YouTubeの文字起こしバイトを在宅で受ける方法と作業の進め方

結論から書きます。YouTubeの文字起こしを在宅で受ける仕事は、始めるための資格も初期費用もほぼ不要で、パソコンとイヤホンがあれば今日から応募できます。ただし、単価をそのまま受け入れると時間単価が最低賃金を大きく下回る案件が混ざっており、実際に始めてから「割に合わない」と気づいて辞める人が一定数います。

つまり、この仕事で問題になるのは技術ではなく、受ける前の計算です。1件いくらという表示を時間単価に直す作業を最初にやるかどうかで、続けられるか消耗するかが分かれます。

この記事では、まず募集に混ざっている3種類の仕事を切り分け、自動字幕がある時代になぜ人手が要るのかという市場の背景を押さえ、単価の実態を計算で示します。そのうえで探し場所、危ない募集の特徴、作業の工程、使う道具、表記ルールの決め方、契約で確かめる項目、続けた先の伸ばし方までを並べます。

「YouTubeの文字起こし」という募集には、3つの違う仕事が混ざっている

同じ言葉で募集されていても、納めるものが違います。ここを混同すると、応募したのに求められる作業が想像と違うという事態になります。

1つ目は、字幕データの作成です。動画に表示する字幕を作る仕事で、文字を打つだけでなく、どの秒数からどの秒数までにどの文字を出すかという時間の情報を付けます。納品物はSRTやVTTと呼ばれる字幕ファイル、もしくは動画プラットフォームの管理画面への直接入力です。1行の文字数制限、表示時間の下限、話が切り替わるところでの区切り方といったルールがあり、作業の中身は文字入力よりも編集に近い性質を持ちます。

2つ目は、いわゆる文字起こしです。音声の内容を文章として書き出す仕事で、字幕のような時間情報は付けません。対談動画やセミナー動画の内容を文章化して、あとで記事や資料に使うための素材を作ります。納品物はWordやテキストファイル、表計算ソフトのシートです。

3つ目は、文字起こしを土台にしたリライトです。話し言葉のままでは読めないので、書き言葉に整えて記事の形にする作業まで含みます。これはもう文字起こしの仕事ではなく、ライティングの仕事です。募集のタイトルが「文字起こし」でも、業務内容に「記事化」「編集」「見出し付け」と書かれていれば3つ目に当たります。

報酬の水準は、3つ目が最も高く、1つ目がその次、2つ目が最も低い傾向があります。理由は単純で、求められる判断の量が違うからです。ここを意識せずに「文字起こし」だけで検索すると、最も単価の低い層ばかりが目に入ります。検索するときは「字幕作成」「テープ起こし」「書き起こし」「字幕データ」「SRT」といった言葉も併せて使ってください。出てくる案件の層が変わります。

自動字幕があるのに、なぜ人の手が要るのか

YouTubeには音声を自動で認識して字幕を生成する機能があり、条件を満たす動画には自動字幕が付きます。この機能がある以上、人が文字起こしをする仕事は消えるのではないか。そう考えるのは自然です。

実際にはそうなっていません。理由は4つあります。

1つ目は、固有名詞です。人名、会社名、商品名、専門用語、地名。音声認識はこれらを一般的な語に置き換えてしまうことがあります。1本の動画で固有名詞が20回出てくれば、20回の確認作業が必要になります。

2つ目は、複数の話者です。対談や座談会で声が重なる部分、相手の話に割り込む部分は、機械が誰の発言かを分けられません。誰が話したかを区別する必要がある動画では、人が聞いて判別する工程が残ります。

3つ目は、話し言葉の扱いです。実際の会話には、言い直し、言いかけてやめた語、意味のない繰り返しが大量に含まれます。これを機械はそのまま文字にします。読める文にするには、どこを残してどこを落とすかという判断が要ります。この判断は編集方針の問題で、機械には決められません。

4つ目は、表示のルールです。字幕は1行あたりの文字数と表示時間に制約があり、意味の区切りで改行しないと読めません。自動生成された字幕は語の途中で切れることがあり、そのままでは使えない場合があります。

YouTubeのヘルプにある字幕の追加方法の説明でも、字幕はアップロード、手動入力、自動同期など複数の方法で作成できることが案内されています。つまり、自動生成はあくまで選択肢の1つで、最終的な品質を担保するのは人の手だという前提で機能が設計されています。

市場の動きとして見ると、動画の本数が増えるほど確認の仕事は増えます。企業がYouTubeを使った発信を続ける限り、字幕を付ける需要はなくなりません。正直なところ、この仕事が単価の面で楽になるとは考えにくい一方で、案件そのものが消える心配も当面はない、という見方が実態に近いです。動画制作の周辺でどんな業務が発注されているかは、動画編集（YouTube/TikTokなど）のお仕事に業務内容と必要スキルが整理されており、字幕作業がどの工程に位置するかを確かめる材料になります。

単価の実態を、時間単価に直して見る

ここが最も重要な節です。文字起こしの募集は、1件いくら、音声1分あたりいくら、1文字いくらなど複数の表し方が混ざっています。比べるには全部を時間単価に直す必要があります。

実際に受けた人の声を見てみます。

仕事内容としては15～30分の文字起こし、リライトを1件100円での契約なのですが やっていくうちに余りにも割に合わないと感じたため辞めたいです。 出典: detail.chiebukuro.yahoo.co.jp

この条件を計算します。15分から30分の音声を文字起こしし、さらにリライトまで含んで1件100円です。文字起こしは、音声の長さの何倍かの時間がかかります。慣れていない段階で、音声1分あたり4分かかるとしましょう。20分の音声なら80分、そこにリライトを加えれば100分を超えます。100分で100円なら、時間単価は60円です。

この計算をせずに件数を増やすと、働いた時間に対する手取りが下がり続けます。辞めたいと感じるのは、意欲の問題ではなく算数の問題です。

では、どこから判断すればよいか。目安として、次の手順を勧めます。

まず、無料で手に入る短い音声を使って、自分の作業速度を1回だけ測ってください。音声の長さと、完成までにかかった時間を記録します。これで「自分は音声1分あたり何分かかるか」という係数が出ます。この係数があれば、どんな表示形式の単価でも時間単価に直せます。

たとえば係数が3、つまり音声1分に3分かかる人が、音声1分あたり100円の案件を受けるとします。音声10分なら報酬1,000円で作業30分、時間単価は2,000円です。同じ人が1件500円で音声30分の案件を受けると、作業90分で時間単価は333円です。単価の表示形式が違うだけで、実質は6倍違います。

作業に慣れると係数は下がります。ただし下がるのは2程度までで、そこから先は音声の質で決まります。雑音が多い動画、複数人が同時に話す動画、専門用語が多い動画は、どれだけ慣れても時間がかかります。応募前にサンプル音声を聞かせてもらえるなら、必ず聞いてから判断してください。

文字を扱う仕事の収入水準を全体として把握したいときは、著述家，記者，編集者の年収・単価相場が参考になります。文字起こしは同じ領域の入口に位置していて、そこから編集やライティングへ移ると単価の水準が変わる構造が見えます。

仕事の探し場所と、応募の前に確かめること

探し場所は4つに整理できます。

1つ目は、クラウドソーシングや在宅ワーク仲介サイトです。件数が最も多く、実績のない状態でも応募できます。ただし単価の幅が広く、先ほどのような時間単価60円の案件も同じ一覧に並びます。手数料の扱いも確認が必要です。報酬から一定の割合を引いて振り込む仕組みが一般的なので、表示単価と手取りが違います。手数料0%で直接やりとりできる仲介の形なら、同じ報酬額でも手元に残る金額が変わります。

2つ目は、求人検索サイトのアルバイト枠です。在宅可の事務作業として、字幕や文字起こしの募集が出ることがあります。時給で支払われる雇用契約の案件が混ざるので、収入の予測がしやすいのが利点です。

3つ目は、文字起こしの専門会社への登録です。テープ起こしを請け負う会社が在宅の作業者を募集する形で、登録前にトライアルがあります。単価は仲介サイトより高めに設定されることが多く、継続して仕事が回ってくる可能性があります。

4つ目は、動画制作会社や企業のチャンネル運営チームへの直接応募です。数は少ないものの、字幕作成から動画編集の周辺業務まで広げられる余地があります。

応募前に確かめる項目は4つです。

・音声の種類。対談か、1人が話すか、専門分野か。難易度が単価に見合っているかを判断する材料です。
・納品形式。テキストか、字幕ファイルか、管理画面への直接入力か。字幕ファイルなら時間情報を付ける作業が加わります。
・表記ルールの有無。どこまで整えるかを決めた文書があるかどうか。これがない現場は、あとで修正の往復が増えます。
・修正の回数と範囲。何回まで無償で直すのか。ここが決まっていない案件は、納品後の作業時間が読めません。

この4つを聞いて答えが返ってこない相手とは、契約を進めないほうが安全です。

危ない募集を見分ける。判断の基準は3つ

在宅の文字起こしは、始めやすいぶん質の悪い募集も混ざります。判断の基準を挙げます。

1つ目は、お金を払わせようとするかどうかです。仕事を受けるために教材を買う、講座を受ける、ソフトのライセンスを買う、登録料を払う。どの形でも、受注の前提としてこちらが支払う案件は避けてください。仕事を発注する側が受注する側から金を取る構造は、そもそも成り立っていません。

2つ目は、業務内容が募集の表示とずれることです。文字起こしの募集で応募したのに、面談で別の業務を勧められるケースがあります。実際にこういう相談があります。

クラウドワークスについて質問です。 SNS運用代行に興味があり、昨日いくつか応募し、今のところ3件連絡が返ってきているのですが、どれも『選考はオンラインで』とか『お互いを知るために是非1度zoomを』と3件とも面談を求められました。 出典: detail.chiebukuro.yahoo.co.jp

オンライン面談そのものが問題なのではありません。文字起こしのような作業案件で、業務の説明より先に個人の事情や収入の希望を細かく聞かれる、面談の最後に別の商品や講座の話が出る、という流れになったら、その時点で判断してよいと考えます。作業を頼むだけなら、条件の確認はメールで済みます。

なお、募集情報を正確に表示することは、発注する側の義務として法律に定められています。フリーランスに対して広告などで募集を行うとき、虚偽の表示や誤解を生じさせる表示をしてはならず、正確かつ最新の内容に保つことが求められています。この対象には、クラウドソーシングのプラットフォーム上の募集も含まれます。つまり、書いてあることと違う仕事を持ち出されるのは、法律上も問題がある行為です。

3つ目は、契約条件を文書にしないことです。口約束だけで作業を始めると、単価も納期も修正回数も、あとから相手の言い値になります。これも法律の問題があります。詳しくは次の節で書きます。

契約で確かめる8項目と、報酬の支払期日

業務委託で受ける場合、押さえておくべき法律があります。特定受託事業者に係る取引の適正化等に関する法律、通称フリーランス法です。令和5年4月28日に成立し、同年5月12日に公布され、令和6年11月1日に施行されました。

この法律は、個人に業務を委託する側に具体的な義務を課しています。まず、業務を委託したら直ちに、取引の条件を書面または電子メールなどの方法で明示しなければなりません。明示する内容は次のとおりです。

1. 発注する側と受注する側、それぞれの名称
2. 業務委託をした日
3. 頼む業務の内容
4. 納品を受ける期日、または作業をしてもらう期日
5. 納品先、または作業をする場所
6. 検査をする場合は、検査を完了する期日
7. 報酬の額と支払期日
8. 現金以外の方法で報酬を払う場合は、その支払方法

つまり、「単価はあとで決めましょう」「納期は相談で」のまま作業を始めさせる相手は、義務を果たしていません。メールやチャットのメッセージでの明示も認められているので、相手にとっても難しい手続きではありません。こちらから「条件を整理して送ってください」と依頼して問題のない事柄です。

報酬の支払期日についても定めがあります。

発注事業者は、発注した給付を受領した日から起算して６０日以内のできる限り短い期間内で、支払期日を定めて、その日までに報酬を支払わなければなりません。 出典: jftc.go.jp

納品してから60日を超える支払いサイトは、この規定に照らして問題があります。「検収に時間がかかるので3カ月後の支払いになります」と言われたら、根拠を確かめてよい場面です。

禁止されている行為も並んでいます。受領の拒否、報酬の減額、返品、買いたたき、購入や利用の強制、不当な経済上の利益の提供要請、不当な給付内容の変更やり直し。文字起こしの現場で起きやすいのは最後の2つです。納品後に「音声を追加したので同じ料金で起こしてほしい」と言われる、表記ルールを後から変えて全件やり直しを求められる。これは正当な理由のないやり直しに当たる可能性があります。

継続して受けている仕事の打ち切りにも定めがあります。6カ月以上の期間で行う業務委託について、契約を解除したり更新しなかったりする場合は、例外に当たる場合を除いて、解除日または契約満了日の30日前までに予告しなければなりません。予告を受けたあとに理由を請求すれば、遅滞なく開示する義務もあります。

ただし、実際のもめごとが法律のどの条文に当たるかは、契約の中身と取引の経緯で結論が変わります。金額が大きい場合や相手が応じない場合は、厚生労働省が設けている無料の相談窓口や弁護士に相談してください。個別の判断をここで断定することはできません。

作業の進め方を工程に分けて考える

未経験の人がつまずくのは、最初から完成品を作ろうとすることです。1回聞いて完璧な文章にしようとすると、止めて戻す回数が増えて時間が倍になります。工程を分ける方法を書きます。

第1工程は、素起こしです。聞こえたとおりに全部打ちます。言い直しも「えー」も残したまま、意味を考えずに打ち続けます。ここでは正確さより流れを止めないことを優先します。分からない語は記号を置いて飛ばします。たとえば聞き取れない箇所に決まった記号を入れておき、あとでまとめて確認します。

第2工程は、聞き取れなかった箇所の埋めです。第1工程で置いた記号を検索して、その前後だけを繰り返し聞きます。ここで再生速度を落とすと拾えることがあります。それでも分からない語は、動画の説明欄、概要、関連する資料を調べて当てます。人名や商品名は検索すれば出てくることが多いです。

第3工程は、整えです。表記ルールに合わせて、話し言葉を読める形にします。ここで初めて判断が入ります。どこまで整えるかはルールで決まっているので、迷ったら自分で決めずに確認する。これが手戻りを減らす一番の方法です。

第4工程は、字幕案件であれば時間情報の付与です。文を字幕の1枚に収まる長さに割り、表示する秒数を決めます。意味の切れ目で割るのが原則で、助詞の途中や複合語の途中で切ると読めません。

第5工程は、見直しです。音声を1.5倍程度の速度で流しながら、自分が作った文を目で追います。この方法だと、抜けた文と余った文が見つかります。数字と固有名詞は、音声を止めて1つずつ確認します。

第6工程は、納品です。ファイル名の付け方、送る形式、納品の連絡文。ここを毎回同じ形にしておくと、相手の確認が早くなり、次の依頼が来やすくなります。

この6工程に分けると、1本の動画にかかる時間が測れるようになります。どの工程が長いかが分かれば、改善の手が打てます。素起こしが遅いならタイピングの練習、整えが遅いならルールの読み込み、見直しが遅いなら再生環境の見直し。漠然と「慣れよう」とするより早く進みます。

使う道具と、決めておくルール

道具は高価なものは要りません。必要なのは次のものです。

・再生速度を細かく変えられる再生環境。0.5倍から2倍まで段階的に変えられると作業が速くなります。
・数秒だけ巻き戻せるショートカット。聞き逃したときに戻る量が一定だと、リズムが崩れません。
・イヤホンまたはヘッドホン。スピーカーで聞くと環境音に埋もれて語尾が拾えません。
・辞書と検索環境。固有名詞の確認に使います。
・音声認識で下書きを作る機能。ここは使ってよい道具です。ただし機械の出力をそのまま納品してはいけません。誤変換が残り、固有名詞がずれ、話者の区別が付いていない文章が出てきます。下書きとして使い、人が全部を聞いて直す。この順番を守る限り、作業時間は短縮できます。

決めておくルールは次の5つです。発注側から渡される場合はそれに従い、渡されない場合はこちらから確認します。

1つ目は、言い直しや意味のない語をどう扱うか。全部残す形、読みやすさのために落とす形、意味が変わらない範囲で整える形の3段階があります。 2つ目は、数字の書き方です。漢数字か算用数字か、全角か半角か。 3つ目は、話者の表記です。名前で書くのか、記号で書くのか。 4つ目は、聞き取れなかった箇所の書き方です。決まった記号と、タイムコードを添えるかどうか。 5つ目は、句読点と改行の入れ方です。字幕の場合は1行の文字数上限も含みます。

この5つを最初に確認すると、納品後の修正がほぼなくなります。逆に確認せずに始めた案件は、必ず往復が発生します。文書作成の基礎を体系的に押さえたい場合は、ビジネス文書検定のように文書のルールを扱う試験の内容が、表記の判断基準を整理する材料になります。

続けるなら、どこへ伸ばすか

文字起こしを長く同じ条件で続けるのは、収入の面で伸びがありません。伸ばす方向は4つあります。

1つ目は、字幕の専門化です。時間情報の付与、1行の文字数調整、聴覚に配慮した表示のルール。これらを扱えると、単純な文字起こしより単価の高い案件に移れます。外国語の字幕が扱えるなら、さらに範囲が広がります。

2つ目は、動画編集への移行です。字幕を付ける作業は編集ソフトの中で行うことが多く、その過程でカット編集やテロップの作業を覚える人がいます。動画の需要は字幕だけで終わらないので、周辺の工程を引き受けられると依頼が続きます。

3つ目は、専門分野の文字起こしです。医療、法律、金融、技術。用語が分かる人は限られるので、単価が上がります。前職の知識がそのまま武器になる領域です。

4つ目は、書く仕事への移行です。文字起こしを続けると、話の流れを構造として把握する力が付きます。そこから記事の構成、インタビュー記事の執筆へ移る道があります。単価の上げ方の段取りはWebライターが文字単価を上げる方法【2026年版】｜1円→5円のステップに段階ごとに整理されており、文字起こしから書く側へ移るときの目標設定に使えます。

転職を考える場合は、実績の書き方に注意が必要です。文字起こしの案件は秘密保持の対象になることが多く、案件名を出せません。受注のときに「実績として公表できる範囲」を確認しておくと、あとで職務経歴書に書けます。書けない場合でも、扱った音声の総時間、対応した分野、使ったソフト、1時間あたりの処理量といった数値は自分の記録として残せます。数値で語れる人は、面談で強い立場に立てます。

なお、業務委託で受けている間は雇用保険の対象になりません。これは失業給付が受けられないという意味です。会社に雇われる形へ戻る予定があるなら、業務委託で働いた期間は雇用保険の加入期間には数えられない点を踏まえて計画を立ててください。

税金と保険はどう変わるのか

在宅で文字起こしを受けるとき、雇用契約か業務委託かで扱いが変わります。

雇用契約であれば、会社員やパートと同じです。報酬は給与として支払われ、所得税は源泉徴収されます。1週間の所定労働時間などの条件を満たせば雇用保険に入り、仕事中のけがは労災保険の対象です。

業務委託の場合は自分で申告します。厚生労働省が運営する在宅ワークの支援サイト「ホームワーカーズウェブ」は、自宅で成果物を作る働き方を自営型テレワークと呼び、この働き方には労働基準法などの労働保護法令の適用がなく、雇用保険の被保険者にもならず、確定申告を自分で行う義務があることを明記しています。健康保険は国民健康保険に入るか家族の被扶養者になるかを選び、年金は国民年金です。

副業として受ける場合、給与以外の所得が年間20万円を超えると確定申告が必要になります。文字起こしは1件あたりの金額が小さいので、気づかないうちに合計が超えていることがあります。入金の記録は月ごとにまとめて残してください。

経費になりやすいのは、イヤホンやヘッドホン、再生用のソフトの利用料、通信費の按分、辞書や資料の購入費、自宅の一部を作業場所にしている場合の電気代の按分です。按分の割合は実際の使用状況で決めます。どの割合が妥当かは事情で変わるので、迷う場合は税務署の相談窓口か税理士に確認してください。

労災については知っておくと得をする変更があります。労災保険には、雇われていない人でも任意で入れる特別加入というしくみがあり、令和6年11月1日から、特定受託事業者として働くフリーランスが新たにこの対象になりました。

令和６年11月１日から「フリーランス」が労災保険の「特別加入」の対象となりました 出典: mhlw.go.jp

在宅の作業そのものでけがをする場面は多くありませんが、打ち合わせのための移動中や機材の運搬中の事故は起こります。保険料は自分で払い、給付の基礎になる日額は選ぶ形です。加入団体や保険料は年度で変わるので、検討する場合は労働局か特別加入団体の最新の案内を確かめてください。

20年在宅の受発注を見てきた立場からの観察

運営者として在宅ワークの受発注を長く見てきた立場から、1つ書いておきたいことがあります。

文字起こしで単価が上がる人は、打つのが速い人ではありません。納品物に手を加える必要がない人です。具体的には、依頼者が受け取ったファイルをそのまま次の工程へ渡せる状態にしてある人。ファイル名が統一されていて、聞き取れなかった箇所がタイムコード付きで一覧になっていて、表記ルールに例外があれば申し送りが添えられている。この状態で届くと、依頼者側の確認が数分で終わります。

逆に、文字は正確でもファイル形式がばらばら、不明な箇所が本文の中に埋もれている、といった納品は、受け取った側が整える作業を負います。単価を上げる交渉が通らない理由はここにあることが多い。作業の質は文字の正確さだけで決まっていません。

もう1つ、報酬の構造について。仲介の手数料が引かれない形で直接やりとりできると、依頼者は同じ予算でより多く頼めて、受ける側は同じ仕事でも手取りが厚くなります。金額の大小ではなく、手取りの質の話です。長く続いている人は、受けた金額ではなく手元に残った金額で判断しています。件数を追って疲れると精度が落ち、精度が落ちると継続発注が切れる。この循環を避けるために、手取りで見る習慣が効きます。

編集部に届く相談で多いのは、「低単価だと分かっているが、実績がないので受けるしかない」というものです。これに対する答えは、受ける件数の上限を先に決めることです。実績づくりのための低単価案件は3件までと決めて、4件目からは自分の作業速度の実測値を根拠に単価を交渉する。上限を決めていないと、同じ条件のまま1年が過ぎます。始める前に出口を決めておくのが、消耗しないための設計です。

よくある質問

Q. YouTubeの文字起こしは未経験でも受けられますか？

受けられます。資格も初期費用もほぼ不要で、パソコンとイヤホンがあれば応募できます。ただし単価の幅が広いので、応募前に自分の作業速度を測って時間単価に直してください。音声1分あたり何分かかるかという係数が分かれば、どの表示形式の単価でも比較できます。

Q. 自動字幕があるのに、人が文字起こしをする意味はありますか？

あります。音声認識は固有名詞を一般的な語に置き換えることがあり、複数の話者が重なる部分は区別できません。言い直しや意味のない繰り返しをどこまで残すかという判断も機械には決められません。最終的な品質を人が担保する前提で工程が組まれています。

Q. 単価が安い案件を見分ける方法はありますか？

音声の長さと報酬額の両方を確認し、時間単価に直してください。15分から30分の音声を1件100円という条件なら、作業に100分かかれば時間単価は60円です。サンプル音声を聞かせてもらえるなら必ず聞き、雑音や複数話者の有無を確かめてから判断してください。

Q. 業務委託で受けるとき、契約で確かめる項目は何ですか？

フリーランス法が定める8項目のうち、業務の内容、納品の期日、検査を完了する期日、報酬の額と支払期日は必ず文書かメールで受け取ってください。支払期日は納品を受けた日から起算して60日以内と定められています。修正の回数と範囲も併せて確認しておくと、納品後の作業時間が読めます。