使い方
- 話している言語を選んでから、動画や録音ファイルを上の枠にドロップします。
- 最初の1回はAIモデルをダウンロードし、その後動画の長さに応じて数分ほどで書き起こします。進み具合が表示されます。
- 結果を確認して間違いを直し、保存します。SRT・VTT・TXTから選べます。
知っておきたいこと
OpenAIが公開した音声認識モデルWhisperをブラウザの中で動かします。話し声を文ごとに書き起こし、それぞれの文が出てくる時間も記録するので、そのまま使える字幕ファイルができます。
SRTはYouTube、Premiere、DaVinci Resolve、VLCなどほとんどの場所で使える字幕形式で、VTTはWebの動画プレーヤー用の形式です。画面に字幕を焼き込むなら、作ったSRTを動画に字幕を入れるで一緒に入れてください。
よくある質問
どれくらい時間がかかりますか？
最初はAIモデルのダウンロードに時間がかかります（速く：約100MB、正確に：約270MB）。処理時間は端末の性能によって変わり、パソコンなら「速く」は動画の長さの半分前後、「正確に」は動画の長さと同じくらいかそれ以上かかります。スマホではさらに時間がかかります。
精度はどのくらいですか？
はっきり話した音声はほとんど正しく書き起こせますが、人名や専門用語、複数の人が同時に話す部分は間違えることがあります。日本語は正確にを使うと結果がはっきりよくなります。保存する前に結果を直接修正できます。
作った字幕を動画に入れられますか？
SRTファイルはYouTubeに字幕としてアップロードしたり、ほとんどの動画プレーヤーや編集ソフトで読み込めます。画面に文字を焼き込むなら、動画に字幕を入れるに動画とSRTファイルを一緒に入れてください。
録音や動画はアップロードされますか？
いいえ。音声認識AI（Whisper）をブラウザにダウンロードして端末の中で動かします。会議の録音や講義のような大切なファイルも外に出ません。
関連ガイド
更新日: