音声を文字起こし
録音、ボイスメモ、動画をドロップするだけで、話されている言語のテキストが得られます。音声認識はお使いのデバイス上で行われます。
このデバイス内で封印済み
ブラウザ内で動作します。何もアップロードされません。
封印済み
録音ファイル
使い方
-
録音を追加
音声または動画ファイルをドロップするか、選択します。ファイルはデバイス上で読み込まれ、アップロードされることはありません。
-
言語を選ぶ
「自動検出」のままにするか話されている言語を選び、開始します。初回のみ、音声認識モデルがダウンロードされます。
-
コピーまたはダウンロード
テキストは書き起こされたそばから表示されます。必要に応じて修正し、コピーするか.txtファイルとして保存します。
よくある質問
録音はサーバーにアップロードされますか？
いいえ。ファイルのデコードと文字起こしは、お使いのデバイス上のブラウザ内で行われます。ダウンロードされるのは当サイトの音声認識モデルだけで、次回のためにブラウザに保存されます。音声もそのテキストも、どこにも送信されません。
文字起こしの精度はどのくらいですか？
はっきりした話し声ならよい結果が得られますが、完璧ではありません。雑音、音楽、強いなまり、重なった声、固有名詞や専門用語は誤りの原因になります。使う前にテキストを読み、その場で修正してください。話者の区別はできません。
どの言語を文字起こしできますか？
日本語、英語、中国語、韓国語、スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語、オランダ語、ポーランド語、ロシア語、ウクライナ語、トルコ語、アラビア語、ヒンディー語、インドネシア語、ベトナム語、タイ語など、50以上の言語に対応しています。話者の多い言語ほど精度が高くなります。自動検出では最初の30秒を聞き取ります。
どのくらい時間がかかりますか？
お使いのデバイスと録音の長さによります。音声認識はプロセッサーで処理されるため、最近のパソコンは古いスマートフォンよりはるかに高速です。初回は、同意いただいたうえでのモデルのダウンロード時間も加わります。いつでもキャンセルでき、それまでに書き起こした部分は残ります。
どのファイルに対応していますか？
MP3、WAV、M4A、AAC、OGG、Opus、FLAC、MP4、WebM、MOVなど、ほとんどの音声・動画ファイルに対応しています。ブラウザ自体で読み込めないファイルは、内蔵の変換機能で読み込みを試みます。開けるファイルは最大2 GBで、非常に長い録音には多くのメモリが必要です。
どんなオープンソースのコンポーネントを使っていますか？
音声認識には、OpenAIがMITライセンスで公開しているWhisper（baseモデル）を、ONNX CommunityによるONNX版で使っています。実行にはHugging FaceのTransformers.js（Apache-2.0ライセンス）とMicrosoftのONNX Runtime Web（MITライセンス）を使用しています。ブラウザ自体でデコードできないファイルは、WebAssemblyにコンパイルされたFFmpeg（ffmpeg.wasm、コア部分はGPLライセンス）で変換します。