音声を文字起こしする

ファイル（MP3、WAV、M4A、MP4、MOVなど）をドロップし、話されている言語とモデルを選んで「文字起こし」を押します。右側に文字が表示されるので、コピーするか、TXT・SRT・VTTでダウンロードしましょう。

されません。OpenAIの音声認識モデル「Whisper」がブラウザの中（Transformers.js）で動きます。音声が端末の外に出ることはなく、ダウンロードされるのはモデル本体だけ、それも1回きりです。

「高速」（Whisper base、77MB）は、はっきりした話し声に向いていて、どの端末でも動きます。「高精度」（Whisper small）は、なまり、背景の雑音、複数の話者にずっと強いモデルです。サイズが大きく処理も遅めですが、使える場合はグラフィックボードを使います。

「高速」モードなら、最近のパソコンで音声の長さのおよそ4分の1です（1時間の音声で15分）。「高精度」モードは、グラフィックボードがない場合はその2〜4倍かかります。ハンドルで一部分だけを文字起こしすれば、そのぶん速く終わります。

日本語、英語、フランス語、スペイン語、ドイツ語、イタリア語、ポルトガル語、オランダ語、アラビア語、トルコ語、ポーランド語、ロシア語、ウクライナ語、中国語、韓国語、ヒンディー語、スウェーデン語です。文字起こしの前に、話されている言語を選んでください。

作れます。SRTかVTTのファイルをダウンロードしましょう。字幕は話に合わせてタイミングが付き、最大2行の読みやすい長さに分けられます。翻訳したい場合は、ワンクリックで字幕翻訳ツールにSRTを送れます。

はっきり録音されていれば、Whisperは句読点も含めてとても正確です。音楽、大きな雑音、話者どうしの声の重なり、とても専門的な用語は間違いの原因になるので、公開する前に読み直しましょう。

ファイルは100MBまでです（MP3なら数時間、4K動画なら約10分）。長いファイルも使えますが、文字起こしはお使いの端末で行われるので、タブは開いたままにしておいてください。