、保存場所、削除のタイミングを決めた簡単なルールを用意しておくと、担当者が迷いません。生成AIに入力してよい情報の線引きは、生成AIの情報漏えい対策で、入力NG情報とオプトアウト設定を具体的に整理しています。
保持期間についても確認しておきます。音声入力の音声はチャットが履歴にある間は保持され、チャット削除後30日以内に削除されます。Voiceの音声・動画クリップは30日間保持されます。Recordのキャンバスとトランスクリプトは、他の会話と同じ保持設定に従い、会話を削除すると30日以内に削除されます（出典：Voice Dictation – FAQ、ChatGPT Voice、ChatGPT Record、いずれも2026年9月15日取得）。アーカイブは削除ではない点も、Voiceのページに明記されています。
ChatGPTの文字起こしに関するよくある質問（FAQ）
本文で触れきれなかった疑問を、公式の記載に基づいて短く答えます。取得日はいずれも2026年9月15日です。
- Q1. ChatGPTの無料版で文字起こしはできますか？
- 入力欄のマイクアイコンによる音声入力は、公式FAQにプランの限定が書かれておらず、無料版でも試せます。Voiceは無料版で「GPT-Live-1 miniへの限定的なアクセス」とされています。会議録音向けのRecordは無料版の対象外で、Plus・Pro・Business・Enterprise・EduのmacOSアプリに限られます（出典：Voice Dictation – FAQ、ChatGPT Voice、ChatGPT Record）。
- Q2. iPhoneやAndroidのChatGPTアプリで、録音済みのファイルを文字起こしできますか？
- スマホアプリで公式に案内されている文字起こしは、マイクアイコンによる音声入力とVoiceです。録音済みファイルの文字起こしは、File Uploads FAQの対応形式に音声が含まれていないため、公式の経路としてはAPIのTranscriptionsになります。スマホで録ったm4aをPCへ移してAPIに送るか、macOSアプリのRecordで最初から録る方法を検討してください（出典：File Uploads FAQ、File transcription）。
- Q3. WindowsのPCやブラウザ版でChatGPT Recordは使えますか？
- 2026年9月15日時点の公式ページには「macOSデスクトップアプリでのみ利用可能」と書かれており、WindowsアプリやWebでの提供は記載されていません。Windows環境で会議を文字起こししたい場合は、会議ツール側の文字起こし機能で記録を取り、要約や表への加工をChatGPTに任せる分担が現実的です（出典：ChatGPT Record）。
- Q4. 1時間を超える会議や講演はどう扱えばよいですか？
- Recordなら1セッション4時間（240分）が上限なので、1〜2時間の会議はそのまま録れます。録音済みファイルをAPIで処理する場合は1ファイル25MBの上限があるため、長い録音は圧縮形式にするか、文の切れ目で25MB以下に分割してから送ります。分割したテキストは、順番を示したうえでChatGPTに結合と整形を依頼すると扱いやすくなります（出典：ChatGPT Record、File transcription）。
- Q5. 誰が話したかを分けて文字起こしできますか？
- Recordは複数の話者を区別し、名前が分からない話者にはSpeaker 1のようなラベルを付け、後から名前に変更できます。APIでは話者識別が必要なときだけgpt-4o-transcribe-diarizeを使うよう案内されています。音声入力とVoiceには話者を分ける記載がありません（出典：ChatGPT Record、File transcription）。
- Q6. 文字起こしした音声やテキストはAIの学習に使われますか？
- 経路と設定で異なります。消費者向けプランでは、音声クリップは共有を選ばない限り学習に使われず、トランスクリプトは「Improve the model for everyone」がオンだと使われることがあります。Recordの音声は文字起こし後に削除され学習には使われません。Business・Enterprise・Eduのワークスペースと、APIに送ったデータは既定で学習に使われません（出典：ChatGPT Voice、ChatGPT Record、Data controls in the OpenAI platform）。
- Q7. 文字起こしの精度は何%くらいですか？
- 公式ページに精度の数値は掲載されていません。公式が示しているのは「文字起こしを含めて間違えることがある」「Recordは英語で最もよく動作する」「Whisperは98言語に対応するが精度は言語で異なる」という前提です。数値で比べたい場合は、自分の録音環境で短いサンプルを各経路に通し、固有名詞と数字の誤りを数えて判断してください（出典：ChatGPT Record、File transcription）。
- Q8. 文字起こしと同時に要約や翻訳まで頼めますか？
- Recordは文字起こしと要約ノートの生成を一度に行います。音声入力やAPIで得たテキストは、同じチャットで「表にして」「英語にして」と続けて依頼できます。ただし、誤変換を直す前に翻訳や要約をさせると誤りが引き継がれるため、修正→要約→翻訳の順に分けて依頼するのが安全です（出典：ChatGPT Record）。
- Q9. 英語の録音を日本語のテキストに直接できますか？
- APIの翻訳エンドポイント（/v1/audio/translations）は、公式ドキュメントで「英語のテキストを返す」と説明されており、日本語への直接変換には対応していません。英語の録音を日本語で読みたい場合は、まず英語のまま文字起こしし、そのテキストをChatGPTに渡して日本語へ翻訳する順序になります（出典：File transcription）。
- Q10. チャットをアーカイブすれば、文字起こしの音声も消えますか？
- 消えません。公式ページには「アーカイブはチャットをサイドバーから外すだけで、チャットや関連する音声・動画クリップを削除するものではない」と書かれています。音声を消したい場合はチャットを削除する必要があり、削除は取り消せません。削除後は関連する音声・動画クリップも30日以内に削除されます（出典：ChatGPT Voice）。
- Q11. Voiceで話した内容の記録を議事録として使ってもよいですか？
- 公式は「Voiceのトランスクリプトは逐語的な記録ではなく、話した内容と正確に一致しない場合がある」と明記しています。発言の記録として残す用途には、送信前に編集できる音声入力か、会議向けのRecordを選び、Voiceは考えを整理する会話に使い分けるのが公式の記載に沿った使い方です（出典：ChatGPT Voice）。
まとめ：ChatGPTの文字起こしは経路を選べば今日から使える
ChatGPTで文字起こしは可能です。ただし、その場の発言は音声入力、会話の記録はVoice、会議の録音はRecord（有料プラン・macOSアプリ）、録音済みファイルはAPIというように、2026年9月時点の公式の案内は用途ごとに別の機能を示しています。「Plusなら音声ファイルをアップロードして文字起こしできる」「ChatGPTは話者を分けられない」といった以前の説明は、現在の公式記載とは一致しません。
料金は、日本語版の料金ページに載るプラン月額（無料版￥0、Go￥1,400、Plus￥3,000、Pro￥16,800から）と、APIの1分あたりの従量課金（gpt-4o-mini-transcribeで$0.003、gpt-4o-transcribeとwhisper-1で$0.006など）に分かれます。精度の数値は公式にないため、録音環境を整え、固有名詞リストを渡し、人の目で確認する工程を運用に組み込むことが、結果を安定させる現実的な方法です（出典：ChatGPT 料金、API Pricing、いずれも2026年9月15日取得）。
まずは、スマホアプリのマイクアイコンで今日の予定を話し、返ってきたテキストを直してから「箇条書きにして」と送ってみてください。それだけで、文字起こしから加工までの流れが体感できます。SNS運用や業務にAIを組み込む手順を体系的に学びたい人向けに、無料の特典をLINEで配布しています。
関連記事：文字起こしと合わせて読みたいChatGPT活用ガイド
- ChatGPTの使い方｜初心者から上級者まで網羅
- ChatGPT音声入力スマホでのやり方｜iPhone/Android設定から活用術まで
- ChatGPT議事録作成プロンプト決定版｜コピペで使えるテンプレート15選
- AI文字起こし無料ツール14選｜SNS運用・副業を効率化する選び方
- AI議事録自動化ツール10選｜会議の文字起こしから要約まで
- ChatGPT通常利用と無料版の10の違い｜どっちを選ぶべきか
- 生成AIの情報漏えい対策｜入力NG情報とオプトアウト設定・社内ルール
