ChatGPTは2026年10月6日から音声ファイルを添付して文字起こしできるようになりました。ChatGPT Proで103.1秒の会議音声を渡すと、60.5秒で書き起こし日付と金額は全部合いました。ただし商品名を2か所聞き違えています。使ったプロンプト4つをそのまま載せます。
- ChatGPTは2026年10月6日から、音声ファイルを会話に添付して文字起こし・要約・質問ができるようになった
- AInformation編集部が2026年10月7日にChatGPT Proで103.1秒の会議音声（MP3）を渡すと、60.5秒で全文を書き起こした
- 日付・金額・人の名前は全部合った。一方で台本の「商品E」を2か所とも「商品B」と書き、「EC」は「ブック」と書いた
- 決まったことと宿題の表は23.4秒で返り、撮影費の発言は「1分6秒あたり」と時刻つきで引用した
- 前日のテキストの記録も一緒に渡すと115.4秒で差分の表を作り、商品名の食い違いを自分から「確認したほうがよい」と書いた
- そのままコピーして使えるプロンプト4つと、公式ヘルプにある対応形式・512MBの上限・有料プラン限定の条件を載せた
ChatGPTで音声ファイルを文字起こしするやり方は添付して1文で頼むだけ
ChatGPTで音声ファイルを文字起こしするやり方は、ファイルを添付して頼みたいことを1文で書くだけです。専用のボタンや設定はありません。画像やPDFを渡すときと同じ入力欄の［＋］から音声を付けます。
AInformation編集部は2026年10月7日に、ChatGPT Proのブラウザ版でこの手順を試しました。画面のモデル表示は「Medium」のままです。渡したのは架空の会社「サンプル商事」の週次ミーティングを読み上げた103.1秒のMP3で、台本は編集部が自分で書きました。正しい答えが分かっている音声なので、1字ずつ照らし合わせられます。
- ChatGPTで新しいチャットを開き、入力欄の左の［＋］を押す
- パソコンの中の音声ファイル（今回は meeting_sample.mp3）を選ぶ。入力欄の上に波形の印が付いたファイルの札が出る
- 下のプロンプトを入力欄に貼って送る
- 答えが出たら、同じ会話のまま続けて質問する。音声を付け直さなくても中身について聞ける
添付した直後の画面です。ファイル名の左に紫の波形の印が付きます。PDFやテキストのときは別の印になるので、音声として読み込まれたかはここで見分けられます。
1つ目のプロンプト：言葉どおりに文字起こしさせる
最初に送ったのは、言葉どおりの文字起こしを頼む文です。聞き取れない所を勝手に埋めないよう「［聞き取れず］と書く」と「言っていない言葉は足さない」の2つを入れました。議事録の元にするなら、この2つの条件を付けておくと後で照らし合わせやすくなります。
添付した音声を、話している言葉どおりに文字起こししてください。聞き取れないところは［聞き取れず］と書き、言っていない言葉は足さないでください。
60.5秒で答えが返りました。答えは「音声文字起こし」という見出しの付いた枠に入り、1文ごとに改行されています。枠の右上にはコピーのボタンがあり、そのまま別の文書へ貼れます。答えの文字数は585字でした。この中には、答えの最後に付いた「会議内容を要点で整理する」など次に頼めることの候補3行も含まれています。
結論：ChatGPTは103.1秒の会議音声を60.5秒で文字にし数字は全部合った
先に結論です。ChatGPTの音声ファイルのアップロードは、短い会議の録音なら議事録の下書きにそのまま使えます。103.1秒の音声を60.5秒で書き起こし、日付・金額・人の名前は台本と全部合いました。
ただし商品名のアルファベット1文字を聞き違えました。台本の「商品E」を2か所とも「商品B」と書き、「ECの特集ページ」を「ブックの特集ページ」と書いています。しかも［聞き取れず］の印は1つも付きませんでした。自信がなさそうな様子もなく、違う言葉で埋まっていたことになります。
変わったのは2026年10月6日です。OpenAIのリリースノートには「Audio uploads in ChatGPT」として、音声ファイルを上げて文字起こし・要約・中身への質問ができると載りました。同じ発表には、有料のChatGPTのプランとワークスペースで使えると書かれています。文字起こしには誤りが入りうるという断りもあります。
編集部が試したのは、議事録に使うときに大事な4つの点です。言葉どおりに書けるか・決まったことを拾えるか・何分何秒あたりかを答えられるか・前の記録と比べられるか、を1つずつ確かめました。それぞれの結果を、使ったプロンプトと一緒に次の章から書きます。
ChatGPTの文字起こしの精度は日付と金額が全部合い商品名を2か所聞き違えた
1つ目のプロンプトの答えを、台本と1文ずつ照らし合わせました。結論は「数字と日付と名前は完璧で、商品名と1語だけ違った」です。
合っていたもの：日付・金額・名前・場所
答えの基準に決めておいたのは、日付と数字（9月11日・115円・10月1日・10月21日・会議室A・11月20日・11月27日・18万円・9月18日・10時）と、3人の名前（鈴木・田中・高橋）です。これは全部合っていました。「10月21日、火曜日」のような曜日も台本どおりです。「原価は合わせて115円に収まりました」のように数字の入った文は、言い回しまでそのまま書けています。
違っていたもの：商品Eと「EC」
違ったのは3か所です。台本の「先週決まった商品Eのセット販売」は「商品Bのセット販売」になりました。「商品Eの限定色の写真」も「商品Bの限定色の写真」です。「ECの特集ページ」は「ブックの特集ページ」と書かれました。
どれも数字ではなく、短いアルファベットの語です。音の近い語に置き換わったように見えますが、なぜそうなったかはこの検証では分かりません。読点の位置や「お疲れ様」と「お疲れさま」のような表記の差もありました。ただしこれは意味が変わらないので、間違いには数えていません。
台本とChatGPTの文字起こしの照らし合わせ
| 台本の言葉 | ChatGPTの文字起こし | 判定 |
|---|---|---|
| 9月11日、木曜日 | 9月11日、木曜日 | ○ |
| 鈴木、田中、高橋の3名 | 鈴木、田中、高橋の3名 | ○ |
| 原価は合わせて115円 | 原価は合わせて115円 | ○ |
| 10月1日から販売 | 10月1日から販売 | ○ |
| 10月21日、火曜日・会議室A | 10月21日、火曜日・会議室A | ○ |
| 11月20日・11月27日に足す | 11月20日・11月27日に足す | ○ |
| 18万円の見積もり | 18万円の見積もり | ○ |
| 9月18日・10時から | 9月18日・10時から | ○ |
| 商品Eのセット販売・商品Eの限定色 | 商品Bのセット販売・商品Bの限定色 | × |
| ECの特集ページ | ブックの特集ページ | × |
議事録で困るのは、こういう誤りです。日付や金額は後で別の資料と合わせて気づけます。一方で商品名が別の実在する商品に置き換わると、読んだ人はそのまま信じてしまいます。今回の音声では商品Bも会社の実際の商品なので、文として不自然な所がありませんでした。
議事録にするプロンプトは23.4秒で決まったこと4つと宿題2つを拾った
2つ目のプロンプトは、同じ会話のまま続けて送りました。音声は付け直していません。決まったことと「誰が・何を・いつまでに」の表を頼む文です。会議の録音から議事録を作るときに、いちばんよく使う頼み方だと思います。
この会議で決まったことを箇条書きにし、そのあとに「誰が・何を・いつまでに」の表を作ってください。次回の日時も書いてください。
答えは23.4秒で返り、文字数は347字でした。4つのプロンプトの中でいちばん速い答えです。決まったことは9行の箇条書きになり、その下に2行の表と次回の日時が並びました。
答え合わせの基準は、決まったこと4つ・宿題2つ・次回の日時です。セット販売の原価115円と10月1日開始はそろっていました。撮影の10月21日（火）と本社会議室Aも合っています。特集ページの11月20日公開と限定色の11月27日追加、撮影費の18万円も入っていました。宿題も「鈴木さん・商品Cのパッケージの新しい文言・9月18日」と「田中さん・特集ページの構成案・9月18日」の2行で合っています。次回は「9月18日（木）10時から」と太字で書かれました。
中身はすべて基準どおりです。ただし1つ目の文字起こしの聞き違いがそのまま引き継がれ、箇条書きにも「商品Bのセット販売」「ブックの特集ページ」と出ました。文字起こしを直さずに議事録を頼むと、誤りが清書された形で残ります。表にすると見た目が整うので、かえって疑いにくくなる点に気をつけてください。
何分何秒かを聞くとChatGPTは1分6秒と答え発言をそのまま引用した
3つ目は、音声の中の位置を聞くプロンプトです。録音を聞き直したいとき、その話が何分あたりにあるかが分かると探す手間が減ります。文字にした結果ではなく、音声の時間まで扱えるのかを見るために入れました。
撮影の費用の話は、音声の何分何秒あたりから始まりますか。そこで誰の件として何と言っているかも、音声の言葉のまま引用してください。
答えは48秒で返り、106字でした。最初の1文で「1分6秒あたりから始まります」と時刻を言い切りました。続けて高橋さんの件として発言を引用しています。引用は「高橋さんから、経費の件です。撮影の費用は、去年と同じ18万円の見積もりです。」と続き、台本と言葉が合っていました。答えの上には「分析済み」の表示が出ています。
時刻の答え合わせの基準は「全体103.1秒のうち後半・おおよそ1分10秒前後」にしていました。1分6秒はこの範囲に入ります。ただし別の会話で同じ音声を渡した4つ目のプロンプトでは、同じ発言の位置を「約1:09〜1:17」と書きました。同じ発言でも会話によって答える時刻が少し違います。編集部はこの音声の何秒目から話が始まるかを秒単位で測っていません。どちらが正しいかまではこの検証では分からないので、時刻は聞き直す場所の目安として使ってください。
時刻を聞くときは、プロンプトのように「何分何秒あたり」と答えの形を指定しておくと答えがぶれにくくなります。あわせて「音声の言葉のまま引用して」と頼むと、その時刻にあるはずの発言が一緒に返ってきます。録音を開いてその発言を探せば、時刻がずれていてもすぐに見つかります。
前日の記録と音声を並べると115.4秒で変わったこと4つを当てた
4つ目のプロンプトは、新しいチャットで試しました。音声と一緒に、前日（9月10日）の経営会議の議事録をテキストファイルで付けています。前の記録と今日の会議を比べて、何が変わったかを並べさせる文です。
入力欄には音声とテキストの2つの札が並びます。同じ音声を2回目に付けたので、ファイル名の後ろに「(1)」が付きました。音声には紫の波形、テキストには青い文書の印が付きました。2つを同時に付けても、それぞれ別の種類のファイルとして扱われています。
添付したテキストは前日（9月10日）の会議の記録で、音声は翌日（9月11日）の会議です。2つを比べて、前日の記録から変わったこと・新しく決まったことを、どちらの資料のどこに書いてあるか分かるように並べてください。
答えは115.4秒で返り、1,936字の表になりました。4つの中でいちばん時間がかかり、いちばん長い答えです。表の列は「項目・9月10日の記録・9月11日の音声・差分・判断」の4つで、音声の側には「約0:17〜0:26」のようなおおよその時刻が付いています。記録の側には、どのファイルから引いたかを示す札が付きました。
答え合わせ：4つの変化を全部当てた
基準にした変化は4つです。付属品の原価は、前日の「1個あたり120円以内（質疑で130円まで）」から音声の「115円」へ変わったと並べました。撮影は前日の「10月中」から「10月21日・会議室A」へ決まったとしています。特集ページは「11月20日公開は変わらず、限定色が遅れたら11月27日に足すのが新しい」と分けて書いています。撮影費の18万円は「9月10日の撮影関連記載には金額なし」と新しく決まったものとして扱いました。4つとも当たりで、前日の記録にない話を作った所も見つかりませんでした。
次回の日程にも触れています。前日の記録の次回は「10月8日（木）10:00〜」で、音声は「9月18日、木曜日の10時から」です。ChatGPTはこれを予定の変更とは書きませんでした。「9/10は定例経営会議、9/11は商品企画の週次ミーティングなので、別種類の会議の次回日程である可能性が高い」と書いています。2つの会議の種類の違いまで読んで判断していました。
音声だけで頼むときと前の記録も渡すときの違いは聞き違いに気づけるか
今回いちばん大きな違いが出たのはここです。音声だけを渡した1つ目と2つ目では、ChatGPTは「商品B」と書いたまま何も言いませんでした。前日の記録も渡した4つ目では、表の1行目に「要注意の変更・不一致」と書きました。「9/10は商品E、9/11は商品Bとなっている。単なる具体化ではなく、どちらが正しいか確認したほうがよい」という内容です。
正しいのは前日の記録の「商品E」です。音声も台本どおり商品Eと言っているので、食い違いの元はChatGPTの聞き違いの側にあります。ChatGPTはそこまでは見抜けず、「方針変更なのか、発言上の言い間違いなのかは、確認対象として残すのが安全です」とまとめました。それでも、読む人が確かめるべき場所を表の先頭に出したことになります。
同じ答えの中で、限定色の行は「商品Eの限定色の写真が間に合わない場合は」と台本どおりに引用していました。「ECの特集ページ」も「EC特集ページ公開日」と正しく書いています。前の記録の言葉を手がかりに、聞き取りが直った所と直らなかった所があったということです。どちらの場合も、テキストを一緒に渡すと誤りが表の上に見える形で出てきました。
実際の仕事に置き換えると、前回の議事録・アジェンダ・商品の一覧のような固有名詞の入った資料を一緒に付けるやり方です。音声だけで頼むより、聞き違いが目に入りやすくなります。今回は1回ずつしか試していないので、資料を付ければ聞き違いが必ず直るとまでは言えません。
4つのプロンプトの結果はChatGPTが23.4秒から115.4秒で全部基準を満たした
4つの結果をまとめます。かかった時間は、文字起こしが60.5秒、議事録の表が23.4秒、時刻の質問が48秒、前日との比較が115.4秒でした。答えの文字数は順に585字・347字・106字・1,936字です。
4つのプロンプトの結果
| プロンプト | かかった秒 | 答えの文字数 | 答え合わせ |
|---|---|---|---|
| ① 言葉どおりの文字起こし | 60.5秒 | 585字 | ○ 数字と名前は全部合う（商品名とECは×） |
| ② 決まったことと宿題の表 | 23.4秒 | 347字 | ○ 4つと2つと次回がそろう（商品Bのまま） |
| ③ 撮影費の時刻と引用 | 48秒 | 106字 | ○ 1分6秒・引用は台本どおり |
| ④ 前日の記録との比較 | 115.4秒 | 1,936字 | ○ 変化4つを全部当てた・不一致も指摘 |
4つとも、事前に決めた答え合わせの基準は満たしました。それでも1つ目と2つ目には、基準に入れていなかった商品名とECの聞き違いが残っています。基準に数字と名前を並べるだけでは、この種の誤りは採点で拾えません。編集部が台本と1文ずつ見比べて初めて見つかりました。
日本語の読みやすさも見ておきます。1つ目の文字起こしは1文ごとに改行され、話し言葉の「それでは」「まず」「次に」もそのまま残りました。2つ目の箇条書きは「商品Bセットの原価は、合計115円」のように1行1件の短い文です。言い回しに不自然な所はありません。4つ目の表は「金額が確定」「新規決定」のような短い判断が並び、会議の資料にそのまま貼れる形でした。
秒数の差は、送った内容の重さにおおむね沿っています。最初の文字起こしは音声を読み込む分の時間がかかりました。同じ会話の2つ目は23.4秒と速く、音声を付け直さずに続けて聞くと待ち時間が短くなります。いちばん長い115.4秒は、音声とテキストの2つを新しく読ませたうえで1,936字の表を書いた回です。どの回も、画面に利用回数の残りや上限の表示は出ませんでした。
ChatGPTの音声ファイルの使いどころと注意は有料プランと聞き違いの確認
使いどころは、短い会議やインタビューの録音から議事録やメモの下書きを作る場面です。日付と金額と名前は今回すべて合ったので、宿題と期限の表までは任せて大丈夫だと感じました。そのうえで、次の4つの注意を守ってください。
注意1：有料のChatGPTだけで使える
リリースノートでは、音声のアップロードは有料のChatGPTのプランとワークスペースで使えると書かれています。ワークスペースの設定・地域・アプリの版・モデルによって使えないこともあるそうです。編集部は無料プランでは試していません。
注意2：形式と大きさの上限はヘルプで決まっている
公式ヘルプ「Uploading files and audio to ChatGPT」によると、対応している形式はWAV・MP3/MPEG・OGG/OGA・音声だけのWebM・PCM・FLAC・AAC・M4A・音声だけのMP4です。動画と判定されたWebMとMP4は音声のアップロードに使えません。音声ファイルは512MBまでと書かれています。今回の103.1秒のMP3はそのまま読み込めました。
注意3：商品名や略語は元の録音で確かめる
ヘルプには「文字起こしには誤りが入ることがあり、話し手の見分けも当てにならないことがある。大事な所は元の録音と照らす」という趣旨の注意があります。今回の商品Eと商品Bの聞き違いは、その注意のとおりのことが起きた例です。話し手を見分けられるかは、この検証では確かめていません。
注意4：何分何秒の答えは目安にとどめる
時刻を聞くと、会話によって1分6秒・約1:09と答えが違いました。聞き直す場所を探すには十分役に立ちます。ただし時刻を議事録に書き写すなら、録音を開いて自分で確かめてください。
長い録音はまだ試していません。ヘルプには、長い録音は小さな区切りに分けて処理されることがあると書かれています。1時間を超える会議でも同じ精度になるかは、この検証では分かりません。
関連する記事とツール
ChatGPTの料金や無料でできることは、AInformationのAIツールデータベースの個別ページにまとめています。Geminiで同じように議事録を作った回や議事録のAIを料金で比べた記事もあわせて読むと、どれで録音を扱うか決めやすくなります。
- ChatGPTの料金と機能
- Geminiで議事録を作成する方法と文字起こしできないときの対処
- ChatGPTのDeepResearchの使い方は計画が先で通常は23.5秒で7回分当てた
- 長文要約AIを4つ比較！決まったことを拾うプロンプト3つ
- 議事録AIのおすすめは？45本の料金と日本語対応を紹介
会議の録音を議事録にする仕事は、ChatGPTに音声を渡すだけでかなり楽になります。今回も日付と金額と名前は全部合いました。気をつけたいのは商品名や略語です。商品Eが商品Bに変わっても文として自然なので、読む側は気づけません。社内で使うなら、前回の議事録や商品の一覧を一緒に付けてください。今回はそれだけで、ChatGPTが食い違いを表の先頭に出しました。時刻の答えは聞き直す場所の目安にとどめるのが安全です。
- ChatGPTの無料プランでも音声ファイルを文字起こしできますか？
- 2026年10月6日のリリースノートでは、音声ファイルのアップロードは有料のChatGPTのプランとワークスペースで使えると書かれています。ワークスペースの設定や地域・アプリの版・モデルによって使えないこともあるそうです。AInformation編集部はChatGPT Proで試し、無料プランでは確かめていません。
- どの形式の音声ファイルを上げられますか？
- 公式ヘルプでは、WAV・MP3/MPEG・OGG/OGA・音声だけのWebM・PCM・FLAC・AAC・M4A・音声だけのMP4が対応形式です。動画と判定されたWebMとMP4は音声のアップロードに使えません。編集部は103.1秒のMP3を入力欄の［＋］から付け、そのまま読み込めました。
- 音声だけ渡すのと前の議事録も一緒に渡すのでは何が違いますか？
- 聞き違いに気づけるかが違いました。音声だけのときは商品Eを商品Bと書いたまま進みました。前日の議事録のテキストも付けると、115.4秒で差分の表を作り、1行目で「どちらが正しいか確認したほうがよい」と食い違いを指摘しています。1回ずつの検証なので必ず直るとまでは言えませんが、固有名詞の入った資料は一緒に付けるのがおすすめです。
- ChatGPTの文字起こしの精度はどのくらいですか？
- 日付・金額・人の名前は全部合いました。2026年10月7日に103.1秒の会議音声を渡すと、60.5秒で全文を書き起こしています。ただし台本の「商品E」を2か所とも「商品B」と書き、「EC」を「ブック」と書きました。［聞き取れず］の印は付かなかったので、商品名や略語は元の録音で確かめてください。
- 音声の何分何秒あたりかも答えてくれますか？
- 答えてくれます。撮影費の話がどこから始まるかを聞くと、48秒で「1分6秒あたり」と答え、発言を台本どおりに引用しました。ただし別の会話で同じ音声を渡したときは、同じ発言を「約1:09〜1:17」と書いています。会話によって少し違うので、聞き直す場所の目安として使うのがおすすめです。
