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。
ファイルツール
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。
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
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
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。
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。
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。
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。
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。
よくある質問
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。