リアルタイム文字起こし

このツールでできること

リアルタイム文字起こしは、話している間に声をテキストに変えます。「開始」を押してマイクに話しかけ、少し間を置くと、その文が文字起こし欄に表示されます。音声入力やディクテーションと同じ感覚ですが、音声認識はすべてブラウザーの中で動きます。アカウントもサーバーも不要で、音声がパソコンの外に出ることはありません。

認識モデルは Useful Sensors が公開しているオープンな音声認識モデル Moonshine です。端末上でのリアルタイム文字起こしを想定して作られており、短いフレーズを素早く処理できるので、一文ずつ文字起こしする用途に向いています。このツールは Transformers.js と ONNX Runtime Web で動かし、ブラウザーが WebGPU に対応していれば GPU、そうでなければ WebAssembly を使います。

このツールは英語専用です。

使い方

1. モデルを選びます。Base は精度が高く、Tiny は小さくて遅いパソコンでも速く動きます。
2. 「モデルをダウンロードして開始」を押します。モデルのダウンロードは一度だけです（Base は約 120 MB、Tiny は約 50 MB）。続いてブラウザーがマイクの使用許可を求めるので、許可してください。
3. 普段どおりに話します。レベルメーターが入力音量を表し、声を検出している間は緑色になります。間を置くとそのフレーズがモデルに送られ、新しい行として表示されます。
4. 「停止」でマイクを解放します。もう一度「開始」を押すと続きから再開し、タイムスタンプも止めたところから数えます。
5. 「コピー」や「.txt をダウンロード」で結果を保存し、「クリア」でやり直せます。「並び順」を「新しい順（最新が上）」にすると最新の行が常に一番上に表示され、コピーとダウンロードも同じ順になります。

例

タイムスタンプをオンにすると、短い英語のメモは次のようになります。

[00:00] Let's start with the quarterly numbers.
[00:04] Revenue is up twelve percent compared to last year.
[00:09] Next, I want to talk about hiring.

タイムスタンプをオフにすると、メールや文書、メモアプリにそのまま貼れるプレーンな行になります。

検出の調整

シンプルな音声区間検出がマイクの音量を見て、文の始まりと終わりを判断します。次の 3 つの設定で調整できます。

• 音声のしきい値は、どれくらいの音量から声とみなすかを決めます。周囲の雑音でメーターが緑のままなら騒がしい側を、小さな声が拾われないなら敏感な側を選びます。
• 行を区切る無音は、文字起こしを始めるまでに必要な無音の長さです。短いほど結果が早く出て、長いほど文がまとまります。
• 1 行の最大長は、長く話し続けたときに途中で区切り、間を置かなくても文字起こしが進むようにします。

これらの設定は次に「開始」を押したときに反映されます。モデルとタイムスタンプの設定はページのアドレスに保存されるので、ブックマークや共有ができます。文字起こし結果そのものがリンクに入ることはありません。

モデル・ライセンス・制限

このツールは英語版 Moonshine モデルを ONNX に変換した onnx-community/moonshine-base-ONNX または onnx-community/moonshine-tiny-ONNX を使い、これらは MIT ライセンスです。Transformers.js は Apache-2.0 ライセンスです。マイクの近くで 1 人がはっきり話すと最も正確になります。人名や珍しい単語、強いなまりは聞き間違えることがあり、句読点はモデルの推測です。録音済みの音声ファイルには音声テキスト変換ツールを使ってください。