音声を文字起こしする
日本語の録音や動画を、テキストとSRT字幕に。音声は端末の外に出ません。
ここにファイルをドロップ
またはクリックして端末から選択対応形式: MP3, M4A, AAC, WAV, OGG, OGA, OPUS, FLAC, WEBA, MP4, M4V, WEBM, MOV, MKV
1回に1ファイル1ファイル150 MBまで1日5回までProで制限を解除✓ オフラインでも利用可能
ファイルは端末の外に出ません
このツールはブラウザ内だけで動作します。アップロードも保存も行わないため、処理を始める前にインターネット接続を切っても問題ありません。
使用例
例：42分の取材インタビューの録音を、話者を分けて時刻付きのテキストに
地元の喫茶店の店主に聞いた42分の取材を、スマホのボイスメモで録った「取材_喫茶店.m4a」。記事を書くために、誰が話したかと時刻の分かる書き起こしを作ります。音声の言語「日本語」、ダウンロードするもの「テキストとSRT字幕」、「行の頭に時刻を付ける」と「話者を分ける」にチェックを入れます。
- ファイルを追加して「文字起こし」を押します。初回は音声認識モデル（約160MB）と話者を分けるモデル（約34MB）をダウンロードします。
- パソコンなら録音の長さの1割ほど（約4分）が目安ですが、話者を分けるのでおよそ2倍の8分前後かかります。
- 「取材_喫茶店.txt」と「取材_喫茶店.srt」の2つができます。句読点は入らず、話し手が間を取ったところで改行されます。
- テキストで「話者1」「話者2」を「聞き手」「店主」に置き換えれば、記事の下書きに使える発言記録になります。
| ファイル | 中身（最初の3行） |
|---|---|
| 取材_喫茶店.txt | [00:00:02] 話者1: 本日はお時間をいただきありがとうございます |
| [00:00:05] 話者2: こちらこそよろしくお願いします | |
| [00:00:08] 話者1: まずお店を始めたきっかけから教えてください | |
| 取材_喫茶店.srt | 1 ／ 00:00:02,400 --> 00:00:05,100 ／ 話者1: 本日はお時間をいただきありがとうございます（改行を／で表示） |
42分の取材が、行ごとに時刻と話者番号の付いたテキストになります。時刻を手がかりに録音の該当箇所をすぐ聞き直せるので、固有名詞や数字は録音で確かめてから記事に使ってください。録音は端末の外に出ないので、取材先の話をそのまま書き起こしても安心です。
使い方
- 音声か動画のファイルを追加します（MP3・M4A・WAV・MP4など）。
- 行の頭に時刻を付けたい場合は「行の頭に時刻を付ける」にチェックを入れます。
- 複数の人が話している録音なら「話者を分ける」にチェックを入れます。各行の頭に話者1・話者2…が付きます。
- 「文字起こし」を押します。初回だけ音声認識モデル（約160MB）をダウンロードし、2回目からはすぐに始まります。
- 書き起こしをコピーするか、テキストファイルとSRT字幕をダウンロードします。
よくある質問
- 精度はどのくらいですか？
- 音声認識には ReazonSpeech（Reazon Research、Apache 2.0）の日本語モデルを使っています。私たちのテストでは、文字の誤りは朗読音声で約6%、テレビ放送の音声で約4%でした（「私／わたし」のような表記の違いも誤りに数えています）。はっきり話された音声ほど正確で、雑音の多い録音、何人かが同時に話す場面、専門用語や珍しい固有名詞では誤りが増えます。
- 句読点は入りますか？
- 入りません。このモデルは句読点を出力しないため、話し手が間を取ったところで改行し、読みやすくしています。字幕（SRT）も同じ区切りで作ります。
- 誰が話したかを分けられますか？
- 「話者を分ける」にチェックを入れると、各行の頭に話者1・話者2…が付きます。このとき、声の変わり目を見つけるモデルと、話し声のひと区切りを声の特徴を表す数値に変えるモデルの2つで、録音をもう一度読み直します。そのため初回はさらに約34MBのダウンロードが必要で、処理時間もおよそ2倍になります。名前ではなく番号なのは、録音自体には誰なのかという手がかりがないためです。あとから「話者1」を名前に置き換えるのは一瞬です。1人ずつ別のマイクで録った音声はきれいに分かれますが、会議室に1本だけ置いたマイク、声質の似た人どうし、長く重なって話す場面では間違えます。
- どのくらい時間がかかりますか？
- パソコンなら、録音の長さの1割ほどが目安です（1時間の録音で数分）。スマートフォンではそれより時間がかかり、長い録音ではメモリが足りなくなることがあります。その場合は音声を短く切ってから書き起こしてください。
- 英語にも対応していますか？
- 英語は、言語を「英語」に切り替えるか「英語の文字起こし」で書き起こせます（英語はWhisperという別のモデルで読み取ります）。ドイツ語・フランス語・スペイン語・ポルトガル語・イタリア語・韓国語・トルコ語も、言語を切り替えれば書き起こせます（こちらは初回に約250 MBのモデルを読み込みます）。
- 長い録音や大きなファイルも書き起こせますか？
- 無料プランでは1ファイル150MBまで、1日5回まで使えます。端末のメモリに一度に読み込めないほど長い録音は読み込みに失敗することがあり、そのときは「1時間以内に分けて」と表示されます。たとえば2時間の会議なら、前半と後半の2つのファイルに切って1つずつ書き起こしてください。
- 録音はアップロードされますか？
- いいえ。音声認識はこのページの中、お使いの端末の上で動きます。会議やインタビュー、面談の録音など、外に出したくない音声にも使えます。モデルのダウンロード後は、オフラインでも動きます。