会議・インタビューの下書き
録音を編集可能な時刻付き文章へ変換し、議事録やインタビュー記事の下書きに使います。
Whisper音声・動画文字起こし | SRT字幕生成
Whisper音声・動画文字起こし | SRT字幕生成
音声・動画をブラウザ内のWhisperで文字起こしし、時刻付きテキストを編集してTXT、SRT、WebVTT字幕に保存します。
主な機能
- 音声・動画の主音声トラックを多言語Whisper Tinyモデルで文字起こしします。
- 言語の自動検出、英語、日本語、韓国語の指定に対応します。
- 認識した時刻と文章を修正し、TXT、SRT、WebVTTへ保存できます。
- 最大20分のファイルを、重複する30秒区間として順番に処理します。
- 生成した字幕をサーバーへ保存せず、一度だけ字幕エディターへ渡せます。
使い方
- 500MB・20分以下の音声または動画を1件選びます。
- 言語の自動検出、英語、日本語、韓国語から選択します。
- 文字起こしを開始し、初回はモデルのダウンロードを確認します。
- 時刻と文章を確認し、TXT、SRT、VTTで保存するか字幕エディターで編集を続けます。
活用例
動画用SRT字幕
動画の音声を文字起こしし、時刻と文章を整えてSRTまたはWebVTTとして保存します。
ローカルで音声確認
元のメディアを文字起こしサーバーへアップロードせず、ブラウザ内で文章として確認します。
プライバシー
メディアのデコードとWhisper推論はブラウザ内で実行され、ファイル、準備済み音声、文字起こし結果をサーバーへアップロードしません。初回同意後、固定されたモデルファイルはHugging Faceから取得してブラウザへキャッシュされる場合があります。
動作要件
WebCodecsまたは制限付きWeb Audio代替デコーダーに対応する最新ブラウザが必要です。ファイルは500MB・20分以下、準備済みPCMは96MiB以下です。約44MBのモデルと共通ランタイムが必要で、速度と形式対応は端末やブラウザによって異なります。
よくある質問
- ファイルや音声はサーバーへ送信されますか？
- いいえ。デコードとAI推論はブラウザ内で実行されます。外部への通信は初回のモデル取得時だけです。
- リアルタイムのマイク入力とは何が違いますか？
- このツールは保存済みの音声・動画からSRT/VTTを作ります。マイクのリアルタイム入力には別の音声テキスト変換ツールを利用してください。
- すべてのファイルを正確に認識できますか？
- いいえ。コーデック対応、録音品質、雑音、発話、ブラウザ、端末性能によって利用可否と結果が変わります。
関連ツール
- オンラインSRT・VTT字幕エディター | 時間調整・変換SRTとWebVTT字幕をブラウザ内で開き、文章とタイミングを編集。一括時間移動とエラー検証後、SRTまたはVTTで保存できます。
- オンデバイス音声入力・文字起こし対応ブラウザのローカル音声パックで音声入力し、文字起こしをコピーまたはTXTで保存します。
- 動画から音声を抽出 | MP4・WebMの音声保存動画の主要音声トラックをブラウザ内で抽出・変換し、対応していればWAV、MP3、M4A、WebM、FLACで保存します。
- 音声トリマー | 音声区間カット・WAV保存MP3などブラウザでデコードできる入力から、ミリ秒単位で音声区間を選び、選択部分を16ビットPCM WAVとして保存します。