プライバシー優先
アップロードされたファイルは、2時間以内に自動的かつ完全に削除されます。
自動削除
音声をTXTに変換
音声入力、ナレーション、講義メモ、インタビューの回答、簡単なボイスオーバーをブラウザから直接録音するか、録音ファイルをアップロードすると、文字起こし結果をプレーンテキストファイル（.txt、UTF 8）で受け取れます。文字起こしには、オープンソースの音声認識モデルWhisperを自社サーバー上で使用し、約100言語を自動検出します。
-
録音： ブラウザ録音機能で1回あたり最大30分まで録音するか、MP3、WAV、M4A、AAC、OGG、FLAC、WebMをアップロードしてください。
-
文字起こし： Whisperが句読点付きで音声をテキスト化し、必要に応じてインタビューや会議の話者交代を記録します。出力：プレーンテキストファイル（.txt、UTF 8）。
-
プライバシー保護： 確認するまで何もアップロードされません。音声ファイルと文字起こしデータは、処理後に自動的に削除され、遅くとも数時間以内に削除されます。
文字起こし
音声をTXTに変換する仕組み
このページは、ブラウザ内レコーダーとGPU文字起こしバックエンドを組み合わせています。録音にはChrome、Firefox、Edge、Safariに搭載されたMediaRecorderインターフェースを使用し、認識にはOpenAIが公開したオープンソースモデルWhisperを使用します。Whisperは第三者APIではなく、当社独自のハードウェア上で稼働しています。
Converter App 使い方
1
録音またはアップロード
「マイクで録音」を押して一度アクセスを許可し、話してください。タイマーとレベルメーターで音声が入力されていることを確認できます。既存の録音をアップロードすることもできます。どのスマートフォンのボイスメモでも対応しています。
2
確認して開始
ダイアログで録音を確認します。インタビューや会議では「複数の話者を検出」をオンにしてください（誰が話しているかを識別しますが、処理時間が大幅に長くなります）。その後、文字起こしを開始します。
3
文字起こしをダウンロード
モデルの処理中は進行状況が表示されます。数分間の音声であれば、通常は1分未満で完了します。結果ページからプレーンテキストファイル（.txt、UTF 8）をダウンロードできます。
主な機能
Whisperを搭載
Whisperは68万時間の多言語音声データで学習しており、数年前の音声入力エンジンと比べて、アクセント、背景ノイズ、専門用語をはるかに高精度に処理します。言語は自動的に検出されます。
必要に応じて話者を検出
会話の場合、オプションの話者検出により文字起こし内の話者の切り替わりがラベル付けされます。処理時間はおよそ2倍になるため、デフォルトでは無効になっています。
ワークフローに適したTXT出力
文字起こしは、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、どのテキストエディター、ワープロソフト、メモアプリでも開くことができ、どこにでも貼り付けられます。
無料・プライベート დაც
アカウント登録不要、透かしなし、無料トライアル回数の制限なし。確認するまで録音データがデバイスから外部に送信されることはなく、処理後に音声と文字起こしは自動的に削除されます。
体験 & プライバシー
信頼性の高い文字起こしワークフローのために設計されています。
大規模インフラ、データシステム、科学技術計算の分野で10年以上の経験を持つエンジニアによって開発されました。プライバシー、信頼性の高い処理、実用的な使いやすさが重視される、実際の音声ワークフロー向けに設計されています。
ユーザーに信頼されています
速度、信頼性、使いやすさでTrustpilotで5つ星と評価されています。
ユーザーの信頼
学術利用
公開された研究で引用され、インタビューの文字起こしおよび定性データ分析に使用されています。
研究用途
このページで音声をTXTに変換する仕組み
ブラウザはマイク入力を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、どのエディター、ワープロソフト、メモアプリでも開くことができ、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コツ
音声認識の精度は、音声の品質に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、口元に近づけたスマートフォンのほうが適しています。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、途中で切れた文や不要な言葉が多いと、少しゆっくりでも最後まで話した場合より文字起こしの品質が低下します。インタビューでは、話者同士が同時に話さないようにしてください。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聞いてください。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、文字起こしが正しくできることを期待するより、録音し直してください。
音声をTXTに変換する一般的な用途
このツールは、キーボード入力よりも話したほうが速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、あらゆる方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メモに変換したり、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として確認したりできます。
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、同じ変換エンジンと同じオプションを利用できます。
このツールでできないこと
翻訳は行われません。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、話者を名前で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認識です。これらに注意して結果を簡単に確認するだけで、クリアな録音であれば通常は十分な編集になります。
FAQ
よくある質問
文字起こしの精度はどの程度ですか？
録音が明瞭で話者が1人の場合、Whisperは句読点を含め、主要な言語で通常90 %を大きく上回る精度で文字起こしできます。強い背景ノイズ、複数人の同時発話、音量が非常に小さい音声、または強い方言がある場合は精度が低下します。このような場合は、どの設定よりも以下の録音のヒントが役立ちます。
対応している言語は？
Whisperは約100言語を認識し、音声の最初の数秒から言語を自動的に判別するため、設定は不要です。複数の言語が混在する録音は、主に使用されている言語で文字起こしされます。文字起こしは話された言語で作成され、翻訳はされません。
話している間に音声がアップロードされますか？
いいえ。レコーダーは、ダイアログ内のボタンを押すまで音声をブラウザ内に保持します。キャンセルするかタブを閉じた場合、データは送信されません。アップロードしたファイルと文字起こしは、処理後に自動的に削除されます。
録音できる時間はどのくらいですか？
ブラウザ内録音は30分で停止しますが、アップロードするファイルはそれ以上の長さでも可能です。処理時間は音声の長さに応じて増加し、話者検出を行う場合はおおよそ同程度の時間が追加でかかります。
「複数の話者を検出」とは何ですか？
文字起こしの前に話者ダイアライゼーションを実行し、話者が変わるたびにマーカーを挿入します。インタビュー、会議、ポッドキャストにご利用ください。ディクテーションや音声メモでは待ち時間が増えるだけなので、オフのままにしてください。
なぜWord文書ではなく.txtファイルなのですか？
プレーンテキストは最も汎用性の高い出力形式です。あらゆるデバイスで開け、メモ、メール、CMSエディタ、チャットにもきれいに貼り付けられ、ファイルサイズも非常に小さくなります。書式付きの文書が必要な場合は、テキストをワードプロセッサに貼り付けるか、このサイトの音声からPDFへの変換ツールをご利用ください。