音声文字起こし

このツールについて

この音声文字起こしツールは、音声・動画ファイルをテキストの書き起こしや SRT・VTT 字幕に変換します。何もアップロードしません。OpenAI の音声認識モデル Whisper をブラウザ内で直接動かすので、インタビュー、会議、講義、ボイスメモ、ポッドキャストを無料かつプライベートに文字起こしできます。Whisper は他の言語の音声を英語のテキストに直接翻訳することもできます。

ファイルを選ぶと、ブラウザの Web Audio API で音声トラックをデコードし、Whisper が必要とする 16 kHz モノラルにリサンプリングしてから、バックグラウンドの Worker で 30 秒ずつ（前後を少し重ねて）文字起こしします。そのため長い録音も扱えます。結果は出力欄に表示され、コピーしたり .txt、.srt、.vtt でダウンロードしたりできます。

使い方

1. モデルを選びます。Tiny は最速、Small は最も正確で、Base（既定）はその中間です。
2. モデルをダウンロードして開始を押します。初回は進捗バー付きでダウンロードされ、2 回目以降はブラウザのキャッシュからすぐに読み込まれます。
3. 音声・動画ファイルをページにドロップするか、ファイルを選択を押します。多くのブラウザで MP3、WAV、M4A、AAC、OGG、Opus、FLAC、WebM、MP4 に対応し、最大 500 MB です。ファイル名、長さ、サイズが表示されます。
4. 文字起こしは自動で始まり、完了した区間数が表示されます。言語やタスクを変えたらもう一度文字起こしを押します。
5. 出力形式はテキスト、SRT、VTT をいつでも切り替えられ、やり直す必要はありません。あとはコピーかダウンロードです。

話されている言語は最初の 30 秒から自動検出します。自分で指定すると速く、短いクリップでも誤検出しにくくなります。英語に翻訳を選ぶと、他の言語の音声から英語のテキストが得られます。モデル、言語、タスク、形式はページのアドレスに保存されるので、共有ボタンで同じ設定のリンクを送れます。ファイルそのものがリンクに含まれることはありません。

例

2 文のクリップを SRT で書き出すと次のようになります。

1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.

2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.

VTT は同じ区間に WEBVTT ヘッダーを付け、ミリ秒の前をピリオドにした形式で、HTML5 の動画プレーヤーが読み込めます。

プライバシー、精度、動作環境

モデルのダウンロード後はすべて端末内で処理されるため、機密性の高い録音にも使えます。WebAssembly に対応した最新の Chrome、Edge、Firefox、Safari が必要です。WebGPU が使える環境（多くのデスクトップ版 Chrome と Edge）では自動的に使われ、大幅に速くなります。使えない場合は WebAssembly で動きます。長いファイルにはメモリが必要で、1 時間の音声はデコード後に数百 MB を使い、Small は Tiny や Base より多くのメモリを使います。スマートフォンでは重いタブを閉じてください。完了するまでタブを開いたままにしてください。

Whisper ははっきりした発話に強く、なまりや背景雑音にもある程度対応しますが、人名や専門用語を聞き間違えることがあり、無音や音楽の部分でフレーズを繰り返したり作り出したりすることもあります。公開前に結果を確認してください。話者の識別はできません。動画ファイルは、ブラウザがその音声コーデックをデコードできる場合のみ文字起こしできます。