スピーチからPDFへ

このページで音声をPDFに変換する仕組み

ブラウザはマイクの音声をOpus音声（Chrome、Firefox、Edge）またはAAC（Safari）として録音し、メモリ内に保持します。確認すると、ファイルはHTTPS経由で当社の文字起こしサーバーのいずれかにアップロードされます。

そこでffmpegが音声をデコードし、オープンソースの音声認識モデルであるWhisperが、句読点や文の区切りを含めて一度にテキストへ変換します。話者検出が有効な場合は、まず話者分離モデルが音声を話者ごとに分割し、それに応じて文字起こしに注釈が追加されます。

文字起こしはまずテキストとして作成され、その後LibreOfficeでPDFとしてレイアウトされます。スキャン画像ではなく、テキストを選択できるシンプルで印刷可能な文書です。結果ページからダウンロードでき、音声と文字起こしはその後自動的に削除されます。

どの設定よりも重要な録音のコツ

音声認識の精度は、音声品質に大きく左右されます。特に重要なのは、マイクとの距離、ノイズ、話者の重なりの3点です。マイクは口から10～20 cmの距離に保ってください。テーブル越しのノートパソコンより、口元に近づけたスマートフォンの方が適しています。扇風機や換気扇を止め、窓を閉め、強い反響のある部屋は避けてください。

通常の速度で話し、文を最後まで話してください。モデルは文脈を利用するため、途中で終わる文やつなぎ言葉が多いと、少しゆっくりでも完全な文で話す場合より文字起こしの精度が下がります。インタビューでは、参加者同士が同時に話さないように依頼してください。発話の重なりは、どの音声認識システムにとっても最も難しいケースです。

開始前にプレビューを確認してください。レベルメーターがほとんど動かない、または常に最大になっている場合は、文字起こしが正しく行われることを期待するよりも、録音し直してください。

音声をPDFに変換する主な用途

このツールは、キーボード入力よりも話したほうが早く考えをまとめられる教師、ポッドキャスター、ジャーナリストなどに利用されています。話しながらメールや記事の下書きを作成する、会議の議事録を記録する、講義やボイスメモを検索可能なノートに変換する、研究用にインタビューの回答を書き起こす、今すぐ再生できない音声メッセージを読みやすいテキストにする、といった用途に便利です。

Whisperは言語を自動検出するため、設定なしでドイツ語のディクテーション、スペイン語のボイスメモ、英語の講義などに同じページを使用できます。文字起こしは翻訳されず、話された言語のままテキスト化されます。

ポッドキャスト、講義、通話など、すでにファイルとして存在する音声には、このサイトの音声からテキストへの変換ツールとMP3からテキストへの変換ツールで、同じエンジンと同じオプションをご利用いただけます。

このツールでできないこと

翻訳は行いません。文字起こしは音声で話されている言語で作成されます。字幕のタイミングは生成されません。SRTまたはVTTファイルが必要な場合は、このサイトの字幕変換ツールをご利用ください。話者検出が有効な場合でも、話者名を特定するのではなく、話者の切り替わりのみを検出します。また、録音で聞き取れない単語を復元することはできません。

固有名詞、製品名、あまり一般的でない略語は最も頻繁に発生する誤りです。これらを意識して結果をざっと確認すれば、音質の良い録音では通常それだけで十分です。