音声文字起こし、ブラウザ内で音声をテキストに

音声の品質に大きく左右されます。マイクの近くで録音され、背景ノイズが少ない、単独話者による明瞭な英語であれば、かなり良好に文字起こしできます。訛り、複数人の同時発話、背景音楽やノイズ、専門用語(固有名詞、業界用語、略語)は、いずれも誤りを増やす要因になります。これはブラウザのタブ内で動作させるために選ばれた小型かつ量子化されたモデルであり、最大級のWhisperモデルではありません。そのため、出力結果は最終的な文字起こしとしてではなく、確認・修正すべき有用な下書きとして扱ってください。

いいえ。このツールは英語専用のWhisperバリアントであるwhisper-tiny.enを使用しています。多言語対応のtinyモデルより小型で、かつ英語に対しては精度が高いため選ばれました。それ以外の言語の音声では、精度が低い、あるいは意味の通らない結果になります。現時点で他言語への対応はありません。

音声認識モデルと、それを動かすWebAssemblyエンジン(合計約68MB)は、ページにあらかじめ組み込まれているわけではありません。OCRツールが言語モデルをダウンロードするのと同様に、当サイトから一度だけ取得され、ブラウザにキャッシュされます。この最初のダウンロードの後は、文字起こしは完全にオフラインで動作します。第三者のCDNから何かを取得することはありません。

いいえ。録音データは、Web Audio APIとローカルのWhisperモデルを使い、すべてブラウザのタブ内でデコード・処理されます。音声ファイルも、文字起こし結果のテキストも、サーバーに送信されることはありません。モデルのダウンロードが終わった後であれば、ネットワークを切断しても文字起こしは動作します。

すべてサーバーではなく端末上のCPUで処理されるため、所要時間は端末の性能と録音の長さによって変わります。1分未満の短いクリップであれば、通常は数秒から1分弱で完了します。1時間のインタビューのような長い録音は、それに比例して時間がかかり、その間ブラウザのタブが使用中になります。処理中はタブを開いたまま、他のページに移動しないでください。

.txtファイルはタイムスタンプのないプレーンな文字起こしテキストで、読んだり他の場所に貼り付けたりするのに向いています。.srtファイルは各発話区間にタイムスタンプの範囲を付けた標準的な字幕形式で、動画に字幕を追加するのに向いています。どちらも同じ文字起こし結果から生成されるので、次にやりたいことに合わせて選んでください。