結論と、見積もりの目安
聞き取りやすい音声1時間を手作業で文字にするなら、作業時間は約4時間を見込んでください。これは文字起こしの業界でほぼ共通して使われる4:1の比率で、案件の見積もりの軸にするのに最も使いやすい数字です。3時間分のインタビューなら、午後だけでは終わらず、入力だけで1日半ほどかかる計算になります。会議の録音から議事録を作る場合も同じ考え方です。
ただし、これはあくまで平均で、下限でも上限でもありません。音声がきれいなら速い人はこれより早く終えますし、雑音の多い複数話者の録音を逐語で起こすなら、倍以上かかることもあります。しかも、この数字は「人がキーボードに向かう作業時間」の話です。サービスに依頼したときの納期は日単位、AIなら秒単位で測るものなので、ここでは3つを順に見ていきます。自分の案件に合う方法を選ぶ材料にしてください。
4:1の目安はどこから来たのか
この比率は経験則だけで決まったものではありません。出発点は、もう少し小さな具体的な計測です。はっきり聞き取れるゆっくりした音声でも、止めたり、巻き戻したり、聞き間違いを直したりする分を含めると、15分の音声を文字にするのに約1時間かかる、というものです(Rev、2026年7月12日確認)。これを掛け算すると、音声1時間は作業4時間になります。15分のブロックが4つで、4時間です。
ここで大事なのは「はっきり聞き取れる」という条件です。この見積もりは、話者が1人で、ほどよいペースで話し、音質も良いことが前提です。発言の重なり、耳を澄まさないと分からない訛り、5回聞き返してやっと確定する言い回しが入ってくると、15分あたり1時間というペースは崩れ、比率全体が上がっていきます。
実際の幅は2:1から10:1まで
平均の4:1の陰には広い幅があり、その幅を知っておくことが、案件の工数を少なく見積もらないための鍵になります。速い側では、熟練のプロはきれいな音声なら音声1時間あたり2〜3時間で文字にでき、トップクラスなら1時間の作業で30分の音声を書き終える、つまり2:1のペースです(Rev、2026年7月12日確認)。ある事業者は、標準的な作業を音声1時間あたり3〜4時間、1作業時間で15〜20分の音声と見ています(Ditto Transcripts、2026年7月12日確認)。
遅い側では、難易度がすべてを引き延ばします。複雑な音声ではプロでも音声1時間あたり6時間に近づき、すべての言い淀みやフィラー、場合によっては視覚的な情報まで残す本格的な逐語起こしはさらに長くなります。ベンダーは4時間を最低ラインとし、難しくなるほど「簡単に」10時間に達しうると説明しています(Verbit、2026年7月12日確認)。
ここまでは事業者側の話ですが、査読付きの質的研究のガイダンスも同じところに行き着いています。文字起こしには話した時間1時間あたり最低3時間、細部まで残すなら最大10時間かかる、というものです(Bailey、2008)。European Journal of Cardiovascular Nursingに載った2024年の方法論の論文も、生データ1時間の文字起こしに3〜10時間という同じ見積もりを示し、骨の折れる時間のかかる作業だと述べています。研究者と商用サービスが独立に同じ幅にたどり着いているのですから、この幅は現実的な数字として扱ってよいでしょう。
入力時間と納期は別物
4時間の入力なら何とかなりそうだと思っても、作業にかかる時間と、結果を受け取るまでの時間には開きがあります。ファイルをプロのサービスに渡すと、その時間には素の文字起こしに加えて、順番待ち、確認、校正が上乗せされます。4時間で終わる作業でも、手元に戻るまで約48時間かかることがあります(Verbit、2026年7月12日確認)。
ファイルの長さ全体で見ると、人が納品する場合の納期は、最短で1営業日(最速のプランでは精度は保証されません)、3時間以上のファイルでは6営業日に及びます(Verbit、2026年7月12日確認)。これは無駄な時間ではなく、人が確認した品質の文字起こしを得るための対価です。ただ、見積もるのは作業量だけでなく、カレンダー上の日数も含めてください。日数と費用を天秤にかけるなら、料金の考え方も参考になります。
AIの文字起こしは、数時間ではなく数分
音声認識(ASR)を使うと、単位そのものが変わります。音声1時間あたり何時間、ではなく、何秒で測るようになります。公開されたベンチマークで具体的に見てみましょう。Groqのハードウェア上でWhisper Large v3を動かすと、独立した計測で実時間の164倍という処理速度を記録し、10分のファイルを3.7秒で文字にしました。これは、1時間の録音が約22秒で終わる計算になります(Groq / Artificial Analysisのベンチマーク)。
実時間より速く処理するのに、データセンターは要りません。SYSTRANが公開しているfaster-whisperのベンチマークでは、13分の音声がGPU(int8、large-v2)で59秒、基準実装では2分23秒です。普通のノートPCのCPUでも、小さめのモデルなら同じ13分が約1分42秒で終わり、音声の再生時間より速く処理できます。
これらはベンダーやオープンソースが公開しているベンチマークで、Pepysが自社で行った検証ではありません。それでも傾向はどこでも同じです。人が1日がかりで取り組む1時間分の音声を、モデルはコーヒーを入れ直す間に終えてしまいます。ただし、速さと精度は別の問題です。時間だけを比べるなら、勝負にはなりません。
AIの注意点: ハードウェアとモデルで変わる
ほぼ一瞬という数字には、はっきり書いておくべき条件があります。AIの速度はハードウェアとモデルに左右されます。Groqの164倍はクラウドGPUでの結果で、上のfaster-whisperの数字もデータセンター級のGPUか、意図的に小さくしたモデルを使ったものです。環境が変われば、速度も変わります。
GPUのない普通のCPUで最大級のWhisperモデルを動かすと、状況が逆転することもあります。1分前後というCPUの数字は小さめのモデルでの結果で、GPUによる高速化がなければ、最も重いモデルは大きく遅くなり、実時間を下回ることもあります。つまり「AIは一瞬」というのは、十分な性能の環境と、ほどよいサイズのモデルがそろっての話で、非力なノートPCに最も重いモデルを動かせば誤解を招きます。実用上のポイントは、クラウドのサービスや性能の良いGPUがあれば、1時間の音声は1分未満の作業になり、自分のマシンで動かすなら、小さめのモデルを選ぶか、待つ前提で考えるということです。
計画の計算: 1日でどれだけの音声を処理できるか
比率を1日の作業量に直してみましょう。集中して働ける1日を8時間とします。平均の4:1なら、1日で片付くのは音声約2時間分です。2:1のペースの速い人なら約4時間分。逐語起こしや難しい素材で8:1や10:1に近づくと、1日では音声1時間も終わりません。手作業で進めるときの現実的な見積もりの幅は、これくらいと考えてください。
サービスに任せると、制約は作業量からカレンダーに移り、長さとプランに応じて1バッチあたり1〜6営業日になります(Verbit、2026年7月12日確認)。AIに任せれば、文字起こしの工程そのものはほぼ消え、本当の制約はアップロードの速さとファイルの扱いに移ります。何週間もかかるはずの100時間分のインタビューが、アップロードだけの午後に変わります。
AIで進めるとベンチマークより遅く感じる原因は2つあります。長い、あるいは大きすぎるファイルをそもそも取り込むことと、誰が何を言ったかを整理することです。どちらにも対処法があります。録音から話者ごとの発言を整理したいときは話者分離が役に立ちますし、会議の録音を扱うなら会議の文字起こしをご覧ください。
どの方法が自分の案件に合うか
遅さそのものに意味があるときは、手作業で起こします。たとえば法的な逐語記録や、一語ずつ打つことで深く内容になじみたい研究者の場合です。精度を保証する必要があり、数営業日待てるなら、人が担当するサービスを使います。速さが制約で、出力を見直す時間が取れるなら、AIを選びます。最初の下書き、たいていのインタビュー、たいていのエピソードはこちらです。
プライバシーや予算が最優先なら、無料でローカルが答えになることも少なくありません。オープンソースのWhisper(faster-whisperなどのツール経由)は自分のマシンで動き、アップロードせず、かかるのは計算資源だけです。ベンチマークが示すとおり、ノートPCでも、ほどよいサイズのモデルなら実時間より速く処理できます。それが最適な選択でも、何も恥じることはありません。
モデルを自分で動かさずに速い方法を使いたいなら、Pepys Transcribeがその位置にあります。1時間分の音声をアップロードすれば、この段落を読み終えるくらいの時間で文字起こしが返ってきて、サブスクリプションではなく、使った分だけのお支払いです。音声からテキストへのツールでファイルをそのまま試せ、料金は最初から従量課金です。インタビューの録音なら、インタビューの文字起こし方法も合わせてご覧ください。速い側の選択肢の一つであって、唯一のものではありません。
