ファイルツール

音声・動画をテキストに変換

ファイルを選ぶと端末上でテキスト化します。初回は約43 MBのモデルをダウンロードします。長い録音にはPCをおすすめします。

ブラウザ内で動作。アップロード不要。

ブラウザ内で動作。アップロード不要。

長時間または高解像度のファイルには、パソコンがおすすめです。このタブを開いたままにしてください。速度、メモリ、バッテリーの使用量は端末によって異なります。

初回はモデルとローカル処理エンジンを合わせて約58 MBダウンロードします。録音はアップロードされません。キャッシュを消去すると再ダウンロードが必要になる場合があります。

ブラウザ内で動作。アップロード不要。

このツールについて

音声・動画をテキストに変換をもっと手軽に。

多言語対応のWhisper Tinyをブラウザー内で実行します。初回はHugging Faceから約43 MBのオープンモデルファイルを取得しますが、録音データはHugging FaceにもUsefulVerseにも送信されません。ブラウザーがモデルをキャッシュする場合がありますが、消去されることもあります。名前や数字などを確認してください。サーバーの固定サイズ・時間制限はありませんが、メモリ、コーデック、ブラウザー、バッテリー、端末速度が実用上の制限になります。

ガイド

音声・動画をテキストに変換の使い方

このページは、音声または動画ファイルの話し言葉をプレーンテキストにします。録音を選び、話されている言語を選ぶか、自動検出のままにして、「文字起こし」を押します。Whisper Tinyという小さな音声認識モデルが端末上で動くため、録音はサーバーに送られません。初回の実行ではモデルをダウンロードする必要があります。会議のメモ、講義、ボイスメモに向いています。返すのはテキストのみで、タイムスタンプや話者名はなく、名前や数字を聞き間違えることがあります。

手順

  1. 「音声または動画ファイルを選択」を押して、録音を選びます。ファイル選択ダイアログには、MP3、M4A、WAV、OGG、MP4、MOV、WebMなどの種類が表示されます。
  2. 16のリストから話されている言語を選ぶか、よくわからない場合は「自動検出」のままにします。
  3. 「文字起こし」を押して、タブを開いたままにします。初回は先に音声モデルがダウンロードされ(ページには、ローカルエンジンを含めて約58 MBと表示されます)、進行バーがどこまで進んだかを示します。
  4. 音声が30秒ごとに処理されるたびに、テキストが「結果」のボックスに表示されます。途中で止めるには「キャンセル」を押します。
  5. 「結果をコピー」を押すか、録音の名前が付いた .txt ファイルとして保存するには「ダウンロード」を押し、頼りにする前にテキストを最後まで読んでください。

計算例

75秒のボイスメモ

入力
ファイル
memo.mp3, 75秒, 英語の音声
言語
英語
結果
結果ボックス
最大3行のテキスト

音声は30秒ごとのスライスに切られ、ここでは30 + 30 + 15です。テキストを返した各スライスは、1行として追加されます。これはコードから読み取ったもので、実際の録音では実行していません。

このツールでは計算していません。参考例としてご覧ください。

ダウンロードするテキストファイルの名前

入力
ファイル
チーム会議 (最終).mov
操作
ダウンロード
結果
ダウンロード
チーム会議-最終-transcript.txt

ファイルの拡張子は取り除かれ、文字、数字、ドット、アンダースコア、ハイフン以外の連続した文字は1つのハイフンになり、-transcript.txt が追加されます。アクセント付きの文字は残るため、Reunión 3 de marzo.m4a は Reunión-3-de-marzo-transcript.txt になります。名前付けの手順は単独で実行しました。

このツールでは計算していません。参考例としてご覧ください。

音声トラックのない動画

入力
ファイル
音声なしのscreen-capture.mp4
言語
自動検出
結果
ステータス
ファイルまたはブラウザーで、ローカルでの文字起こしを実行できませんでした。ほかの対応形式か、デスクトップ版のブラウザーをお試しください。

リーダーは音声トラックを探し、なければ失敗します。その後、ページはあらゆる種類の失敗に対して1つの一般的なメッセージを表示します。実際のファイルでは実行していません。

このツールでは計算していません。参考例としてご覧ください。

音声が入っていない録音

入力
ファイル
piano.wav
言語
自動検出
結果
ステータス
音声が検出されませんでした。よりクリアな音声を試すか、言語を選んでください。

どのスライスもテキストを返さないとき、ページはこの行を表示します。小さなモデルでは、音楽やノイズから意味のない単語が出ることもあるため、空の結果や満杯の結果を信頼せず、ボックスの内容を読んでください。実際のファイルでは実行していません。

このツールでは計算していません。参考例としてご覧ください。

役立つ場面

  • 録音した講義を、検索できるメモにする。
  • 許可を得て録音した会議や電話の要点を書き起こす。
  • 編集する前に、音声のボイスメモから大まかな下書きを作る。
  • 短い動画クリップから話されている言葉を取り出し、字幕や要約に使います。
  • インタビューで何が語られたかを、引用する前に確認する。

知っておきたい制限

  • ツールは固定のファイルサイズや長さを設けません。メモリ、バッテリー、ブラウザがデコードできる音声コーデックに応じて、端末が何を処理できるか決まります。
  • モデルはWhisper Tinyをコンパクトな8ビット形式にしたもので、最高の精度よりも小ささを重視して作られています。名前、数字、句読点には誤りが出ると考えてください。
  • 結果はプレーンテキストです。タイムスタンプ、話者ラベル、翻訳はなく、「結果」欄は読み取り専用なので、編集するにはテキストを別の場所にコピーしてください。
  • 音声は30秒ごとのスライスで処理され、各スライスが1行になります。そのため、スライスの境界をまたぐ文は2行に分かれることがあります。
  • 初回は、モデルとエンジンをダウンロードするためにインターネット接続が必要で、キャッシュが消去されるとブラウザーが再度ダウンロードすることがあります。

ヒント

  • 言語が分かっている場合は、自分で選んでください。自動検出では30秒ごとのスライスがそれぞれ別に判定されるため、ファイルの途中で推測が変わることがあります。
  • クリアな録音を使い、マイクを話者の近くに置いてください。背景ノイズは、単語が間違う一般的な原因です。
  • 録音を引用したり共有したりする前に、名前、日付、数値をすべて録音と照らし合わせて確認してください。
  • 長いファイルの場合は、ノートパソコンかデスクトップを使い、電源に接続して、タブを前面に出したままにしてください。処理はお使いのプロセッサで実行されるためです。

参考資料

よくある質問

音声・動画をテキストに変換について

録音をテキストに変換するにはどうすればよいですか?

音声ファイルか動画ファイルを選び、話されている言語を選んで「文字起こし」を押します。モデルの読み込みを待つと、「結果」欄にスライスごとにテキストが入っていきます。終了したら、テキストをコピーするか、ファイルとしてダウンロードしてください。

録音はアップロードされますか?

いいえ。音声はブラウザー内でデコードされ、認識されます。インターネットから取得されるのは、初回使用時に公開モデルホストから読み込まれるモデルファイルだけです。録音そのものが、そのホストやUsefulVerseに送信されることはないとページに明記されています。

文字起こしはどのくらい正確ですか?

精度の数値は示されておらず、このページでは測定もしていません。モデルは意図的に小さくしてあるため、特にノイズや強い訛りがあると、名前、数字、句読点を聞き間違えることがあります。テキストは最初の下書きとして扱い、音声と照らし合わせてください。

どの言語を文字起こしできますか?

一覧には自動検出のほか、16言語があります。英語、スペイン語、フランス語、ポルトガル語、ドイツ語、日本語、韓国語、インドネシア語、ヒンディー語、アラビア語、中国語、ベンガル語、ロシア語、ウルドゥー語、トルコ語、ベトナム語です。それ以外の言語は選べないため、その結果は信頼できません。

どのくらいの長さのファイルを文字起こしできますか?

ツールは長さやサイズを制限しません。実際には、音声認識エンジンに1つの処理スレッドを使うよう求めるため、長いファイルは時間がかかり、メモリを多く使うことがあります。長いものにはノートパソコンかデスクトップを推奨します。

なぜ最初の文字起こしは開始が遅いのですか?

音声認識モデルは、ほかの何よりも先にダウンロードする必要があります。ページには、モデルファイルが約43 MB、ローカルエンジンと合わせて約58 MBと記載されています。ブラウザが次回以降のために保持することもありますが、キャッシュを消去すると再度ダウンロードが必要になります。

タイムスタンプや話者名は追加されますか?

いいえ。出力はテキストのみで、言葉が返ってきた30秒ごとの区間につき1行です。時刻や話者が必要な場合は、聞きながら手作業で追加するか、そのために作られた別のツールを使ってください。

動画ファイルを使えますか?

はい、ブラウザがデコードできる音声トラックがあれば可能です。ツールは端末上で動画から音声を読み取り、映像は無視します。音声のない動画では一般的なエラーメッセージが表示されます。

音声を英語に翻訳しますか?

いいえ。ワーカーは文字起こし用に設定されているので、話されている言語のまま書き起こします。ページに翻訳のオプションはありません。話者が使う言語を伝えるには、言語リストを使ってください。

音声・動画文字起こしはどのように使いますか?

ファイルを選ぶと端末上でテキスト化します。初回は約43 MBのモデルをダウンロードします。長い録音にはPCをおすすめします。

ファイルやデータはアップロードされますか?

いいえ。多言語対応のWhisper Tinyをブラウザー内で実行します。初回はHugging Faceから約43 MBのオープンモデルファイルを取得しますが、録音データはHugging FaceにもUsefulVerseにも送信されません。ブラウザーがモデルをキャッシュする場合がありますが、消去されることもあります。名前や数字などを確認してください。サーバーの固定サイズ・時間制限はありませんが、メモリ、コーデック、ブラウザー、バッテリー、端末速度が実用上の制限になります。