音声をテキストに変換

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。