ChatGPTで文字起こしはできる？音声アップロードと録音モード

※本記事はプロモーションを含みます。

【2026年10月24日時点】仕様は、OpenAI公式ヘルプの「Uploading files and audio to ChatGPT」「ChatGPT Record」「How your data is used to improve model performance」「Voice Dictation – FAQ」と、OpenAIの開発者向けドキュメント「File transcription」「Pricing」（いずれも2026年10月24日に2回確認）によります。

ChatGPTの文字起こしは、ChatGPTに音声を渡して、話された言葉を文字にしてもらう使い方です。この記事では、音声ファイルのアップロード、録音モード、APIの3つの方法を公式の記載で確かめ、対応プラン、形式と容量、料金、精度を上げるコツ、注意点、AI議事録ツールとの使い分けまでまとめます。

この記事の検証方法は？

仕様と料金はOpenAIの公式ページに書かれた内容だけを使い、当Labでの実測はしていません。

情報の種類	本記事での扱い
公式確認済み	OpenAI公式ヘルプ4ページと開発者向けドキュメント2ページ（いずれも2026年10月24日に2回確認）
計算値	APIで1時間の音声を起こしたときの料金の目安（1分あたりの料金×60分）
当Labの整理	3つの方法の選び方、AI議事録ツールとの使い分けの目安
確認できていないこと	日本語の精度の数値（公式ページに記載なし）、音声アップロードの1ファイルあたりの再生時間の上限、日本円での各プランの月額、録音モードのWindows版の提供の有無、YouTubeなど動画のURLからの文字起こし

ChatGPTで文字起こしはできる？3つの方法は？

はい、できます。方法は「音声ファイルのアップロード」「録音モード（Record）」「API」の3つです。手元の録音を起こすならアップロード、Macで会議をその場で録って要約まで残すなら録音モード、自分のシステムに組み込むならAPIが向いています。

表の結論：無料プランで使える方法は、今回確かめた公式ページにはありません。

方法	使える人	上限	向く使い方
音声ファイルのアップロード	有料プラン・ワークスペース（Enterprise含む）	1ファイル512MB	録音済みの会議・取材を起こして要約
録音モード（Record）	macOSのデスクトップアプリ（対象プランは下の節）	1回4時間（240分）	Macでその場の会議を録って要約
API	開発者（従量課金）	1ファイル25MB	アプリやシステムに組み込む

出典：OpenAI公式ヘルプ「Uploading files and audio to ChatGPT」「ChatGPT Record」、開発者向けドキュメント「File transcription」（2026年10月24日確認）。

音声ファイルをアップロードして文字起こしするには？対応形式と容量は？

ChatGPTに音声ファイルを添付し、文字起こしを頼みます。音声ファイルは、1ファイル512MBまでアップロードできます。

• 対応形式：WAV、MP3/MPEG、OGG/OGA、音声だけのWebM、PCM、FLAC、AAC、M4A、音声だけのMP4
• 動画として認識されるWebMとMP4は、音声のアップロードでは使えません
• 1ファイル512MBまで。長い録音は、データ分析が使える場合に小さな区切りで処理されることがあります
• 処理はベストエフォート（できる限りの対応）で、とても長い録音はタイムアウトすることがあります
• ファイルのアップロードは3時間に80ファイルまで

出典：OpenAI公式ヘルプ「Uploading files and audio to ChatGPT」（2026年10月24日確認）。1ファイルあたりの再生時間の上限は、公式ページに書かれていませんでした。

うまくアップロードできないときは？

まず、ファイルの形式が対応している音声形式か、正しく読み込める音声が入っているかを確かめます。公式ヘルプは、アップロードに失敗したときはこの2点を確かめるよう案内しています。スマホで撮った動画のファイルは、動画として認識されると使えないため、音声だけのファイルにしてから渡します。

長時間の録音はどう扱う？分割して渡す必要はある？

ChatGPTの画面では1ファイル512MBまでアップロードできますが、とても長い録音はタイムアウトすることがあります。公式ヘルプは、処理はベストエフォートで、データ分析が使える場合は長い録音が小さな区切りで処理されることがあると書いています（OpenAI公式ヘルプ、2026年10月24日確認）。

録音モードは1回4時間（240分）までで、超えると自動で止まります。APIは1ファイル25MBまでで、それより大きい録音は圧縮した音声形式にするか、25MB以下に分けて送るよう開発者向けドキュメントは案内しています（OpenAI開発者向けドキュメント「File transcription」、2026年10月24日確認）。

途中で止まったときに聞き直す範囲を小さくするため、長い会議は議題の切れ目など、区切りのよいところで分けて渡すと確かめやすくなります（当Labの整理）。

ChatGPTの文字起こしは無料で使える？対応プランは？

いいえ、無料プランでは音声のアップロードは使えません。公式ヘルプは、音声のアップロードを「有料のChatGPTのサブスクリプションとワークスペース（Enterpriseを含む）」で使えると書き、無料プランでは現時点で使えないと明記しています。使えるかどうかは、ワークスペースの設定、地域、アプリの版、選んだモデルでも変わることがあります。

なお、無料プランのファイルのアップロードは1日3ファイルまでです（OpenAI公式ヘルプ、2026年10月24日確認）。各プランの日本円での月額は、今回の公式ページでは確認していません。無料で会議を文字にする方法はAI議事録の無料枠を比べた記事にまとめています。

ChatGPTの録音モード（Record）とは？使い方と制限は？

ChatGPTの録音モード（Record）は、会議やブレインストーミング、音声メモを録音し、ChatGPTが文字起こしと要約をしてくれる機能です。要約はキャンバスとしてチャットの履歴に保存されます。

項目	公式の記載
使える端末	macOSのデスクトップアプリだけ
対象プラン	Plus・Pro・Business・Enterprise・Eduのワークスペース
1回の長さ	4時間（240分）まで。超えると自動で止まり、メモが非公開のキャンバスとして作られる
言語	いまは英語がいちばん得意。ほかの言語は精度にばらつきがある
話者	文字起こしの中で複数の話者を見分けられる。見分けられない話者は「Speaker 1」などの名前になり、録音のあとで名前を変えられる
音声の扱い	音声ファイルは文字起こしのあと自動で削除される
既定の設定	EnterpriseとEduのワークスペースでは既定でオフ

出典：OpenAI公式ヘルプ「ChatGPT Record」（2026年10月24日確認）。Windows版については、今回確認した公式ページに記載がありませんでした。

録音モードは日本語に対応している？

公式は「いまは英語でいちばんよく動く」と書き、ほかの言語は精度にばらつきがあるとしています。日本語の精度の数値は書かれていません。日本語の会議で使うときは、できた文字起こしを原音と照らして直す前提にしてください。

英語など外国語の音声も文字起こしできる？

言語によって精度が変わると公式は書いています。音声のアップロードについて公式ヘルプは、音声の理解と文字起こしの性能は言語によって変わることがあると書き、録音モードは英語でいちばんよく動くとしています（OpenAI公式ヘルプ、2026年10月24日確認）。

APIでは、元の言語のまま文字にするなら gpt-transcribe が推奨で、英語への翻訳が必要なときは専用のモデルを使うよう案内されています。訳文が欲しいときは、まず元の言語で文字起こしして内容を確かめてから訳すと、どこで誤りが入ったかを見分けやすくなります（当Labの整理）。

WindowsやスマホでChatGPTの録音モードは使える？

いいえ、公式ヘルプは録音モードを「macOSのデスクトップアプリだけ」で使えると書いています。Windows版やスマホのアプリについては、今回確認した公式ページに記載がありませんでした（OpenAI公式ヘルプ「ChatGPT Record」、2026年10月24日確認）。

WindowsやスマホでChatGPTに文字起こしを頼むなら、録音した音声ファイルをアップロードする方法か、次のマイクの音声入力が候補です。音声のアップロードの公式ページには使える端末を限る記載はありませんでしたが、ワークスペースの設定、地域、アプリの版、選んだモデルで使えるかどうかが変わることがあると書かれています。

マイクの音声入力（ディクテーション）でも文字にできる？

はい、できます。マイクのアイコンを押して話すと、録音した音声がOpenAIのモデルで文字起こしされ、送る前に文字を直せます（OpenAI公式ヘルプ「Voice Dictation – FAQ」、2026年10月24日確認）。

音声入力の音声は、そのチャットが履歴に残っている間は保存され、チャットを削除すると30日以内に音声も削除されると公式は書いています。音声入力を使えるプラン・端末と、1回に話せる長さは、今回確認した公式ページに記載がありませんでした。その場で話した内容をメモにする使い方に向き、録音済みの会議を起こすなら音声ファイルのアップロードを使います（当Labの整理）。

APIやWhisperで文字起こしするには？料金は？

APIでは、OpenAIの文字起こし用のモデルに音声ファイルを送ります。開発者向けドキュメントは、録音された音声を元の言語で文字にするなら gpt-transcribe を推奨しています。話者のラベル、単語ごとの時刻、字幕の形式、英語への翻訳が必要なときだけ、専用のモデルを使うよう案内しています。

モデル	1分あたりの料金の目安	1時間の目安（計算値）
gpt-transcribe（推奨）	約0.0045ドル	約0.27ドル
gpt-4o-transcribe	約0.006ドル	約0.36ドル
gpt-4o-mini-transcribe	約0.003ドル	約0.18ドル

出典：OpenAI開発者向けドキュメント「Pricing」「File transcription」（2026年10月24日確認）。1時間の目安は、1分あたりの料金×60分で当Labが計算した値です。APIに送れるファイルは1つ25MBまでで、形式はmp3・mp4・mpeg・mpga・m4a・wav・webmです。

話す人を見分けたいときは gpt-4o-transcribe-diarize を使い、diarized_json の形式で話者と開始・終了の時刻つきの結果を受け取れます。ただし開発者向けドキュメントは、このモデルを非推奨とし、2027年2月26日に提供を終えると書いています（2026年10月24日確認）。自分のPCで無料で動かすWhisperの手順はWhisperで文字起こしする記事でまとめています。

ChatGPTの文字起こしの精度は？精度を上げるコツは？

精度の数値は公表されていないため、「日本語で何％正確か」は公式の情報からは言えません。公式ヘルプは、文字起こしに誤りが含まれることがあり、話者の見分けも確実ではなく、言語によって性能が変わると書いています。

• 録音を整える：雑音が少なく、話す人がマイクに近い録音ほど起こしやすくなります（当Labの整理）
• 固有名詞を伝える：APIでは、プロンプトで名前・略語・書式などの認識を良くできると公式は書いています。ChatGPTの画面でも、参加者の名前や専門用語を一緒に伝えて頼むと直しやすくなります
• 形を指定する：「話者ごとに改行」「決まったことを箇条書き」など、出してほしい形を先に伝えます
• 原音と照らす：数字・固有名詞・話者は、元の録音と照らして直します

そのまま使える頼み方（プロンプトの例）は？

文字起こしと議事録を分けて頼むと、どこが聞き取れなかったかを確かめやすくなります。

添付の音声を日本語で文字起こししてください。話者が変わるところで改行し、聞き取れない箇所は「（不明）」と書いてください。参加者は佐藤・田中・鈴木、出てくる製品名は〇〇です。

議事録の欄の作り方は議事録を文字起こしで効率化する記事で整理しています。

起こした文章は原音とどう照合する？

数字・固有名詞・話者の3つに絞って、元の録音を聞き直して確かめます。公式ヘルプが、文字起こしに誤りが含まれることがあり、話者の見分けも確実ではないと書いているためです。全文を聞き直す時間がないときは、決まったことや約束した期限が出てくる箇所から確かめると、誤りの影響が大きいところを先に直せます（当Labの整理）。

話者分離やタイムスタンプはできる？

録音モードとAPIの専用モデルは、話者を見分けられると公式に書かれています。音声のアップロードについては、公式ヘルプが「話者の見分けは確実ではない」と書いています。会議のあとに「誰が何を言ったか」を確実に残したいなら、話者の名前を後から直せるAI議事録ツールのほうが扱いやすい場面があります。

動画やYouTubeの文字起こしはできる？

動画のファイルは、そのままでは音声のアップロードに使えないことがあります。公式ヘルプは、動画として認識されるWebMとMP4は音声のアップロードでは使えないと書いています。手元の動画は、音声だけのファイル（M4AやMP3など）にしてから渡します。YouTubeなどの動画のURLを渡して文字起こしできるかは、今回の公式ページでは確認できていません。

ChatGPTの文字起こしのデメリット・注意点は？

主な注意点は、無料では使えないこと、日本語の精度が公表されていないこと、長い録音が途中で止まることがあることです。公式の記載から、次の点に気をつけてください。

• 音声のアップロードは無料プランでは使えない
• 録音モードはmacOSのデスクトップアプリだけで、英語がいちばん得意
• とても長い録音はタイムアウトすることがある（ベストエフォート）
• 文字起こしに誤りが入ることがあり、話者の見分けも確実ではない
• 動画として認識されるファイルはそのままでは使えない

会議の音声をChatGPTに渡しても大丈夫？学習と保存は？

個人向けのChatGPTでは、入力した内容がモデルの学習に使われることがあります。OpenAIの公式ヘルプは、「設定」→「データ コントロール」の「すべての人のためにモデルを改善する」をオフにすれば学習に使われないと案内しています。ChatGPT Business・Enterprise・Edu・APIの入力と出力は、既定では学習に使われません。

録音モードの音声は文字起こしのためだけに使われ、そのあと削除されます。会話を削除すると、キャンバスと文字起こしは30日以内にシステムから消されると公式は書いています（2026年10月24日確認）。社外秘の会議を、会社が認めていないAIに渡さないよう注意してください。

録音する前に相手の同意は必要？

OpenAIの公式ヘルプは、録音する地域の法律を確かめ、ほかの人を録音する前に必要な同意を得るよう書いています。会議の冒頭で「文字起こしのために録音します」と伝え、保存先と共有の範囲を決めてから始めると安心です。法律の判断が必要な場面は、社内の法務や専門家に確かめてください。

ChatGPTとAI議事録ツール（Notta）・AIボイスレコーダー（PLAUD）はどう使い分ける？

たまに録音を起こして要約したいなら、有料プランのChatGPTで足ります。会議を毎回残したい、対面の会議や電話も録りたい、話者の名前を直して共有したいという場合は、録音から要約・共有まで続けて行う専用のツールが向いています。

こんなとき	向く方法
録音済みのファイルを、たまに起こして要約したい	ChatGPTの音声アップロード（有料プラン）
Macで会議をその場で録って要約したい（英語中心）	ChatGPTの録音モード
Web会議を毎回、話者つきで残したい	AI議事録ツール（Nottaなど）
対面の会議・電話・取材を録って起こしたい	AIボイスレコーダー（PLAUDなど）
自社のシステムに組み込みたい	API

Nottaの精度の上げ方はNottaの文字起こし精度の記事で、Nottaの無料プランの中身はNottaの無料プランの記事で確かめています。会議を録るAIボイスレコーダーは会議向けAIボイスレコーダーの記事で比べています。

人の手の文字起こし（外注）を選ぶのはどんなとき？

誤りを自分で直す時間がとれないとき、専門用語の多い取材や、記録として正確さが強く求められる場面では、人の手による文字起こしの外注も選択肢になります。AIで起こしてから自分で手直しする方法と、費用と手間を比べて選びます。外注の料金の相場は文字起こし外注の相場の記事で、3社の公式料金で比べています。

TeamsやGoogle Meetの文字起こしとの違いは？

TeamsとGoogle Meetには、会議ツールの中に文字起こしの機能があります。会議ツールの機能は会議中にその場で記録が残り、ChatGPTは録音したファイルを後から渡す使い方が中心です。それぞれの条件はTeamsの文字起こし精度の記事とGoogle Meetの文字起こしの記事で確かめています。

当Labの見方｜ChatGPTは「録音のあとに考える道具」として使う

ChatGPTの文字起こしは、録音を文字にしたあと、そのまま要約や質問につなげられる点が強みだと当Labは考えます。一方で、無料では使えず、日本語の精度の数値も公表されていません。会議の記録を毎回きちんと残す仕組みが欲しいなら、録音・文字起こし・話者の修正・共有までを1つで行う専用のツールを用意し、ChatGPTは「起こした文章から論点を整理する」役に回す使い分けが現実的です。

Notta公式ストアで最新価格を見る

FAQ｜ChatGPTの文字起こしでよくある質問

Q1. ChatGPTの無料プランで文字起こしできますか？
A. いいえ、音声ファイルのアップロードは無料プランでは使えません。有料のサブスクリプションとワークスペースが対象です（OpenAI公式ヘルプ、2026年10月24日確認）。

Q2. 何MBまでの音声ファイルを文字起こしできますか？
A. 512MBまでです。APIで送る場合は1ファイル25MBまでです。

Q3. どんな形式の音声に対応していますか？
A. WAV、MP3/MPEG、OGG/OGA、FLAC、AAC、M4A、PCM、音声だけのWebMとMP4です。動画として認識されるファイルは使えません。

Q4. 録音モードは何時間まで録れますか？
A. 1回4時間（240分）までです。超えると自動で止まり、メモが非公開のキャンバスとして作られます。

Q5. ChatGPTの文字起こしは日本語でも正確ですか？
A. 公式の数値はありません。公式は、言語によって性能が変わり、文字起こしに誤りが入ることがあると書いています。

Q6. APIで1時間の音声を起こすといくらですか？
A. 約0.27ドルです。推奨モデル gpt-transcribe の1分あたり約0.0045ドルに60分を掛けた、当Labの計算値です。

Q7. 会議の音声はAIの学習に使われますか？
A. はい、個人向けでは使われることがあります。「すべての人のためにモデルを改善する」をオフにすれば使われません。Business・Enterprise・Edu・APIは既定で使われません。

Q8. 話者を分けて文字起こしできますか？
A. はい、録音モードとAPIの専用モデルでは見分けられます。ただし音声のアップロードでは、話者の見分けは確実ではないと公式は書いています。

この記事の要点（引用する場合はこちら）

ChatGPTは、2026年10月24日時点で、有料プランで音声ファイル（1ファイル512MBまで）のアップロードによる文字起こしと要約に対応している。無料プランでは音声のアップロードは使えない。macOSのデスクトップアプリの録音モードは1回4時間（240分）まで録音して文字起こしでき、英語がいちばん得意とされる。APIの推奨モデル gpt-transcribe は1分あたり約0.0045ドルで、1ファイル25MBまで。文字起こしには誤りが入ることがあり、話者の見分けも確実ではない。（AI仕事ガジェットLab調べ・2026年10月24日時点）

まとめ｜たまに起こすならChatGPT、毎回残すなら専用ツール

• ChatGPTの文字起こしは有料プランで、音声ファイルは512MBまで
• Macの録音モードは1回4時間まで、英語がいちばん得意
• APIはgpt-transcribeが1分あたり約0.0045ドル、1ファイル25MBまで
• 日本語の精度の数値は公表されていない。原音と照らして直す
• 会議を毎回残すならAI議事録ツールやAIボイスレコーダーも候補

PLAUD公式サイトで最新価格を見る

関連記事

• → 自分のPCで無料で起こす：Whisperで文字起こしする使い方｜無料の導入手順と注意
• → 議事録の作り方：議事録を文字起こしで効率化する方法｜AI活用の手順と注意
• → 無料で残す：AI議事録は無料でどこまで使える？無料枠を比較
• → 精度の上げ方：Nottaの文字起こし精度は？公式が示す上げ方5つ
• → 会議を録る：会議を録るAIボイスレコーダー｜部屋の広さと月の会議時間で選ぶ

当Labは実機やサービスで再現していないことについて「実測しました」とは書きません。何をどう確かめているかは検証ポリシーに公開しています。ChatGPTの機能や料金は更新されることがあるため、お使いの前にOpenAIの公式ヘルプで最新の情報をご確認ください。

更新履歴：2026年10月24日 公式の仕様を再確認し、長い録音の扱い・外国語・Windowsとスマホ・マイクの音声入力の節を追記

本記事の仕様は、OpenAI公式ヘルプ「Uploading files and audio to ChatGPT」「ChatGPT Record」「How your data is used to improve model performance」「Voice Dictation – FAQ」、OpenAI開発者向けドキュメント「File transcription」「Pricing」によります（いずれも2026年10月24日に2回確認）。