Windows リアルタイム文字起こし：完全ガイド
Windows でのリアルタイム文字起こしは過去 2 年間で劇的に改善され、正しいツールを選択することは「これは本当に機能しますか？」ではなく、遅延、精度、および統合を特定の使用事例に合わせることに関するものになりました。ライブストリームの自動キャプション、クラウドサービスなしの会議ノート、または難聴のセットアップのアクセシビリティサポートが必要かどうかに関わらず、Windows はいくつかの優れたオプションを備えており、これらは互いに非常に異なる動作をします。
このガイドはすべてをカバーしています。Windows 11 Live Captions、ローカル Whisper ベースの文字起こし、サードパーティツール、およびストリーミングまたはゲーミングワークフローにそれをすべて配線する方法。遅延ベンチマーク、正直な精度比較、言語サポートの詳細、および 2 つの最も有用なアプローチのステップバイステップセットアップを取得します。
TL;DR
- Windows 11 には Live Captions が組み込まれています。オフライン、無料、30 以上の言語をサポート、有効にするのに約 90 秒
- ローカル Whisper ベースの文字起こしはアクセントと専門用語でより高い精度を提供しますが、セットアップ時間が追加されます
- 遅延は ~200ms (Live Captions) から 1～3 秒 (CPU のみ Whisper) までで、GPU は大きな違いを生じさせます
- ストリーミングの場合、OBS 統合には文字起こし出力をテキストソースにルーティングする必要があります
- ライブディクテーション（音声入力）はライブキャプションとは異なる機能です。異なる目的に対応します
- VoxBooster のようなツールは、ライブ文字起こしをノイズ抑制と音声エフェクトと 1 つのパイプラインにバンドルします
リアルタイム文字起こしとは正確には何ですか？
リアルタイム文字起こしは、話される音声を読み取り可能なテキストに変換するプロセスです。テキストは話している人の声が出ている間またはその数秒以内に表示される十分な低遅延があります。これはバッチ文字起こし（記録をアップロードして後で テキストを取得）とは異なり、Word などの特定アプリでの音声ディクテーションとは異なります。
人々が検索している 3 つの主なユースケースは：
- アクセシビリティ — 講義、会議、またはビデオ通話に従う聴覚障害者
- コンテンツ作成 — ストリーマーがブロードキャストにライブキャプションを追加、またはクリエイターがサブタイトルファイルを生成
- 生産性 — 会議、インタビュー、またはブレーンストーミングセッション中のハンズフリーメモ取得
技術的な課題は、遅延と精度のバランスを取ることです。すべての文字起こしシステムはオーディオ「チャンク」で動作します。転記前に待つ時間が長いほど、より多くのコンテキストを持ち、結果がより正確です。しかし、より多くのコンテキストはより多くの遅延を意味します。以下のツールは異なるトレードオフを行います。
Windows 11 Live Captions：組み込みオプション
Windows 11 バージョン 22H2 以降には、ネイティブアクセシビリティ機能として Live Captions が含まれています。完全にデバイス上で実行されます。Microsoft は、オーディオがマシンを離れないことを明示しています。この機能は、Windows に付属するローカルスピーチ認識モデルによって提供されています。
Windows 11 で Live Captions を有効にする方法
- 設定 → アクセシビリティ → キャプションを開きます
- ライブキャプションをオンに切り替えます
- Windows はあなたの言語用のスピーチ認識パッケージをダウンロードします（約 50～100 MB、ワンタイムダウンロード）
- 任意のアプリからキャプションウィンドウを開く、または閉じるには、Win + Ctrl + L を押します
キャプションウィンドウは他のコンテンツの上に浮いており、再配置できます。それは、デフォルトマイクまたは再生デバイスとして選択されたデバイスからオーディオをキャプチャします。つまり、独自の音声とスピーカーを通じてくるオーディオの両方で動作します。
Live Captions が得意なこと
Live Captions は、無料で常にオフラインのツール用に、明確で標準的なアクセントの標準アクセント英語音声を非常によく処理します。2 秒以内に起動し、サブスクリプションがなく、すべてをローカルで処理するため、プライバシー機密の会話はプライベートのままです。浮いているウィンドウはビデオ通話中に本当に便利です。誰かのオーディオ品質が低下しても、フォールバックテキストトラックを提供します。
遅延は通常、実際には 200～400ms で、通常の会話に従うのに十分な速さで、先読みや後読みを感じさせません。
Live Captions が不足しているところ
精度は以下で著しく低下します：
- 強い地域的なアクセント — モデルは標準的なアメリカ英語とイギリス英語で大量にトレーニングされています
- 技術用語と固有名詞 — ドメイン固有の用語と珍しい名前をしばしば見逃します
- 重なった音声 — 2 人が同時に話すと、ガベージ出力が生じます
- 背景ノイズ — 組み込みノイズ抑制がありません。ノイズの多い環境はそれを大幅に低下させます
- 言語の切り替え — システム設定で 1 つの言語を設定し、会話の途中で自動検出することはできません
また、API、出力ファイル、および別のアプリで使用するトランスクリプトテキストをキャプチャする方法もありません。ウィンドウは表示専用です。
この機能に関する Microsoft の公式ドキュメント については、Microsoft の Live Captions サポートページを参照してください。
ローカル Whisper ベースの文字起こし：より正確で、より多くのセットアップ
OpenAI のWhisperは、2022 年にリリースされたオープンスピーチ認識モデルです。99 の言語をサポートし、ほとんどの代替案よりもアクセントと専門用語をはるかに良く処理し、手動で設定することなく着信オーディオの言語を自動検出できます。モデルウェイトは公開されているため、サードパーティのツールがそれをバンドルして PC 完全に実行できます。
Whisper モデル：サイズ、速度、精度トレードオフ
Whisper はいくつかのサイズで提供されます。大きなモデルはより正確ですが、より遅くなり、より多くのメモリが必要です：
| モデル | パラメータ | 必要な VRAM | おおよその遅延 (GPU) | おおよその遅延 (CPU) |
|---|---|---|---|---|
| tiny | 39M | ~1 GB | 100-200ms | 1-2s |
| base | 74M | ~1 GB | 150-300ms | 2-4s |
| small | 244M | ~2 GB | 300-600ms | 5-10s |
| medium | 769M | ~5 GB | 600ms-1.5s | 20-40s |
| large | 1.5B | ~10 GB | 1-3s | 遅すぎます |
リアルタイム使用の場合、small はミッドレンジ GPU で最高の実用的な精度対速度トレードオフを実現します。CPU のみの場合、tiny または base のみが実際にリアルタイムに近づいています。上記の遅延数は概算であり、ハードウェアで大きく異なります。
GPU vs CPU：実用的な違い
PC に少なくとも 4 GB の VRAM を持つ専用 GPU がある場合、リアルタイムで small モデルで Whisper を実行することは快適です。文字起こしが文を完了してから約半秒で表示されます。CPU のみのマシンでは、tiny でさえ 1～2 秒遅れており、一部のユースケース（会議ノート、アクセシビリティ）では許容可能ですが、ライブストリーミングキャプションでは遅く見えます。
これは Windows Live Captions と Whisper ベースのアプローチのどちらかを選択するときの主なハードウェア検討です。
ストリーミングと OBS のためのライブ文字起こし
ストリーマーは 2 つの理由でキャプションを必要とします。アクセシビリティコンプライアンス（聴覚障害者のビューアがいる場合に特に関連）とエンゲージメント（多くのビューアはストリームをミュートまたは騒々しい環境で視聴）。そのコンテキストのキャプションは、単なるチェックボックスではなく、実際のオーディエンス保有ツールです。
チャレンジ：OBS にテキストを取得する
Windows Live Captions のどちらもスタンドアロン Whisper ランナーも OBS が直接使用できるテキストを出力するように設計されていません。一般的な統合アプローチは：
- 文字起こしツールが現在のトランスクリプトをリアルタイムでディスク上のテキストファイルに書き込みます
- OBS はファイルパスを指すテキスト (GDI+) ソースを使用してそのファイルを読み取ります
- ファイルが変更されるたびに OBS が表示を更新します
これは機能しますが、ビジュアル結果は完全にファイルが更新される頻度と、テキストソースをスタイルする方法に依存します。一部のツールは 200ms ごとに更新します。他のツールは文の境界に書き込み、より粗いが限定的な出力を作成します。
別のアプローチは、文字起こしツールが実行する localhost サーバーを指す OBS のブラウザソースを使用します。これはより豊かなフォーマットとリアルタイムスクロールを可能にします。
VoxBooster のトランスクリプションモジュール
VoxBooster のライブ文字起こし機能はこの正確なストリーミングユースケースの周りに構築されています。PC でローカルに Whisper を実行し、スピーチモデルに供給する前にマイク入力にノイズ抑制を適用し（ゲームや音楽集約的な環境で精度を有意に改善）、OBS が追跡できるキャプションファイルを書き込みます。VoxBooster の設定で出力ファイルパスを 1 回構成し、OBS のテキストソースを追加します。これが完全な統合です。
VoxBooster はすでに音声変更のためのオーディオパイプラインを所有しているため、同じパイプラインを通じて文字起こしを実行することは、スピーチモデルが音声チャネルに行く同じクリーンなノイズ抑制オーディオを受信することを意味します。生のマイク信号ではなく、ゲームオーディオのブリード。
ライブディクテーション vs ライブキャプション：同じ機能ではありません
一般的な混乱点：音声ディクテーションとライブキャプションは異なるものであり、Windows はそれぞれに対して別々のツールを持っています。
音声ディクテーションは、あなたの音声を現在フォーカスされているテキストフィールドにテキスト入力に変換します。それを有効にして、話し、そしてそれが活動的なアプリケーション（ドキュメント、チャットボックス、検索フィールド）に入力します。Windows 11 では、組み込み音声入力パネルを有効にするには Win + H を押します。Live Captions と同じオフラインモデルによって機能しますが、出力はキーストロークとしてアプリケーションに直接になります。
ライブキャプションは読み取り用のオーディオのロールトランスクリプトを表示します。彼らはどのアプリにも書き込みません。それらは受動的な表示層です。
ハンズフリーメモ取得の場合、ディクテーションが必要です。アクセシビリティのため、または他の誰かの音声に従うために、キャプションが必要です。ほとんどのツールは 1 つまたは他をします。VoxBooster のトランスクリプションモジュールはファイル（キャプションスタイル）に出力し、設定に応じて別のディクテーションウィンドウにテキストをパイプできます。
アクセシビリティユースケース：会議と講義
アクセシビリティ重視の使用（難聴、聴覚処理の違い、騒々しい環境での追跡）の場合、セットアップが不要で、すべてをローカルで処理するため、Windows Live Captions を最初に試してみるツールです。システムが再生する任意のオーディオで動作します。Teams 通話、YouTube ビデオ、マイクで取得された対面の会話を含みます。
難聴者にとってローカル Live Captions 経験が本当に不足している場所は、技術コンテンツです。医学の講義、法的な尋問、エンジニアリングプレゼンテーション。ドメイン固有の用語の語彙ミス率は高いです。これらのコンテキストでは、Whisper medium または large モデル（ハードウェアがサポートしている場合）は、モデルが訓練中にドメイン固有のテキストをより多く見たため、大幅に改善された出力を生成します。
Otter.ai は会議の文字起こしでよく推奨されています。現在、他のローカルツールよりも優れたスピーカーダイアライゼーション（誰が何を言ったかのラベル付け）を処理しますが、オーディオをクラウドにアップロードする必要があります。プライバシー要件または信頼できないインターネット接続を持つ人にとって、ローカルの代替案が唯一の本当のオプションです。
ノイズ抑制について詳しく知るためには（文字起こしの品質に直接影響します）、ノイズ抑制ソフトウェアガイドを参照してください。
ゲーミング用のリアルタイム文字起こし
ゲーマーは特定のシナリオでライブ文字起こしを使用します：
- ゲームアクセシビリティ : ゲーム内音声チャットまたはカットシーン対話に従う難聴プレイヤー
- ライブチャットオーバーレイ : ストリーマーは独自の解説のライブ文字起こしをオンストリームキャプションとして表示します
- スクワッド通信 : 戦術シューターのチームは高ノイズ状況での音声 comms のテキストバックアップが必要です
ゲーム環境での課題はオーディオブリードです。ゲームオーディオ、通知サウンド、音楽はすべて、あなたの声の横にあるトランスクリプションモデルにフィードされ、トランスクリプトで無意味を生成します。解決策は、トランスクリプションソース（システムオーディオではない）または音声モデルの前でノイズ抑制を実行して、専用マイク入力を使用することです。
VoxBooster の音声変更パイプラインはすでにマイク信号のノイズ抑制を実行します。文字起こしが同時に有効になっている場合、両方の機能はクリーンなオーディオを共有するため、ゲームオーディオはトランスクリプトを汚しません。
ゲーム内の低遅延オーディオに関連する読書については、低遅延音声チェンジャーセットアップを参照してください。
サードパーティツール：他に利用可能なもの
Windows Live Captions と VoxBooster を超えて、知る価値がある複数のツールがあります：
Otter.ai — 優れたスピーカーダイアライゼーションと会議ノート、クラウドベースとサブスクリプション価格。プライバシー機密環境または信頼できないインターネット向けではありません。
Windows Speech Recognition（レガシー、Windows 10 および 11 で利用可能）— 古いディクテーションシステム。あなたの声へのトレーニングが必要な十分な精度があり、ライブキャプション表示を生成しません。機能的ですが、時代遅れです。
Whisper Desktop / Const-me の実装 — Whisper 用の人気のあるオープンソース Windows GUI で、ローカルでモデルを実行します。正確で、無料で、設定可能ですが、手動セットアップが必要で、OBS またはストリーミングツールとはすぐに統合されていません。
ライブオーディオ付きサブタイトル編集 — 主に字幕編集ツールですが、Whisper または Vosk バックエンド経由のライブオーディオ文字起こしモードを持っています。手動キャプション時間を行うコンテンツクリエイターに役立ちます。
これらのどれもが、ノイズ抑制とオーディオルーティングを処理する同じツールに文字起こしが統合された統合経験と一致しません。これは、オールインワンソリューションを検討する主な理由です。
言語サポート比較
| ツール | 言語 | 自動検出 | オフライン |
|---|---|---|---|
| Windows 11 Live Captions | 30+ | いいえ（システム設定で設定） | はい |
| Whisper（任意のフロントエンド） | 99 | はい | はい |
| Otter.ai | 英語、フランス語、ドイツ語、スペイン語（限定） | いいえ | いいえ |
| VoxBooster トランスクリプション | 99（Whisper 経由） | はい | はい |
Whisper の多言語機能はその最も明らかな利点の 1 つです。英語以外の言語で作業する場合、またはオーディエンスや会話パートナーが言語を切り替える場合は、Whisper ベースのツールがタスクにはるかに適しています。2026 年時点の Windows Live Captions は自動言語検出できません。設定で文字起こし言語を変更します → 時刻と言語 → 音声認識。
これらのシステムがどのように機能するかについてのより広い技術概要については、自動音声認識に関する Wikipedia 記事を参照してください。
ローカル Whisper 文字起こしのセットアップ：ステップバイステップ
VoxBooster なしでローカルで Whisper 文字起こしを実行したい場合は、Windows でのマニュアルセットアップパスです：
前提条件： Python 3.10+、pip、CUDA 対応 GPU（オプションですが推奨）。
- Whisper をインストール：
pip install openai-whisper - オーディオキャプチャ依存関係をインストール：
pip install sounddevice - マイクから 5～10 秒のチャンクでオーディオをレコードし、各チャンク
whisper.transcribe()経由で文字起こしするショート Python スクリプトを記述します - 出力を OBS が読み取れるファイルに印刷または書き込みます
これは機能しますが、かなりの手動労力です。チャンクサイズは遅延精度ノブです。小さいチャンクはより速い表示を意味しますが、ワードがカットオフされるチャンク境界でエラー率が高い。ほとんどのユーザーは合理的な精度のために 4～6 秒のチャンクに到達します。
VoxBooster は、Python スクリプトではなく設定パネル経由で、すべてをモデル選択、チャンク調整、ノイズ抑制前処理、OBS ファイル出力内で処理します。
リアルタイム文字起こしはフードの下でどのように機能しますか？
リアルタイムスピーチ認識システムは一般に同じパイプラインに従います：
- オーディオキャプチャ — マイク入力またはシステムオーディオが生 PCM ストリームとしてキャプチャされます
- 音声活動検出 (VAD) — 高速でライトウェイトなモデルが、誰かが話しているか沈黙しているかを検出します。これは、トランスクリプションモデルがオーディオを処理を防ぎ、計算を浪費します
- チャンキング — VAD ゲートオーディオはメインモデルのセグメント（通常 3～30 秒）に分割されます
- 機能抽出 — オーディオチャンクはメルスペクトログラムに変換され、神経ネットワークが理解する周波数ドメイン表現です
- トランスクリプション推論 — スピーチモデル（Whisper または同様）はスペクトログラムで推論を実行し、トークン確率を出力します
- 後処理 — 句読点、大文字化、フォーマットが適用されます。ダイアライゼーションが実行されている場合、スピーカーセグメントにラベルが付けられる場合があります
あなたが経験する遅延は主にチャンク長+推論時間の合計です。VAD は、モデルが音声含むオーディオのみを処理することを保証することで、浪費された推論サイクルを削減し、ローリングバッファをクリーニングして支援します。
よくある質問
Windows で最高の無料リアルタイム文字起こしツールは何ですか？
Windows 11 Live Captions は無料で使用するのに本当に優れています。オフラインで動作し、30 以上の言語をサポートし、設定で有効にするだけでセットアップがほぼ不要です。より高い精度または開発者レベルの出力が必要な場合、ローカル Whisper ベースのツールはセットアップの数分を犠牲にしてより良い結果を提供します。
Windows 10 にリアルタイム文字起こしが組み込まれていますか？
Windows 10 には Live Captions がありません。基本的な音声テキスト変換ディクテーション用に Windows Speech Recognition を使用できますが、進行中のオーディオのためのライブ表示パネルはありません。Windows 10 でリアルタイム文字起こしを行うには、独自のスピーチエンジンをバンドルするサードパーティツールが必要です。
Windows 11 Live Captions の精度はどのくらいですか？
静かな環境で標準的なアクセントの明確な英語音声の場合、Live Captions は驚くほど正確です。一般的なボキャブラリーではクラウドサービスに匹敵します。強いアクセント、専門用語、重なった音声、または背景ノイズで精度が目立って低下します。ノイズ抑制がアクティブなローカル Whisper モデルはこれらの条件で一貫して優れています。
ライブストリーミングキャプションにリアルタイム文字起こしを使用できますか？
はい。実用的な方法は、Whisper ベースのツール出力を、リアルタイムで更新されたテキストファイルから読み取るブラウザソースまたはプラグイン経由で OBS にルーティングすることです。Windows Live Captions はストリーミングソフトウェアとの直接統合用に設計されていません。VoxBooster のトランスクリプションモジュールは OBS が使用できるライブキャプションファイルを書き込み、ストリーマーキャプショニングを簡単にします。
通常の PC でのローカル Whisper 文字起こしの遅延はどのくらいですか？
遅延はモデルサイズと GPU に依存します。ミッドレンジ GPU の小さい Whisper モデルの場合、300～600ms のエンドツーエンドの遅延を期待できます。CPU のみの場合、わずかなモデルでも 1～3 秒遅れています。Windows Live Captions は通常、実際には 200～400ms の遅延を示しており、アクセシビリティには十分な速さですが、リアルタイム対話にはやや不自然です。
リアルタイム文字起こしは複数の言語で機能しますか？
Windows Live Captions は 30 以上の言語をサポートしていますが、システム設定で切り替える必要があります。会話の途中で自動的に言語を検出することはできません。Whisper は 99 の言語をサポートし、セグメントごとに言語を自動検出できるため、多言語環境や話者が言語を切り替えるコンテンツにはるかに柔軟です。
リアルタイム音声テキスト変換は会議ノートに十分な精度がありますか？
静かな部屋で立派なマイクを使った単一スピーカーの会議の場合、精度は軽い編集が必要な有用なドラフトを作成するのに十分です。複数スピーカーの会議はより困難です。リアルタイムツールのどれもネイティブにスピーカーのラベル付けをしていないため、手動で属性を付与する必要があるテキストの壁が残されます。Otter.ai などの専用会議レコーダーはスピーカーダイアライゼーションを better に処理しますが、クラウドアップロードが必要です。
結論
2026 年の Windows でのリアルタイム文字起こしは、もはやスペシャリストツールではありません。OS に組み込まれているか、コンシューマハードウェアでよく実行されるオープンモデルを通じて利用可能です。Windows 11 Live Captions はほとんどのユーザーの正しいスタートポイント：無料、オフライン、日常的なアクセシビリティと カジュアル使用に十分な速さ。精度が利便性よりも重要な場合（技術的なコンテンツ、複数の言語、広いオーディエンスでのストリーミング）、Whisper ベースのローカル文字起こしは大幅に改善された結果を提供し、セットアップはそれより痛みが少ないです。
残りの主な摩擦ポイントは統合です。ライブテキスト出力を OBS に取得し、遅延精度トレードオフを管理し、ゲームオーディオがマイク信号に突き込むときスピーチモデルが幻覚するのを防ぐことはすべて解決可能な問題です。ただし、手動の Python レスリング、またはあなたのパイプを処理する統合ツールが必要です。
VoxBooster はノイズ抑制、音声変更、サウンドボード、および 1 つのパイプラインでライブ文字起こしを処理します。文字起こしモジュールを使用するかどうかに関わらず、ダウンストリームスピーチ認識システムに進むクリーンオーディオを持つことは戦いの半分です。機能ページで完全な機能セットを探索することができます。また、試す準備ができている場合は価格を確認してください。
VoxBooster をダウンロード — 3 日間の無料トライアル、クレジットカード不要。