音声文字起こし
無料

このページ上部のボックスに音声ファイルをドロップし、話されている言語を選択（または自動検出のままに）して、「文字起こしする」をクリックします。音声認識モデルが音声を読み取り、コピーしたり .txt、.srt、.vtt としてダウンロードしたりできる文字起こし結果を生成します。アカウント登録もインストールも不要です。

はい、完全に無料で無制限です。アカウントもクレジット制も透かしもなく、文字起こしできるファイル数や時間にも上限はありません。文字起こしはあなた自身のコンピューター上で動くため、利用者に転嫁すべきサーバー費用が発生しないのです。

いいえ。ここが多くのオンライン音声テキスト変換ツールとの最大の違いです。ファイルはページが直接読み込み、ブラウザタブ内で動くモデルが処理します。音声がネットワークを通ることはないため、こちらが保存できるものも、聞けるものも存在しません。

MP3、WAV、M4A、OGG、WEBM、MP4 に加えて AAC、FLAC にも対応しています。ボイスメモ、ポッドキャスト、レコーダーの出力、ブラウザの録音、動画の音声トラックまでこれでカバーできます。ファイルサイズは 200 MB まで対応しています。

Whisper Tiny は多言語モデルで、英語、中国語、日本語、韓国語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、オランダ語、ロシア語、ポーランド語、ウクライナ語、インドネシア語、ベトナム語、タイ語、マレー語、ヒンディー語、アラビア語、トルコ語、ヘブライ語、ギリシャ語、チェコ語、スウェーデン語、デンマーク語、フィンランド語、ノルウェー語など、数十の言語の発話を認識します。セレクターから選択するか、自動検出に任せてください。

OpenAI の Whisper ファミリーで最小の多言語モデルである Whisper Tiny です。量子化された重みは約 40 MB。WebAssembly 上の ONNX Runtime Web を通じて、すべてブラウザ内で動作します。英語専用の tiny.en ではなく、多言語版のチェックポイントを使用しています。

はい。プレーンテキストに加えて、文字起こし結果をタイムコード付きの .srt や .vtt の字幕ファイルとしてダウンロードでき、そのまま動画の字幕として使えます。タイムスタンプは、モデルが文字起こしを行う際に生成されます。

初回の実行では Whisper モデル（約 40 MB）をダウンロードし、WebAssembly ランタイムをコンパイルします。その後モデルはブラウザにキャッシュされるため、以降のファイルはダウンロードなしで即座に文字起こしされます。

Whisper Tiny は最小のモデルなので、最大限の精度よりも速度とサイズを優先しています。鮮明な単一話者の発話では非常に使いやすいですが、雑音の多い音声、強い訛り、声の重なりでは、何語か修正する必要があると考えてください。自動検出ではなく実際の話されている言語を指定すると、通常は結果が向上します。

初回の実行以降は使えます。ブラウザがモデルをキャッシュしてしまえば、それ以上の通信は発生しないため、接続が一切なくても音声からテキストへの変換を続けられます。