話し言葉を文章化するという行為は古代ローマ以前にまでさかのぼることができます。 速記の記録はローマ時代以前の大理石の破片などからも見つかっていますが、歴史上に明確に残っている文字起こしの有名な事例としては、紀元前63年の「カティリナ弾劾」演説です。カエサルと同時代に活躍した政治家のキケロが、政敵カティリナのクーデター計画を察知し、それを弾劾する演説を議会でおこなっており、解放奴隷のティロの手によりその内容が記録されています。「Quo usque tandem abutere, Catilina, Patientia（カティリナよ、おまえは我々の忍耐をいかに長いこと浪費したことか）」の出だしは「QPN」という３文字に略されたとされています。この名演説の詳細は現代まで残されており、インターネット上でも閲覧することができます。

日本で東京・大阪間で長距離電話が開通したときには、電話速記という新たな職が生まれました。特に速報性を求められるニュースは当初は電報で送りあっていたのですが、電話で直接聞き取りながら速記で記録すると効率が良いことに気づき、電送写真やFAXの原型であるテレタイプなどが出現するまでの短い期間でしたが、新聞や通信社に速記者が大勢雇われることになります。他に1925年に始まったラジオ放送も、これも録音機が実用化されるまでのわずか数年の間ですが速記者が記録を残していました。
このような新しい技術開発によって文字起こしは新しい展開を迎えることになります。

1877年にエジソンが発明したレコードにより、ついに音を直接保存することが可能になります。当初のレコードは録音も容易な蝋管方式で、アメリカ議会でも議事録記録用に試験的に試されたりもしていたようです。しかし録音時間や回数上限も少なかったため、本格的に活用されるようになるのは機材がより発展した1920年代からです。タイプライターと組み合わせた口述筆記の事務用の録音機が販売され、国会や裁判だけでなく、ビジネス用途にも活用されるようになりました。
録音機と併用することで、訓練を受けた専門の速記者でなくとも、正確な文字起こしができるようになっていきます。

音声を文字化することを本記では「文字起こし」と表現していますが、歴史を振り返ってみると、「テープ起こし」や「音声反訳」などの表現のほうが一般的でした。
「テープ起こし」とはその名の通り、テープに録音した音声をもとに文字化することを指します。職業や業務として一般化しはじめた時代ではまだテープが主流だったためこの呼称が広まりましたが、現代はICレコーダーやビデオカメラなどを利用したデジタル録音・録画データからの文字化が主流になっており、現状にはそぐわない表現になっています。

録音・再生技術の発展と、文書の作成ソフトや印刷技術の進化により、国会や裁判所での手書きによる速記も徐々に縮小されていっています。かつては速記者が取り合いになっていた時代もあったため、日本では伝統的に国会や裁判所において速記者を内部で養成する機関をもっていました。しかし、現在では速記者の養成、新規採用ともに完全に廃止されています。
ただし文字にして記録を残すという業務そのものが不要になったわけではなく、あくまでも音声をその場で文字化しておくという必然性がなくなっただけで、文字起こしとしての要望は現代でも多種多様にあります。

生放送番組における字幕(テロップ)についても、AI対応が進んでいます。
特に災害時の緊急放送などは字幕化の要望が非常に高いもので、従来は複数人がリレー方式でリアルタイム入力を繋げていく方法や、台本を活用して事前にできるだけ準備をするなど人手を多数使うものが主流でした。自動音声認識のシステムが使われる場合でも、音だけ別取りする必要があることもあれば、コンピューターに認識されやすいアナウンサーの発声部分だけ自動化するなど部分的な活用まででした。
番組音声をそのまま使っての自動文字起こしが実用されだしたのは2018年頃からになります。まだ実験的なところもありますが、インターネット放送やCS放送などのニュース番組では自動音声認識システムを使った字幕放送がすでに行われています。

また録音は静かな場所で行いましょう。夏場に窓を開けたで部屋で説明会を行ったところ、外の蝉の音を録音機器が拾いすぎて、後から録音を確認しても発言内容が殆ど聞き取れなかった、しかし出席中には蝉の声は殆ど気にならなかったというようなことがありました。これは聴覚が備える「カクテルパーティー効果」と呼ばれる現象が原因です。簡単にまとめると、集中していればある程度の雑音は気にならなくなるという現象のことで、雑音だらけのパーティー会場でもなぜか特定の人との会話は聞き取れてしまうということが名称のきっかけになっています。