音声をテキストに変換

このページで音声をテキストに変換する仕組み

ブラウザはマイク音声をOpusオーディオ（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。

サーバー上で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の処理でテキストに変換します。話者検出が有効な場合は、まずダイアライゼーションモデルが話者ごとに音声を分割し、それに応じて文字起こし結果に注釈が付けられます。

文字起こし結果は、通常の句読点と段落区切りを含むプレーンなUTF 8テキストファイルとして保存されるため、あらゆるエディター、ワープロソフト、メモアプリで開くことができ、どこにでも貼り付けられます。結果ページからダウンロードでき、音声と文字起こし結果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ヒント

音声認識の精度は、音声の品質によって大きく左右されます。特に重要なのは、距離、ノイズ、発話の重なりの3点です。マイクは口から10～20 cmの位置に保ってください。テーブル越しのノートパソコンよりも、口元に近づけたスマートフォンのほうが効果的です。扇風機やファンを止め、窓を閉め、反響の強い部屋は避けてください。

通常の速さで話し、文を最後まで言い切ってください。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結した発話より文字起こしの精度が下がります。インタビューでは、複数の人が同時に話さないようにお願いしてください。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、または常に最大まで振れている場合は、正確に文字起こしされることを期待するよりも、録音し直してください。

音声をテキストに変換する主な用途

このツールは、キーボードで入力するよりも声に出して考えるほうが速い教師、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したり、会議の議事録を記録したり、講義やボイスメモを検索可能なノートに変換したり、研究用にインタビューの回答を書き起こしたり、今は再生できない音声メッセージを読みやすいテキストにしたりできます。

Whisperは言語を自動検出するため、設定を変更しなくても、ドイツ語のディクテーション、スペイン語の音声メモ、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保存されている音声には、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、同じオプションを備えた同じエンジンを使用できます。

このツールではできないこと

翻訳は行いません。文字起こしは話されている言語で作成されます。字幕のタイミング情報は生成されません。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、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、クリアな録音では通常それだけで十分です。