MP3を文字起こし

ブラウザで動く音声認識

このツールは、オープンな音声認識モデルのWhisperを使って、MP3をテキストに変換します。多くのオンライン文字起こしサービスは、音声をサーバーにアップロードします。ここでは、モデルを一度だけブラウザにダウンロードし、その後はお使いのパソコンやスマートフォン上で処理します。録音データが端末の外に出ることはないため、インタビュー、医療や法務のメモ、会議、個人のボイスメッセージなどにも安心です。モデルは初回ダウンロード後にブラウザへ保存されるので、次回からは読み込みが速くなります。

対応言語と精度

Whisperは、英語、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、ロシア語、中国語、日本語、韓国語、トルコ語、ポーランド語など、23言語に対応しています。背景ノイズが少なく、はっきり話している音声ほど精度が高くなります。次のような場合は精度が下がります。

• 複数の人が同時に話している
• BGMや雑音が大きい
• 声が非常に小さい、または話者がマイクから遠い
• めずらしい名前や専門用語が含まれる
• 1つの文の中で複数の言語が混ざっている

自動検出ではなく言語を自分で指定すると、特に短い録音では、より良い結果が得られることが多くなります。

出力形式

処理速度と長時間の録音

文字起こしはパソコンにとって負荷の高い処理です。最近のノートパソコンでも、1時間の録音に数分から、再生時間より長くかかることがあります。処理時間はプロセッサ、モデルのサイズ、ブラウザによって異なります。スマートフォンではさらに時間がかかります。処理中はタブを開いたままにしてください。非常に長いファイルは、音声分割でいくつかに分け、1つずつ文字起こしすることもできます。

より良い文字起こしのコツ

モデルは約30秒ごとの短い区間で音声を聞き取り、開始・終了時刻とともにテキスト化します。句読点や大文字は自動で付きますが、誰が話しているかは判別できないため、インタビューなどでは話者名を自分で付ける必要があります。長い無音や、話し声のない音楽は、省略されるか空欄になります。録音の冒頭が音楽の場合、最初のテキストが想定より遅れて始まることがありますが、正常な動作です。

1. ノイズの多い録音は、文字起こしの前にノイズ除去で整えましょう。
2. 話者の声が小さい場合は、先にノーマライズで音量を上げましょう。
3. 字幕を作る場合は、動画プレーヤーでタイミングを確認してください。1つの字幕が長くて読みにくいときは、テキストエディタで分割できます。SRTとVTTはプレーンテキストのファイルです。
4. 最後に必ず一度は全文を読み返しましょう。モデルが聞き間違えた名前、数字、単語を修正してください。

動画ファイルにも対応しています。MP4をドロップすると音声トラックを文字起こしするので、自作動画の字幕を手早く作れます。