音声を別の言語に翻訳するには、JotMeを開いて「音声を翻訳」を選び、MP3またはWAVファイルをアップロードして出力言語を指定するだけです。JotMeは話者を分析し、スクリプトを翻訳し、元の声を保ったままダブ（吹き替え）トラックを生成し、同じ処理の中で字幕ファイルも書き出します。対応言語は200以上、言語ペアは39,000以上。韓国語のオフィス録音も、中国語の講義も、ベトナム語のボイスメモも、あなたが実際に仕事で使う言語で手元に届きます。

音声翻訳の本当に難しいところは、ダウンロードした後にやってきます。原文の言語が読めない以上、受け取ったファイルが話者の言ったとおりの内容なのか、それとも「なんとなく合っている」だけで結果を左右する細部が間違っているのか、それを教えてくれるものが何もないのです。 

本記事では、実際の韓国語ビジネス会話をJotMeに通し、原文の韓国語トランスクリプトと翻訳字幕を突き合わせます。そして、どんな翻訳ファイルにも約5分で使える、繰り返し可能なチェック方法をお渡しします。

この記事の要点

• JotMeが音声に対して行うこと: JotMeは翻訳の前に録音全体を読み込んで文脈を把握し、元の話者の声を保ったダブトラックと、どんなテキストエディタでも開ける字幕ファイルを返します。
• アップロードできる音声形式: MP3、WAV、AAC、FLAC、M4A、AIFF、OGA、OGG、OPUS、WEBA はすべて「音声を翻訳」タブから処理できます。
• 料金の仕組み: JotMeは音声翻訳をファイル長の20倍の「翻訳分」で課金します。本テストで使った2.9分の韓国語録音は58翻訳分でした。
• 誰も触れない部分: どのツールも出力は返してくれます。しかし、その出力を1行ずつ原文と照らし合わせて検証できるのは字幕ファイルです。第3セクションでは、これを3ステップのチェックに落とし込みます。

JotMeはMP3やWAVのような音声ファイルを翻訳できますか

はい、JotMeは翻訳バーの「音声を翻訳」タブから音声を翻訳でき、このパネルはMP3、WAV、AAC、FLAC、M4A、AIFF、OGA、OGG、OPUS、WEBA のファイルを受け付けます。左側にファイルをドロップし、右側でダブの設定をすれば、作業全体が1回の処理で完結します。

ダビング設定パネルでは3つを指定します。200以上の言語から出力言語を選び、「話者の声に合わせる」をオンにしたままにすれば翻訳トラックがその場にいる人たちの声で聞こえ、「字幕を生成」をオンにしたままにすればダブ音声だけでなく字幕ファイルも手に入ります。JotMeはこのパネルで自らのジョブをこう説明しています。出力言語を選び、元のトーン・意図・意味を保ちながら音声を翻訳する、と。

ここで多くの人が間違ったツールに手を伸ばします。ページ上の文字だけが必要なら、先に音声をテキストに変換してから、そのトランスクリプトを翻訳しましょう。リスナーが再生できるものが必要なら、代わりにダビングフローで音声を翻訳します。出力が文字の壁ではなく音として届くからです。

音声を翻訳して字幕を生成する5ステップ

音声を翻訳して字幕を生成する手順は5ステップです。「音声を翻訳」タブを開き、ファイルを追加し、字幕をオンにしたまま出力言語を選び、翻訳分を確認し、両方の出力をダウンロードする。以下の韓国語ビジネス会話は、5ステップすべてを1分未満の処理で通過しました。

ステップ1: JotMeを開き、翻訳バーから「音声を翻訳」を選ぶ

翻訳バーには6つのタブがあります。テキストを翻訳、ドキュメントを翻訳、画像を翻訳、動画を翻訳、音声を翻訳、ファイルを文字起こし。映像を伴わず音だけで届くもの、つまりボイスメモ、講義の録音、インタビューファイル、ポッドキャストの切り抜き、楽曲のステムなどには「音声を翻訳」を選びます。

ステップ2: 音声ファイルをパネルに追加する

「音声を追加」ボックスにファイルをドラッグするか、クリックして参照します。ここでのテストファイルは1.7 MB、プロジェクト管理チームのリーダーと新入りのマーケティング担当者による2.9分の韓国語オフィス会話です。2つの異なる声、職場の語彙、そして正確に扱うべき数字の山を、ツールに与えることになります。

ステップ3: 出力言語を選び、字幕をオンにする

出力言語を設定したら、両方のチェックボックスをオンのままにします。「話者の声に合わせる」は話者のアイデンティティをそのまま引き継ぎます。これはライブ通話における音声から音声へのリアルタイム翻訳と同じ発想です。「字幕を生成」は、ダブトラックの隣にタイムコード付きの字幕ファイルを書き出します。あなたの声・トーン・意図を保つ。この一つの指示こそが、ダブと、機械翻訳をロボットが棒読みしたものとを分けるものです。

ステップ4: 翻訳分を確認する

JotMeは処理を始める前に正確なコストを表示します。このファイルの確認ボックスには「2.9分 × 20 = 58分」と表示されるので、後から気づくのではなく、数字を目の前にした状態で課金を承認できます。

ステップ5: 4つの段階を見届け、両方のファイルをダウンロードする

JotMeは「話者を分析」「スクリプトを翻訳」「ダブトラックを生成」「字幕を付与」を別々の段階として実行し、進捗リストがクリアされるたびに各段階に印を付けていきます。話者分析が独立した段階として走ることこそが、2人の会話が正しいセリフを正しい声に結び付けて返ってくる理由です。

パネルに「ダブ音声の準備完了」と表示されたら、2つのボタンが現れます。「ダブ音声をダウンロード」と「字幕をダウンロード」です。ダブされたMP3は人々が耳で聴くもの、字幕ファイルは第3セクションで作業をチェックするために使うものです。

数分で正確な音声からテキストへの翻訳を手に入れましょう。2.9分の韓国語ファイルは、この実行で「音声を処理中」から「ダブ音声の準備完了」まで同じ1分以内に到達しました。つまり、ファイルの内容を説明してほしいと同僚に頼むメールを書き終えるよりも早く、翻訳された録音があなたの手元に届くということです。

自分が話せない言語の音声翻訳をどうやって確認しますか

音声翻訳を確認するには、字幕ファイルを原文のトランスクリプトと突き合わせて読みます。字幕は、目に見えない音声を、1行ずつ点検できるテキストに変えてくれるからです。どんな翻訳ファイルにも次の3つのパスを実行すれば、結果を左右する失敗を約5分で捕まえられます。

• パス1、アンカーチェック: 原文に出てくる数字・名前・日付・役職・専門用語をすべて書き出し、それぞれが翻訳字幕に現れているか確認します。数字と名前こそ、機械翻訳がひそかに取引を壊す場所です。
• パス2、レジスターチェック: 挨拶、締めくくり、そして謝罪の言葉を読みます。韓国語・日本語・ヒンディー語・タミル語では、丁寧さそのものが意味を運びます。ツールが逐語的に訳すと、それがすっかり平板になって消えてしまいます。
• パス3、タイミングチェック: 字幕のタイムスタンプを上から下へざっと見ます。各キューは前のキューより後に始まっているはずです。順序が逆のキューがあれば、それはアラインメントがずれたサインで、その字幕を動画に読み込んだ瞬間に問題になります。

韓国語のオフィス会話をJotMeに通したときに起きたこと

テストファイルには、台本化された韓国語の職場での自己紹介が収められています。勤続18年、プロジェクト管理チームのリーダーであるキム・ミンス（Kim Min-soo）が、大学を出たばかりの新入りマーケティング担当、パク・ジウン（Park Ji-eun）と顔を合わせます。この会話には敬語、業務の引き継ぎ、インターンシップの経歴、そして8つの独立した事実アンカーが含まれており、辞書引きではなく文脈をもって音声を翻訳すると謳うあらゆるツールにとって、公平なストレステストになります。

パス1はクリーンな結果でした。8つのアンカーはすべて翻訳を生き延びました。勤続18年、3年前のチームリーダーへの昇進、2月の大学卒業、経営学専攻、小さな広告代理店での6か月のインターンシップ、ソーシャルメディア広告の業務、Photoshopのスキル、そして5人のチーム。何も欠落せず、何もずれませんでした。

パス2で興味深いことが起きました。韓国語の職場言葉には英語に対応するものがない意味が乗っており、逐語的な訳は、礼儀正しいプロフェッショナルを、施しを乞う見知らぬ人に変えてしまいます。

韓国語の原文

逐語的な日本語訳

私をよく扱ってくださるようお願いします、どうか便宜をはかってください

JotMeが返した訳

これからよろしくお願いいたします

韓国語の原文

逐語的な日本語訳

私は平社員として始めました

‍JotMeが返した訳

私は一般社員としてスタートしました

韓国語の原文

‍逐語的な日本語訳

チーム長＋敬称の接尾辞

‍JotMeが返した訳

チームリーダー

‍韓国語の原文

‍逐語的な日本語訳

私はマーケティング。私はその業務を担当することになりました。

JotMeが返した訳

私はマーケティング業務を担当することになりました。

韓国語の原文

逐語的な日本語訳

私はプロジェクト管理の振り付けを担当しています

JotMeが返した訳

私は主にプロジェクト管理業務を担当しています。

最後の2行は注目に値します。機能一覧では示せないことを見せてくれるからです。提供された韓国語トランスクリプトには、それ自体に誤りが含まれています。ある文はフレーズの途中で2つの話者ラベルに分割されており、別の文には、話者が明らかに「業務（업무）」と言ったところに、振り付けを意味する「안무」が含まれています。JotMeは欠陥のあるテキストではなく、音声とその周囲の文脈を読み取り、どちらの行も英語で正しく返ってきました。逐語エンジンなら「プロジェクト管理の振り付け」をあなたの受信トレイに送り込んでいたでしょう。

これは会議のライブ翻訳で動いているのと同じ解釈の振る舞いです。そこではツールは1つの文に一度きりのパスしか持たず、話者に意図を尋ねる機会もありません。

正直なスコア: JotMeは音声を正確に翻訳できるか

私たちは2つの音声ファイル、原文の韓国語トランスクリプト、そして翻訳字幕をChatGPTに渡し、10点満点で評価するよう頼みました。返ってきたのは9/10。しかも、ファイルを素通しするのではなく、実在する欠点を名指ししました。

• パス3はタイミングのずれを捕まえました。2:32付近で、00:02:35.740とタイムコードされたキューが、00:02:38.035まで続くキューの後に現れ、2行がファイル内で会話の順序から外れて配置されています。
• いくつかの行は自然な英語の話し言葉より硬く読めました。「あなたはゆっくり学べます、それは安心です」はどちらも正確ですが、どちらもその場面で英語ネイティブが口にする言い方ではありません。
• ダブは終始キムを「チームリーダー」と呼び続けます。韓国語に忠実で、英語の耳にはフォーマルであり、どこかに公開する前に編集の一手間をかける価値があります。

3つの欠点を名指しした9/10は、満点よりも役立つ数字です。ダウンロードと公開可能なファイルとの間に、どの3分間のクリーンアップが立ちはだかっているのかを正確に教えてくれるからです。

なぜGoogle翻訳に音声ファイルをアップロードできないのですか

Google翻訳には、デスクトップにもモバイルアプリにも、音声をアップロードするフィールドがありません。代わりにマイク経由で動作します。Google自身のドキュメントも、その流れをブラウザ内でマイクを通して話し言葉を翻訳するものと説明しており、Chrome以外ではサポートが限られるとしています。「文字起こしモード」と「会話モード」はモバイルアプリにしかありません。

人々が頼りがちな回避策は、MP3をノートパソコンのマイクの近くで大音量で再生し、ツールがついてきてくれることを祈るというものです。この方法は部屋の雑音を拾い、2人の話者を1つのストリームとして扱い、音声出力を一切生み出さず、誰かに渡せるものが何も残りません。

Google翻訳は今も1つの仕事をうまくこなします。それは入力済みのテキストを素早く読み解くことです。音として届くものは、それ専用に作られたツールが必要です。だからこそ、Google翻訳の代替を探す動きは、テキスト系のクエリよりも音声・動画系のクエリで最も強く跳ね上がるのです。

翻訳した音声を編集できるテキストに変えるには

翻訳した音声をテキストに変えるには、JotMeがダブと一緒に生成する字幕ファイルを使います。そのファイルにはすでに、翻訳された各行がタイムスタンプ付きで収められているからです。どんなテキストエディタで開き、タイムスタンプを取り除けば、ターゲット言語のきれいなトランスクリプトが手に入ります。

JotMeは字幕をWebVTTで書き出します。これはW3Cの字幕フォーマットで、ブラウザがHTMLのtrack要素を通じてネイティブに読み込めるものです。この1つのファイルが3つの仕事をこなします。

• 動画に字幕を付ける
• そのままYouTubeにアップロードする、または
• 録音の翻訳トランスクリプトとして読む。

そもそも音声が要らなかったジョブなら、ダブを飛ばしましょう。音声をテキストに翻訳するツールは、ファイルからトランスクリプトへの一直線の経路を扱い、すでにアプリ内で作業しているなら、JotMe内の「ファイルを文字起こし」が同じ役割を担います。講義を読める形で必要とする学生はこの経路をたどります。講義を別の言語で話してほしいクリエイターは、第2セクションのダビング経路をたどります。

どちらの経路も同じアップロードから始まるので、始める前にどちらが必要かを当てる必要はありません。まず一度音声を翻訳し、その後で字幕ファイルをどう扱うかを決めればよいのです。

JotMeで音声を翻訳するには何翻訳分かかりますか

JotMeは音声翻訳をファイル長の20倍の翻訳分で課金するので、音声1分あたり20翻訳分かかります。本テストの2.9分の韓国語ファイルは58翻訳分で、これは処理が始まる前に確認ボックスに表示されます。

ここではプランの前提が、ドキュメントの場合よりも重要になります。音声はライブ通話の20倍の速さで割り当てを消費するからです。

ワークフローを初めて試す人は、長い録音に踏み切る前に、無料プランで短いクリップを1本走らせてみるべきです。その出力を無料の言語翻訳ツールの選択肢と比べれば、ダビングの品質があなたのユースケースにとって翻訳分に見合うかどうかがすぐに分かります。

無料ツールではなくAIで音声を翻訳すべきなのはどんなときか

あなた以外の誰かが結果を理解しなければならないときは、AIで音声を翻訳しましょう。ボイスメモが何を言っているかのおおまかな把握なら、どんな無料ツールでも務まる仕事です。話者のアイデンティティを保ち、クライアントのレビューに耐え、字幕ファイルまで付いてくる正確な出力は、JotMeが引き受ける仕事です。以下は、その違いが結果を左右する3つの場面です。

新しい市場を開くミュージシャンやクリエイター

スペイン語のシングルを英語圏のリスナーに向けてリリースするインディーアーティストは、楽曲そのもの以上のものを抱えています。ボゴタからの共作者のボイスメモ、フェスでのフランス語のプレス取材、深夜2時にスマホで録ったプロデューサーのメモ。こうしたスペイン語から英語への音声翻訳作業は、たいていスタジオに回され、スタジオは分単位で見積もりを出します。同じファイルをダビングフローに通せば、元の声を保った翻訳トラックが返ってきて、字幕ファイルがレーベルに作業の足がかりを与えます。予定していなかったプレス取材のフランス語音声を英語に翻訳するときも、同じことが当てはまります。

録音した講義から学ぶ学生

中国語の講義シリーズに出席する薬理学の学生は、40分の音声を抱えたまま、それを読み解く手立てがありません。英語からヒンディー語への音声翻訳の検索需要は、まさにこの層、つまりある言語で授業を録音し、別の言語で学ぶ学生から大半が来ています。講義の音声をヒンディー語に翻訳すれば、通学中に聴けるダブトラックと、ノート用の字幕ファイルが手に入ります。読み解けない録音を再生し直すより、はるかに優れています。

ボイスメモの中で暮らすオペレーションチーム

チェンナイの物流コーディネーターがWhatsAppを開くと、深夜11時にホーチミンの運送パートナーから届いた90秒のWAVファイルがあり、通関の保留について説明しています。それを書き起こすのは選択肢になく、朝まで待つのも無理です。アップロードして、音声をタミル語または英語に翻訳すれば、荷物は動き出します。これに日々ぶつかるチームは、たいていタミル語から英語へのライブ翻訳へと進み、次の会話がファイルとして届くのではなくリアルタイムで進むようにします。

レーベルのため、教授のため、あるいは料金を払うクライアントのためにプロとして音声を翻訳するとき、字幕ファイルとダブトラックの両方が重要になります。一方が作業を証明し、もう一方がそれを届けるからです。

JotMeでほかに何を翻訳できますか

JotMeには6つの翻訳タブがあります。「テキストを翻訳」は貼り付けたコピーを扱い、「ドキュメントを翻訳」はPDF、DOCX、PPTX、XLSX、HTML、TXT、SRT、XLIFFなどを100 MBまで受け付け、「画像を翻訳」はPNG、JPG、WEBP、GIFをレイアウトを保ったまま再レンダリングし、「動画を翻訳」はMP4、MOV、MKVほか7形式をダブし、「音声を翻訳」は先に挙げた10種類の音声形式をカバーし、「ファイルを文字起こし」はそのいずれからでもテキストを返します。どのタブも、最初の1語を翻訳する前にファイル全体を文脈込みで読み込むという同じ処理を走らせ、処理後はどのファイルもサーバーに残りません。これは未発表の楽曲、試験の録音、取引先との通話にとって重要な点です。

どの音声翻訳の経路を選べばよいですか

人が結果を耳で聴かなければならないときはダビング経路を、人が結果を読まなければならないときはトランスクリプト経路を選びます。取引先からのボイスメモ、後で見返すつもりの講義、第2の市場でリリースしたい楽曲は、すべて前者のグループに属し、JotMeはそれらを、ダブファイルと200以上の言語の字幕を返す1回のアップロードで処理します。検索できるテキストとして必要なものは、タイムスタンプを取り除いた同じ字幕ファイルから出てきます。

大切なものをツールに任せる前に、最初の翻訳ファイルで読み戻しチェックを実行しましょう。1分のクリップを取り、無料プランで音声を翻訳し、字幕を原文と照らし合わせます。通話の後ではなく通話の中で同じ精度が欲しいなら、ライブ翻訳ツールが会話をその場でカバーします。

FAQ

無料プランで音声を翻訳できますか？

はい、最長1分のファイルまで可能です。無料プランには月20翻訳分が含まれ、音声はファイル長の20倍で課金されるので、60秒のクリップで月間の割り当てを使い切ります。3分のファイルには60翻訳分が必要で、これは1ユーザーあたり月$10のProプランになります。まず短いクリップで品質をテストし、あなたの言語ペアで出力が機能すると分かってからアップグレードしましょう。

JotMeはどの音声ファイル形式に対応していますか？

「音声を翻訳」タブはMP3、WAV、AAC、FLAC、M4A、AIFF、OGA、OGG、OPUS、WEBAに対応しています。WhatsAppのボイスメモはたいていOPUSかM4Aで届き、iPhoneの録音はM4Aで届き、ほとんどの講義用レコーダーはMP3かWAVで書き出すので、よくあるソースはどれも変換の手順なしにアップロードできます。

JotMeは翻訳した音声ファイルで元の話者の声を保ちますか？

はい、ダビング設定パネルで「話者の声に合わせる」をオンのままにした場合です。韓国語のテストファイルは、言語の切り替えをまたいで元の個性を保った2つの聞き分けられる声で返ってきました。それを可能にするために、翻訳が始まる前に「話者を分析」が独立した段階として走ります。チェックボックスをオフにすると、代わりに標準的な合成音声の読み上げになります。

Google翻訳はMP3ファイルを翻訳できますか？

いいえ、Google翻訳には、デスクトップでもモバイルでも、MP3、WAV、その他いかなる音声ファイルもアップロードする手段がありません。マイクモード、文字起こしモード、会話モードでデバイスのマイクを通して聴くので、最も近い回避策は、ファイルをノートパソコンの近くで大音量で再生し、マイクが拾ったものを受け入れるというものです。その方法では、ダブ音声も、字幕ファイルも、話者の分離も得られません。

翻訳した音声ファイルではどの字幕形式が得られますか？

WebVTTファイルが得られます。これはブラウザがネイティブに解析し、YouTubeが字幕アップロードとして受け付けるW3C標準です。各キューは開始時刻、終了時刻、翻訳された行を持ち、それこそが第3セクションの検証方法を成立させているものです。特定のエディタがSRTを要求するなら、拡張子を変えるか、コンバーターに通してください。

JotMeは翻訳後に私の音声ファイルを保存しますか？

ジョブの完了後、どのファイルもサーバーに残りません。だからこそ、法務チーム、研究グループ、レーベルは、保持条件の不透明なブラウザツールではなくJotMeで機密性の高い録音を処理します。後で待っているものは何もないので、パネルを閉じる前に両方の出力をダウンロードしてください。