音声をテキストと字幕に
Whisperを使って音声や動画を編集可能なテキストとタイムスタンプ付き字幕に変換。ブラウザ内で完結し、ファイルがデバイスから出ることはありません。
元のファイル
初回利用時にブラウザがWhisper Tinyモデルをダウンロードします(CPUモードで約41MB)。音声はこのデバイス内に留まります。
文字起こし結果
ファイルと結果はこのページ内だけに留まります。削除するにはファイルをクリアするかページを閉じてください。Whisper TinyモデルはHugging Faceから一度だけダウンロードされ、ブラウザにキャッシュされます。
「音声をテキストと字幕に」の使い方
- 音声または動画ファイルをページにドロップするか、「ファイルを選択」をクリックします。
- 話し言葉を選び(自動検出のままでも可)、処理モードを選んで「字幕を生成」をクリックします。
- タイムスタンプをクリックして音声と照らし合わせながらテキストを編集し、コピーするかSRT・VTT・TXTで書き出します。
このツールについて
「音声をテキストと字幕に」は、オープンソースの小規模音声認識モデルWhisper Tinyを、Transformers.jsとONNX Runtime Webを使ってブラウザ内で完全に実行します。初回利用時にブラウザがモデル(CPUモードで約41MB)をHugging Faceからダウンロードしてキャッシュし、その後はお使いのデバイス上で文字起こしが行われます。音声・動画ファイルがアップロードされることはなく、文字起こし内容が外部に送信されることもありません。
よくある質問
ファイルはどこかにアップロードされますか?
いいえ。文字起こしはブラウザ内で完全に行われ、音声・動画ファイルがデバイスから出ることはありません。唯一のダウンロードはWhisper Tinyモデルそのものです。初回利用時にブラウザがHugging Faceから取得し(CPUモードで約41MB)、キャッシュします。Hugging Faceに接続できない場合、初回の文字起こしは失敗しますが、ファイルがデバイスから出ることはありません。
対応ファイルと制限を教えてください。
MP3、WAV、M4A、FLAC、OGGの音声ファイルと、音声トラック付きのMP4・WebM動画に対応しています。1ファイルは最大250MB・20分までです。ブラウザが音声トラックをデコードできない場合は、先にWAVまたはMP3に変換してからお試しください。
対応している話し言葉を教えてください。
自動検出のほか、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・ポルトガル語に対応しています。録音で聞こえる言語を選んでください。間違えると、文字起こしが別の言語で出てしまうことがあります。
WebGPUモードとCPUモードの違いは何ですか?
自動モードではまずWebGPUを試し、起動できないか失敗した場合はCPUに切り替わります。WebGPUはフル精度(fp16またはfp32)のモデルを使い、CPUモードはより小さい量子化モデル(約41MB)を使います。ブラウザやデバイスにWebGPUがない場合(サンドボックス環境や古いハードウェアなど)でも、CPUモードなら動作します。ただし遅くなります。
精度はどの程度で、何を書き出せますか?
Whisper Tinyは小型で高速なモデルです。日常の会話はおおむね良好に認識されますが、人名・数字・珍しい単語を聞き間違えることがあるため、公開前に校正してください。タイムスタンプをクリックすると音声のその位置にジャンプし、各行をその場で編集できます。テキストのコピーやSRT・VTT・TXTでの書き出しが可能です。