- ChatGPTの有料プランで、音声ファイルの文字起こしと要約ができるようになった
- 対応形式はMP3・WAV・M4Aなど。1ファイル512MBまで
- 会議の議事録、インタビュー、授業の復習で使える
- 話者の見分けや言語ごとの精度には注意が必要
- GeminiやNottaなど他のツールとの使い分け方がわかる
会議の録音を聞き直して議事録にまとめる作業に、何時間もかけた経験はありませんか？ChatGPTに音声ファイルを渡すだけで、文字起こしと要約ができるようになりました。この記事では、新機能の中身と使いどころ、注意点を順番に見ていきます。
ChatGPTの音声ファイル対応とは？何が変わったのか
米OpenAIは2026年10月6日のリリースノートで、音声ファイルのアップロード機能を発表しました。ITmedia AI＋も10月9日にこれを報じています。
できることは大きく3つです。録音を文字起こしする（話した言葉を文章にする）、内容を要約する、内容について質問することです。
これまでChatGPTは、音声をそのまま読み込む機能が限られていました。外部の文字起こしツールでテキストにしてから貼り付ける、という手間が必要でした。今回の対応で、その一手間が不要になります。
ちなみに、すでにある「Record（録音）」機能とは別物です。Recordはmacアプリでその場の音声を録る機能で、今回の新機能はすでにあるファイルを渡す機能です。
対象プラン・対応形式・サイズ上限
使えるのは有料プランのみ
有料プランが対象です。解説記事によると、公式のヘルプには「有料のChatGPT契約とワークスペースで使える」と書かれています。無料プランは現時点で対象外です。
なお、地域やアプリのバージョン、選んだモデルによって使えるかどうかが変わる場合があるとも説明されています。
対応する音声形式と上限
対応形式は、WAV、MP3、OGG、PCM、FLAC、AAC、M4Aです。音声だけのWebMとMP4も使えます。
1ファイルあたり512MBが上限です。再生時間の上限は明記されていません。ただし、長い録音は分割して処理されたり、タイムアウト（処理が時間切れで止まること）したりする場合があります。
動画として判定されるWebMやMP4は受け付けません。動画ファイルから文字起こししたいときは、先に音声だけを取り出す必要があります。
なお、一部の報道では、使える形式や削除の扱いについて、ここで紹介した内容と異なる説明も出ています。細かい仕様は、OpenAIのヘルプで最新の情報を確認してください。
使い方と、うまく使うコツ
手順はシンプルです。新しいチャットを開き、音声ファイルを添付します。次に、ほしい成果物を具体的に書いて送ります。
「要約して」だけでは、ざっくりした答えになりがちです。たとえば次のように頼むと、使える結果が返ってきます。
- 決まったことを、発言者ごとにまとめてください
- まだ決まっていない論点を、担当者つきで挙げてください
- 行動項目を、担当・内容・期限の形で出してください
- 聞き取りに自信がない箇所には印をつけてください
解説記事は、「名前や数字を推測で埋めないで」と一言添えることもすすめています。聞き取れなかった部分を推測で埋めさせないための一言です。
同じチャットのなかで、続けて質問することもできます。「さっきの決定事項から、確認メールの下書きを作って」と頼めば、そのまま文面になります。
こんな場面で役立つ
ある中小企業の営業担当者を考えてみましょう。週に3本の商談があり、そのたびにスマホで録音しています。夕方に録音を聞き直してメモを作るだけで、毎日1時間はかかっていました。
この機能なら、録音をアップロードして「顧客の要望と次のアクションを一覧にして」と頼むだけです。確認は必要ですが、聞き直しの手間はかなり減らせます。
大学生の場合はどうでしょう。90分の講義を録音しておき、試験前に要点だけ復習したいことがあります。録音を渡して「重要そうな用語を10個、説明つきで挙げて」と頼めば、復習用のノートが作れます。
フリーライターやYouTuberなら、インタビュー音源の整理に使えます。誰が何を話したかを大まかにつかめば、記事に使う発言を探す時間も短くなるはずです。ただし、引用する発言は必ず元の音声で確かめてください。
競合ツールと何が違う？Gemini・専用アプリとの比較
音声ファイルを扱えるAIは、ChatGPTだけではありません。GoogleのGeminiは、2025年9月の報道によると、MP3・M4A・WAVの音声ファイルを受け付けています。同時に最大10ファイルまでで、合計10分が上限とされていました。文字起こし、要約、行動項目の抽出のほか、話者の見分けもできるとのことです。
この上限は当時のもので、その後に変わっている可能性があります。使う前にGeminiの公式ヘルプで確認してください。
ChatGPTの強みは、1ファイル512MBまで入る点です。長めの会議録音を、1回で渡せる可能性があります。
一方、NottaやOtterのような専用の文字起こしアプリは、会議の録音に特化したアプリです。話者の区別や時間つきの文字起こしなど、会議向けの機能がそろっているのが一般的です。逐語録（一言一句の記録）が必要な場面では、専用アプリのほうが安心でしょう。
たとえば、内容をざっくりつかんで次の作業につなげたいならChatGPT、正確な記録を残したいなら専用アプリ、という使い分けが現実的です。
日本のユーザーへの影響と注意点
日本の読者にとって気になるのは、日本語の精度でしょう。ITmedia AI＋の記事には、日本での提供状況や日本語の精度について具体的な記載がありません。
OpenAIは、音声の理解と文字起こしの精度は言語によって異なる可能性があると説明しています。話者の識別も誤ることがあるとされています。
別の報道は、英語で最も使いやすいとしています。雑音や訛り、重なった話し声があると精度が下がるとの指摘もあります。日本語の会議では、早口や専門用語、複数人の同時発言が起きやすいため、必ず自分の耳で確認しましょう。
プライバシーにも気を配りたいところです。解説記事によると、アップロードした音声が処理後に削除されるという記載は見当たらないそうです。保存期間は、ファイルの置き場所とワークスペースの保持ルールで決まります。
学習への利用は、個人向けプランではデータ設定によって変わります。ビジネス向けプランは、顧客データを学習に使わない扱いです。
顧客との商談や社内の機密会議を録音して渡すときは、会社のルールを先に確かめてください。参加者に録音とAI利用を伝え、同意を得ておくことも大切です。
よくある質問（FAQ）
Q1. 無料プランでも使えますか？
現時点では使えません。有料プランとそのワークスペースが対象です。
Q2. 何分の録音まで読み込めますか？
再生時間の上限は明記されていません。ファイルサイズは1つにつき512MBまでです。非常に長い録音は、分割処理されたりタイムアウトしたりする場合があります。
Q3. 動画ファイルからも文字起こしできますか？
動画として判定されるファイルは受け付けません。音声だけを取り出して、MP3などにしてから渡してください。
Q4. 文字起こしの結果をそのまま公開してよいですか？
おすすめしません。誤りや、話者の取り違えが含まれる場合があります。数字、日付、固有名詞は、元の録音で確認してください。
Q5. 録音するとき、相手の許可は必要ですか？
参加者に録音とAIによるメモ作成を伝え、事前に同意を得ることがすすめられています。国や会社によってルールも違うので、確認しておきましょう。
まとめ
- ChatGPTの有料プランで、音声ファイルの文字起こし・要約・質問ができる
- 1ファイル512MBまで。MP3、WAV、M4Aなどに対応している
- 議事録、講義の復習、インタビュー整理など、身近な場面で時間を減らせる
- 話者の識別や言語ごとの精度には限界があり、重要な数字は元の録音で確認する
- 正確な逐語録が要る場面では、専用の文字起こしアプリとの併用が安心
まずは手元の短い録音を1本アップロードして、要約の出来を試してみてください。