ツール
文字起こしの結果
使い方
- STEP 1ファイルを入れる会議や取材の録音(MP3・M4A・WAV など)や、動画(MP4 など)をドロップするか、クリックして選びます。2 時間までの長さに対応しています。
- STEP 2モデルを選んで始める「文字起こしを始める」を押します。初回だけ AI のモデルを読み込むので、数分かかります。2 回目からはブラウザに残したモデルを使います。
- STEP 3コピーか保存する終わった区切りから順に結果が出ます。コピーするか、TXT・字幕の SRT・VTT で保存します(字幕向けの長さにそろえて直すときは字幕ファイル作成)。途中で止めたりページを閉じたりしても、結果をブラウザに残せていれば、同じファイルを入れると続きから始められます。
決まりと注意
- 音声認識は OpenAI の Whisper(新しいタブで開く) を、Transformers.js(新しいタブで開く)(Hugging Face、Apache License 2.0。ライセンスの写し(新しいタブで開く))と ONNX Runtime Web(Microsoft、MIT License。ライセンスの写し(新しいタブで開く)。中に入っているものは組み込まれたライブラリのライセンスの写し(新しいタブで開く))でブラウザの中で動かします。言語は日本語に決めています。
- モデルは 2 つから選べます。精度を優先するときは whisper-large-v3-turbo(新しいタブで開く)(MIT License。4 ビットに縮めた版で約 560MB、GPU が 16 ビットの小数を扱えないときは約 760MB)を WebGPU で、軽さを優先するときは whisper-small(新しいタブで開く)(Apache License 2.0。8 ビットに縮めた版で約 250MB)を CPU(WebAssembly)で動かします。
- モデルは初回に Hugging Face から読み込み、ブラウザに残します。消すときは、ブラウザの設定でこのサイト(c2nprds.com)のデータを消してください。
- 長さは 2 時間まで、ファイルの大きさは 2GB までです。ファイルを丸ごと読んで音声に戻すので、長い音声ほどメモリを使います。スマホやメモリの少ないパソコンでは、長い音声の途中で止まることがあります。短い音声に分け、ほかのタブやアプリを閉じて試してください。
- スマホでは長い音声ほど時間がかかります。画面を消したり、別のアプリやタブに切り替えたりすると止まることがあります。処理中はこのページを開いたままにし、こまめに結果を保存してください。
- かかる時間は端末によって大きく違います。GPU で動かす精度優先のモデルのほうが、CPU で動かす軽さ優先のモデルより速いことが多いです。
- 音声は 30 秒ずつ順に聞き取ります。話し手の区別(話者分け)はしません。句読点は付かないことがあります。
- 音の無いところや音楽のところで、「ご視聴ありがとうございました」など、話していない文が出ることがあります。結果は必ず元の音声と見比べてください。
- 途中の結果は、この端末のブラウザ(IndexedDB)に最後の 1 件だけ残します。ほかのファイルを始めると上書きします。「ブラウザに残した結果を消す」で消せます。
よくある質問
Q.入れたファイルはどこかに送られますか?
A.いいえ。文字起こしはお使いのブラウザの中だけで行い、入れたファイルの中身と文字起こしの結果は送信しません。初回だけ、AI のモデル(数百 MB)を Hugging Face から読み込みます。このとき Hugging Face には、読み込むモデルのファイルの名前と、ブラウザから自動で送られる情報(IP アドレスなど)が届きますが、音声は送りません(プライバシーポリシー)。確かめるときは、ブラウザの開発者ツール(F12)の「ネットワーク」を開いてから文字起こしを始めてください。
Q.どれくらいの長さまで文字起こしできますか?
A.2 時間までです。30 秒ずつ順に聞き取り、終わった区切りから画面に出します。途中で止めたりページを閉じたりしても、結果をブラウザに残せていれば、同じファイルを同じモデルで入れ直すと続きから始められます。
Q.精度を優先するモデルが選べません
A.このモデルは GPU で動かすので、ブラウザと端末の GPU で WebGPU が使える必要があります。ページを開いたときに GPU が使えるか調べ、使えない環境では選べないようにしています。ブラウザの版が新しくても、OS・GPU・設定によって使えないことがあります。使えないときは、軽さを優先するモデルを選んでください。
Q.動画の字幕にできますか?
A.できます。SRT か VTT で保存すると、区切りごとの時刻が入った字幕のファイルになります。YouTube や動画の編集ソフトで読み込めます。区切りは字幕向けの長さにそろえていないので、1 行の字数や表示時間をそろえて動画に重ねて直すときは、字幕ファイル作成を使ってください。