音声翻訳とは？録音・会議・動画の音声を翻訳する方法とツールの選び方（2026）

「この音声を翻訳したい」と一口に言っても、実は目的が2つに分かれます。ひとつは、目の前の相手とその場で会話を訳したい場合。もうひとつは、すでに録音した音声・動画・会議を、別の言語の読めるテキストや字幕に変えたい場合です。この2つは必要なツールがまったく違うので、最初にどちらなのかを決めるのが、遠回りを避ける一番のコツになります。

この記事では、両方を正直に整理したうえで、後者（録音・ファイルの音声翻訳）を中心に、きれいに仕上げるまでの手順とツールの選び方をまとめます。なお、私は本文で触れるサービスのひとつ Subanana を運営しています。会話翻訳のように Subanana が向かない用途もはっきり書くので、そこも判断材料にしてください。

音声翻訳とは？まず2種類に分ける

日本語で「翻訳」と「通訳」を分けるのと同じ発想です。音声翻訳も、リアルタイムの会話翻訳（通訳に近い）と、録音済みの音声をテキストに翻訳する作業（翻訳に近い）の2つに分かれます。どちらを求めているかで、選ぶべき道具が変わります。

会話翻訳は「速さ」がすべてで、その代わりあとから直せません。一方、録音済みの音声翻訳は、時間をかけて正確さと読みやすさを詰められます。同じ「音声翻訳」でも、求める品質と使い方が正反対なのです。

その場で会話を翻訳したいなら（リアルタイム／通訳）

目の前の相手と、いま話しながら訳したい——この用途なら、会話翻訳に特化したアプリやデバイスが素直です。

• 無料で手軽に始めるなら: VoiceTra（ボイストラ） は、NICT（情報通信研究機構）が提供する無料の音声翻訳アプリで、旅行や日常会話向けに作られています。Google 翻訳の音声入力も定番です。無料でどこまでできるかはGoogle翻訳で音声を翻訳する方法にまとめました。
• 専用デバイスが欲しいなら: ポケトークのような会話翻訳に特化したハードもあります。スマホを取り出しにくい接客や現場では、デバイスのほうが速いこともあります。
• セミナーや講演など「イベント」なら: 話し手は一人〜数人、聞き手が多数という構図です。これは会話アプリではなく、ライブ字幕の出番です。

イベント向けのライブ字幕については、Subanana にもリアルタイム字幕・翻訳機能があります。マイクや直接音声を取り込み、その場で文字起こしとリアルタイムのLLM補正をかけて、標準的なAIライブ字幕より高い精度を狙う設計です。参加者は配布リンクやQRから字幕を見られます。ただし正直に言うと、1つのセッションで扱えるのはソース言語1つ＋翻訳先1言語までで、翻訳先を増やす場合は言語ごとに並行セッションを立てます。参加者は「原文／訳文／両方」の表示を選べますが、自分の言語を追加することはできません。書き出しはSRTのみで、実行にはMaxプランかトップアップクレジットが必要です（初回5分の無料トライアルは全プラン一度きり）。詳しい設計は多言語イベントのライブ字幕で解説しています。

なお、法廷・医療同意・外交のように一言の誤りが許されない高リスクな場面は、AIではなく資格を持つ人の通訳が原則です。AIのリアルタイム翻訳は、もともと人の通訳者を置く予定がなかったイベントや会話を、手頃に多言語化するための現実的な中間解と考えるのが正確です。

録音・動画・会議の音声を翻訳する（文字起こし＋翻訳）

ここからが本題です。すでにある録音・動画・会議の音声を、別の言語の読めるテキストや字幕にしたい——この用途では、いきなり「翻訳」だけをするツールではなく、まず文字起こしし、その結果を翻訳するという2段構えが基本になります。音声を直接ほかの言語の音声に「吹き替える」話ではなく、テキスト・字幕として翻訳する、という前提です。

流れはシンプルです。

1. 音声・動画をアップロードする（またはURLから取り込む）。
2. ソース言語を指定する。
3. 翻訳先の言語を指定する。
4. 文字起こしと翻訳が走り、テキスト・字幕として書き出す。

このときに効いてくるのが、次の3点です。

• 字幕にするのか、文書にするのか。 字幕なら SRT・VTT のようにタイムコード付きの形式が必要です。文書なら Word（DOCX）や TXT が便利です。Subanana の場合、字幕モードでは複数の翻訳先言語を一度に出せますが、逐字稿・会議モードでは翻訳先は1言語という違いがあります。目的に合わせてモードを選びます。
• 原文と訳文を並べたいか。 語学学習や確認用に「原文＋訳文」を1つのファイルにまとめたい場合、Subanana は原文と訳文を1つのSRTにまとめた対訳（バイリンガル）字幕を書き出せます。
• 誰が話したかを残したいか。 会議やインタビューでは話者分離が効きます。発言を話者ごとに分けてから翻訳すれば、あとで「これ誰の発言だっけ」と巻き戻す手間が減ります。

動画に字幕を付ける具体的な手順は音声・動画を多言語に翻訳する方法に、文字起こし全体のコツは文字起こしのやり方にまとめています。会議を丸ごと翻訳したい場合は、リアルタイムの会話翻訳より、録音してから文字起こし＋翻訳するほうが正確に仕上がります。日本で会議をその場で押さえたいワークフローなら Notta のようなリアルタイム対応の定番も選択肢です。

Subanana で音声を翻訳する手順

参考までに、Web完結型の一例として Subanana での手順を紹介します。

1. AIリアルタイム文字起こし・翻訳から、音声・動画ファイルをアップロードします。YouTube・Instagram・Facebook の公開URLからも取り込めます。
2. ソース言語を選びます。日本語なのに自動判定に任せると、英単語混じりの会話で誤判定が起きやすいので、話す言語は最初に指定するのがおすすめです。
3. 翻訳先の言語を指定します。字幕モードなら複数、逐字稿・会議モードなら1言語です。
4. 固有名詞や専門用語があれば、用語集に登録しておきます。人名・社名・業界用語は誤変換の常連なので、ここで差がつきます。
5. 文字起こしと翻訳が走ります。逐字稿・会議モードでは句読点・段落の整形と話者識別まで自動で行われます。
6. SRT・VTT・TXT・DOCX・XLSX・Markdown などの形式で書き出します。原文と訳文をまとめた対訳字幕も選べます。

料金の目安として、無料プランは結果を確認するためのプレビュー中心です。生成は各ファイルの先頭15分まで、書き出しは透かし入りの動画のみで、字幕や文書としての書き出しは有料プランで解放されます。年払い換算で Lite が月あたり US$9 からで、詳細は料金ページで確認できます。80以上の言語に対応し、言語ごとにベンチマークで最良の音声認識モデルを選ぶ設計です（翻訳や字幕補正のモデルは Subanana が自動で選びます）。

よくある質問

音声翻訳は無料でできますか？

用途によります。その場の会話翻訳なら VoiceTra や Google 翻訳の音声入力が無料で使えます。録音・ファイルの音声翻訳は、多くのサービスが無料枠で「結果のプレビュー」までを提供し、字幕・文書としての書き出しは有料というのが一般的です。Subanana の無料プランも各ファイルの先頭15分まで結果を確認でき、書き出しは有料プランになります。まず短い音声で仕上がりを見比べるのがおすすめです。

リアルタイムで会話を翻訳できますか？

対面の会話をその場で訳したいなら、VoiceTra のような会話翻訳アプリが向いています。セミナーや講演のようなイベントなら、Subanana のライブ字幕・翻訳が使えます（ソース1＋翻訳先1言語／セッション、追加言語は並行セッション）。なお Google Meet や Teams の記録ボットは、会議を録画して終了後に文字起こし・要約を作る後処理の機能で、会議中のライブ翻訳とは別物です。

どんな形式で書き出せますか？

字幕なら SRT・VTT、文書なら TXT・Word（DOCX）・Excel（XLSX）・Markdown が定番です。Subanana はこれらに加えて、原文と訳文を1つにまとめた対訳字幕も書き出せます。動画編集ソフトや YouTube にそのまま読み込める形式を選ぶと、後工程が楽になります。

対応言語はどれくらいですか？

Subanana は80以上の言語に対応しています。広東語のように、日本ではあまり見かけない言語をソースにできる点も、多言語の素材を扱う人には便利です。

音声翻訳の精度を上げるには？

録音が9割です。マイクを話者に近づけ、静かな場所で、一度に一人が話すこと。加えて、ソース言語を正しく指定し、固有名詞や専門用語を事前に用語集へ登録できるサービスなら、それを使うと誤変換が目に見えて減ります。会話翻訳アプリでも、ゆっくり短い文で話すほど精度は上がります。

まとめ

「音声翻訳」は、その場の会話を訳すのか、録音済みの音声をテキストに訳すのかで、選ぶ道具が正反対になります。会話ならVoiceTraのような会話翻訳アプリ、イベントならライブ字幕、そして会議・インタビュー・動画のように「あとから読める形」で残したいなら、文字起こし＋翻訳ができるサービスが向いています。どの道を選ぶ場合でも、精度は録音の段階でほぼ決まること、そして字幕にするのか文書にするのかを最初に決めておくことが、遠回りを避ける近道です。まずは手元の短い音声で、いくつかのツールの仕上がりを見比べてみてください。