I Transcribed 100 Hours of Audio - Here's What I Learned \u2014 MP3-AI.com

3ヶ月前、私は自宅のオフィスで247の音声ファイルが入ったフォルダを見つめていました。12年の経験を持つドキュメンタリー映画制作者として、私はアメリカ中西部の移民起業家についての、今までで最も野心的なプロジェクトの制作を終えたばかりでした。問題は？編集を始める前に文字起こししなければならない生のインタビュー映像が100時間23分もあったことです。締切は6週間先、予算はすでに限界に達しており、私は思っていた以上に音声文字起こしについて学ぶことになるのでした。

文字起こしソリューションを必死に探していたことが、AI駆動の音声処理の世界への予期せぬ深掘りに変わりました。私は7つの異なる文字起こしサービスを試し、さまざまなツールとプラットフォームに1,847ドルを費やし、音声文字起こしの状況が過去2年間で劇的に変化したことを発見しました。これは私が学んだこと、犯したミス、そして最終的に私のプロジェクトを救った戦略の物語です—おそらく私の正気も。

現実確認: 手動文字起こしが選択肢でなかった理由

まずは厳しい現実を確認しましょう。プロの文字起こし者は通常、音声の1分あたり1.50ドルから3.00ドルを請求します。私の100時間のコンテンツの場合、それは9,000ドルから18,000ドルのコストに相当します。私の全体のポストプロダクション予算は22,000ドルでした。たとえ私がほぼ全額を文字起こしに充てることに同意したとしても、この規模のプロジェクトでは納品までに最低3〜4週間かかることになるでしょう。

私は一時的に自分でやろうかとも考えました。結局、どれほど難しいわけがあるでしょう？10分のインタビューを文字起こしするのに自分を計ってみました。47分かかりました。そのペースで100時間を文字起こしするには約470時間の作業が必要です—ほぼ12週間のフルタイムの労働です。60時間働いても、文字起こしだけで2ヶ月近くかかり、ドキュメンタリーを実際に編集するための時間がマイナスになってしまいます。

経済的には残酷でしたが、それは多くのコンテンツクリエーターが直面する真実を私に突きつけました: 2026年、もしまだ手動で音声を文字起こししていたり、人間の文字起こしに高額を支払っているなら、あなたはそれを必要とする高度に専門的なコンテンツを制作しているか、AI駆動の文字起こしで起こっている革命をまだ発見していないのです。私はもっと良い方法を急いで見つける必要がありました。

この認識は私を調査のウサギ穴へと導きました。私は3日間、レビューを読み、比較動画を見て、ポッドキャスター、ジャーナリスト、映画製作者のオンラインコミュニティに参加しました。私が発見したのは、文字起こしの状況が数十のソリューションに分裂し、それぞれが最高であると主張していたことです。無料のもの、高価なもの、正確なもの、速いものがありましたが、私の具体的なニーズに合った機能の組み合わせを見つけるには、実際に試すことが必要でした。

テストフェーズ: 7つのサービス、1つの厳しい比較

私はシンプルですが厳格なテストを設計しました。私の映像から5つの音声サンプルを選択し、それぞれ異なる課題を代表させました: 雑音のあるカフェでの静かなインタビュー、聞き取りにくい音質の電話インタビュー、2人の話者がいるZoomコール、風の音のある屋外インタビュー、スタジオ品質の明瞭な録音です。各サンプルは正確に15分間でした。すべてのサービスで5つのサンプルを実行し、5つの基準（正確性、話者識別、タイムスタンプの精度、ターンアラウンドタイム、コスト）で評価しました。

「文字起こしの状況は根本的に変わりました—3年前に15,000ドルかかったものが、今ではAIを使って200ドル未満になり、最適条件下での正確性の差はわずか2-3%に縮まっています。」

私がテストしたサービスは、Otter.ai、Rev.ai、Descript、Trint、Sonix、Happy Scribe、そしていくつかのRedditユーザーに推薦された新しいサービス、MP3-AI.comでした。私は各サービスにアカウントを作成し、テストファイルを読み込み、時計をスタートしました。次の48時間にわたって起こったことは驚くべきものでした。

Otter.aiは私のファイルを迅速に処理しました—最も長いものであってもわずか8分でしたが、カフェインタビューには大きく苦戦しました。そのファイルでの正確性は76%でしたが、スタジオ品質の録音では94%の正確性を達成しました。話者識別は一貫性がなく、しばしば2人の話者を1人にまとめたり、1人の話者を複数のアイデンティティに分割したりしていました。コスト面では、Proプランの月額16.99ドルで手頃でしたが、正確性に問題があることが懸念されました。

Rev.aiはその正確性に感心させられました—5つのテストファイルすべてで常に88-92%を達成しましたが、コストは高くつきました。1分あたり1.50ドルで、100時間を文字起こしすると9,000ドルかかります。納品までの時間もAI専用のソリューションよりも遅く、ファイルごとに平均4-6時間かかりました。私の締切があるため、これは実行可能ではありませんでした。

Descriptは編集プラットフォームに文字起こしが組み込まれた興味深いオールインワンのソリューションを提供していました。正確性は85-89%で、テキストを編集することで音声を編集する能力は本当に革新的でした。しかし、学習曲線が急で、月額24ドルに加えて文字起こし時間の追加料金が発生し、コストはすぐに膨らんでいきました。100時間については、購読料として約240ドルにさらに文字起こしクレジットとして300-400ドルがかかる計算です。

TrintとSonixは似たような性能で、どちらも84-88%の正確性を達成し、私のニーズをカバーするプランが月60-80ドル程度で手頃でした。インターフェースはクリーンで、エクスポートも柔軟で、どちらも話者識別をかなり上手に処理していました。これらは安定した中間の選択肢でしたが、特に優れているとは言い難かったです。

ダークホース: MP3-AI.comが私を驚かせたとき

私はMP3-AI.comに懐疑的でした。ウェブサイトは新しく、ブランド認知度は低く、いくつかのフォーラムスレッドでしか言及されていないことに気付きました。しかし、料金モデルが私の注目を引きました: サブスクリプションなしの従量課金で、1分あたり0.25ドルです。私の100時間では1,500ドルになります—ほとんどの代替手段よりもかなり安価です。

低い期待を持って5つのテストファイルをアップロードしました。次に起こったことは本当に驚くべきものでした。カフェインタビュー—Otter.aiが手をこまねいていたもの—は89%の正確性で返ってきました。電話インタビューは91%でした。2人の話者のZoomコールは正しく識別され、分けられ87%の正確性を達成しました。風の音のある屋外インタビューでも84%の正確性を達成し、高価な競合他社よりも優れた結果でした。

しかし、正確性だけが全てではありませんでした。ターンアラウンドタイムは驚くべきものでした—最も長いファイル（15分）はわずか4分未満で処理されました。タイムスタンプは秒単位で正確で、編集ソフトウェアで特定の瞬間にジャンプするのが簡単でした。エクスポートオプションにはSRT、VTT、TXT、DOCX形式が含まれており、私のすべての潜在的なニーズをカバーしていました。

しかし、私が本当に惹かれたのは、探していたことすら知らなかった機能です: インテリジェントな句読点と段落区切りです。多くのAI文字起こしサービスは、最小限のフォーマットでテキストの塊を吐き出します。しかし、MP3-AI.comの出力は、読みやすい段落に構成され、正しい句読点、大文字、さらには適切な箇所での質問符のような文脈に基づいたフォーマットが含まれていました。この一見小さな詳細は、私のクリーンアップ作業の時間を数時間も節約してくれるでしょう。

私はさらに長いファイル—30分ごとに—を使って2回目のテストを実施し、結果は変わりませんでした。正確性は一貫しており、処理時間は直線的にスケールし、コストは予測可能なものでした。私は計算しました: 私の100時間のプロジェクト全体で、文字起こしに1,500ドルを支払い、アップロード速度とインターネット接続を考慮して約6-8時間の処理時間で作業を完了し、編集のためのクリーンで整形された文字起こしを準備できるのです。それはほとんど信じられないほど良かったです。