各AI解説 ＞ ElevenLabs の解説 ＞ 文字起こし
ElevenLabs 音声 最終確認日 2026-11-13
文字起こし
音声や動画を渡すと、誰が何を言ったかを区別して文字に起こしてくれる。日本語を含む90以上の言語に対応し、単語ごとの時刻も付くので、字幕や記録の材料になる。
渡すもの音声・動画ファイル
返ってくるもの話者ごとに分かれた文字起こし
付いてくる情報単語ごとの時刻、笑い声などの音のタグ
文字起こしの受け渡し（公式の説明をもとに再構成） 何ができるか
音声認識モデル Scribe の機能。録音や動画を渡すと、発言を文字に起こし、最大32人までの話者を区別して、単語ごとに時刻を付けて返してくれる。対応は90以上の言語で、日本語も含まれる。読み上げと逆向きの機能で、動画の字幕づくりや、会議・インタビューの記録づくりに使われる。消費は1分あたり330クレジット。
要点
- 話者の区別は最大32人まで。単語ごとの時刻が付くので、字幕のタイミング合わせの材料になる
- 笑い声などの音の出来事も、タグとして拾ってくれる
- 消費は1分あたり330クレジット。読み上げ（1分で約1,000クレジット）より軽い
- 制限：クレジットは全機能で共通の枠から引かれる。長い音声をまとめて起こすと、読み上げなど他の作業の分が減る
具体例：こんなことができる
動画の字幕づくり
実況や解説動画の音声を起こし、単語ごとの時刻を使って字幕の材料にする。字幕づくりは公式の案内でも用途に挙がっている。
動画の音声を渡す→文字起こしする→単語ごとの時刻で字幕の材料に
会議とインタビューの記録
複数人の会話を話者ごとに分けて起こすので、誰の発言かを追いながら議事録や記事の下書きを作れる。
渡すもの複数人の会話
返ってくるもの話者ごとに分かれた文字起こし
使い道議事録や記事の下書き
使えるプランと上限
- 使えるプラン：全プラン（Freeから）
- 上限・条件：1分あたり330クレジット。話者の区別は最大32人まで
※このAIの公式サイトには、こちらの確認環境から直接アクセスできません。そのため料金・上限などの数字は、公式ブログなど公開されている公式情報で確認したものです。公式ページでの一次確認が取れ次第、内容を差し替えます。
日本での提供
日本も対象 日本語は Scribe の対応言語（90以上）に公式に含まれている
最近の変化
この機能を取り上げたアップデートは、まだ当サイトにはありません。
公式の情報
ElevenLabs の料金プラン（公式） →
ElevenLabs のほかの機能