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
音声メモ、リマインダー、同僚へのメッセージ、短いメモをブラウザでそのまま録音するか、録音ファイルをアップロードすると、テキストファイル（.txt、UTF 8）として文字起こしできます。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回につき最大30分まで録音するか、MP3、WAV、M4A、AAC、OGG、FLAC、WebMをアップロードできます。
-
文字起こし: Whisperが句読点付きで音声をテキスト化します。インタビューや会議では、必要に応じて話者の切り替わりをマークできます。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
音声からTXTへの変換の仕組み
このページは、ブラウザ内レコーダーとGPU搭載の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に組み込まれているMediaRecorderインターフェースを使用し、音声認識にはOpenAIが公開したオープンソースモデルWhisperを使用しています。Whisperは第三者APIではなく、当社独自のハードウェア上で動作します。
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、一度アクセスを許可してから話してください。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可能です。どのスマートフォンのボイスメモでも使用できます。
2
確認して開始
ダイアログで録音を確認してください。インタビューや会議では「複数の話者を検出」をオンにすると、話者を識別できますが、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てください。
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。数分間の音声なら、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
内部で動作するWhisper
Whisperは68万時間分の多言語音声で学習しており、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できます。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機能により、文字起こし内の話者の切り替わりにラベルを付けます。処理時間はおおよそ2倍になるため、デフォルトではオフになっています。
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、ワープロソフト、メモアプリでも開け、どこにでも貼り付けられます。
無料・プライバシー保護
アカウント登録不要、透かしなし、試用回数の制限なし。確認するまで録音データがデバイス外に送信されることはなく、処理完了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、メモアプリでも開け、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、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PCよりも、口元に近づけたスマートフォンのほうが適しています。扇風機や換気扇を止め、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、文章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、途中で切れた文章やフィラーワードが多いと、少しゆっくりでも完結した話し方より文字起こしの精度が下がります。インタビューでは、互いに話を重ね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も、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、入力するより話すほうが好みの方や、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われています。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メモに変換する、調査のためにインタビューの回答を書き起こす、現在再生できない音声メッセージを読める形式で確認する、といった用途に対応します。
Whisperは言語を自動的に検出するため、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書き起こされます。
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の場合は、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が使用されます。
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、話者名ではなく話者の切り替わりのみを識別します。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よくある誤りです。これらを意識して結果を簡単に確認すれば、音質の良い録音では通常それだけで十分です。
FAQ
よくある質問
文字起こしの精度はどのくらいですか？
明瞭な録音で話者が1人の場合、Whisperは句読点を含め、主要言語で通常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、複数人の会話の重なり、音量が非常に小さい音声、強い方言がある場合は精度が低下します。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、主な言語で文字起こしされます。文字起こしは話されている言語で作成され、翻訳はされません。
話している間、音声は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？
ブラウザ内レコーダーは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対応できます。処理時間は音声の長さに応じて長くなり、話者検出を使用するとさらに同程度の時間がかかります。
「複数の話者を検出」は何をしますか？
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、ポッドキャストでご利用ください。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 ドキュメントではなく .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エディター、チャットに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。書式設定された文書が必要な場合は、テキストをワープロソフトに貼り付けるか、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。