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方法

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。

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。話者検出がオンの場合は、まず話者ダイアライゼーションモデルが音声を話者ごとに分割し、文字起こし結果に համապատասխանする情報が付加されます。

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。結果ページからダウンロードでき、音声ファイル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品質に大きく左右されます。特に重要なのは、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効果的です。扇風機を止め、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、途中で切れた文やつなぎ言葉が多い音声は、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、参加者同士が同時に話さないよう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、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。

音声をテキストに変換する主な用途

このツールは、入力するより話すほうが好きな方や、チャットアプリ以外で音声メッセージを利用する必要がある方に使用されています。話して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、研究のためにインタビューの回答を書き起こす、今は再生できない音声メッセージを読みやすい形式で確認する、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、スペイン語の音声メモ、英語の講義にも同じページを使用できます。文字起こしは翻訳されず、話された言語で作成されます。

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ついては、このサイトの音声からテキストへの変換ツールおよび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一の変換エンジンをご利用いただけます。

このツールでできないこと

翻訳は行われず、文字起こしは話されている言語で作成されます。字幕のタイミングも生成されません。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、話者の名前は識別されず、話者の切り替わりのみが検出されます。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よく発生する誤りです。これらに注意して結果をざっと確認するだけで、通常はクリアな録音に必要な編集は十分です。