録音・動画の文字起こし
短い録音や動画をブラウザー内で認識し、字幕を編集してTXT・SRTで保存します。
録音・動画の文字起こし
ファイルを選択するか公開編集例を使ってください。
原音を確認
ファイルと字幕はこのページのメモリー内で処理し、再読み込みや移動で消去します。モデルのみキャッシュされる場合があります。
字幕の確認と編集
話していない文章の生成や誤認識が起きることがあります。原音を聞いて全文と時刻を確認してください。話者識別と翻訳は行いません。
使い方と例
MP3・WAV・MP4・WEBMの韓国語・英語・日本語の音声を認識して編集するツールです。Whisper baseの推定結果であり、正確な議事録や専門的な反訳を保証しません。
公開編集例は0〜2秒の“Hello, welcome.”と2〜5秒の“Review this caption.”です。SRTには00:00:00,000 → 00:00:02,000と00:00:02,000 → 00:00:05,000が記録されます。実際の録音を選んで認識すると推定区間を同じ方法で編集できます。
よくある質問
対応ファイルと長さは?
60秒・20MB以下で、ブラウザーが音声コーデックをデコードできるファイルに対応します。非対応の動画は音声抽出ツールで変換してください。長い録音は音声切り取りで分割し、1ファイルずつ処理します。
AIが誤った文章を生成することは?
雑音・音楽・小さな声・無音で欠落や幻覚が起きることがあります。全字幕と開始・終了時刻を原音と照合してください。話者識別・リアルタイム録音・自動翻訳には対応しません。
録音はサーバーに送られますか?
入力ファイルと字幕はアップロードしません。実行時に同じサイトからモデルと実行ファイルを取得し、ブラウザー内で処理します。再読み込みや移動で入力と結果を消去しますが、モデルはキャッシュに残る場合があります。
計算基準と参考資料
- OpenAI — Whisper model card
Whisperの言語別性能差・幻覚・誤認識の限界を説明しています。本ツールはbaseモデルをブラウザーで実行します。
- Hugging Face — Automatic speech recognition
ブラウザー音声認識と推定字幕時刻のAPI資料です。結果の正確性を保証するものではありません。