本ページにはプロモーションが含まれています
無料・無制限の
AI 音声文字起こし
音声ファイルを選ぶだけで、AI(Whisper・SenseVoice)がブラウザ内で文字起こしします。音声データがサーバーに送られることはありません。会員登録不要・時間制限なしで、完全無料です。
日本語では、句読点を打つためのモデル(約 92 MB)も初回に取得します
通常は「自動」のままで構いません。結果の話者数が実際と明らかに違うときだけ指定してください
ファイルがないときは、マイクで録音できます。録音を止めたあとで文字起こしします(この端末と選んだモデルでは約 000 分まで)。録音した音声も外部に送信されません。
使い方
- 1
音声ファイルを選ぶか、録音する
MP3・WAV・M4A・FLAC など主要な形式に対応しています。ドラッグ&ドロップでも読み込めます。ファイルがないときは、マイクで録音して文字起こしすることもできます。
- 2
AI が自動で文字起こし
AI(Whisper・SenseVoice・Haas-ja・Qwen3-ASR・Voxtral)がブラウザ内で音声を文字に起こします。初回はモデルのダウンロードが必要です(選ぶモデルにより 40 MB〜5.2 GB)。
- 3
結果を書き出し
TXT・Word・PDF の文書、SRT・VTT の字幕、CSV・JSON のデータとして保存できます。話者分離にも対応しています。
こんな場面で使えます
録音した音声をテキストに変える作業を、ブラウザだけで完結できます。音声を外部に送信しないため、社外に出せない録音にも向いています。
会議・打ち合わせの議事録
話者分離を使うと発言者ごとに色分けされるため、結果をそのまま議事録の作成に使えます。社内の録音を外部サービスに預けずに済みます。
インタビュー・取材の書き起こし
長時間の録音でも時間制限はありません。質問者と回答者を自動で分けて表示し、それぞれに名前を付けられます。
動画・YouTube の字幕作成
MP4・WebM の動画をそのまま読み込み、動画を再生しながら字幕を確認・修正して、タイムコード付きの SRT として書き出せます。変換作業は不要です。
講義・セミナーのノート化
録音した講義をテキスト化して検索できる形に残せます。専門用語が多い音声には大きめのモデルが向いています。
音声メモ・ボイスレコーダーの整理
スマホで録音した M4A の音声メモも、そのまま読み込んで文字に起こせます。
ポッドキャスト・配信の書き起こし
配信のアーカイブ音声をテキスト化して、記事化や検索対策の下地として使えます。
用途から選ぶ
扱うファイルや目的が決まっている場合は、こちらのページから始めてください。説明と手順がその目的に合わせてあります。
音声・動画の用意と、文字起こしの後に
同じ運営者の別ツールです。X の配信を保存してから文字起こしする、長い録音を短くしてから読み込む、作った SRT を動画に焼き込む、といった流れをすべてブラウザ内で完結できます。
対応ファイル形式
- 音声ファイル
- MP3・WAV・M4A・AAC・FLAC・OGG・Opus・AIFF・WMA・AMR・WebM
- 動画ファイル
- MP4・MOV・MKV・WebM・AVI・WMV・FLV・MPG・MPEG-TS・3GP(音声トラックを取り出して文字起こしし、結果は動画に字幕として重ねて再生できます)
- 書き出し形式
- TXT(テキスト)・Word(DOCX)・PDF(印刷して保存)・SRT / VTT(タイムコード付き字幕)・CSV・JSON
- ファイルサイズ上限
- 上限なし(一度に処理できる長さは、端末のメモリと選んだモデルで決まります)
- 一括処理
- 複数のファイルを一度に選ぶと 1 つずつ順に文字起こしし、結果を ZIP ファイルにまとめて保存できます
- 字幕ファイルの読み込み
- SRT・VTT の字幕ファイルを開いて、編集・翻訳・要約や、SRT と VTT の変換ができます(動画と一緒に選ぶと、再生しながら確かめられます)
- 対応言語
- 100 言語(Whisper の 99 言語と SenseVoice の広東語)。日本語・英語・中国語・韓国語・スペイン語・フランス語・ドイツ語・ポルトガル語・ロシア語・イタリア語・インドネシア語のほか、オランダ語・トルコ語・ポーランド語・タイ語・ベトナム語・アラビア語なども選べます。言語名・言語コードで検索でき、分からないときは「自動検出」を選べます
動画ファイルをあらかじめ音声に変換しておく必要はありません。読み込んだ時点でブラウザ側が音声を取り出します。
選べるモデル
12 種類から選べます。初期設定のモデルは言語と端末によって次の表のとおりに決まり、設定の欄で変更できます。Whisper は大きいモデルほど精度は上がりますが、初回に取得するサイズと必要な性能も増えます。
言語ごとの初期設定のモデル
- 日本語
- Haas-ja v1.0(Chrome・Edge で WebGPU が使える PC。M1 以降の Mac を除く) SenseVoice Small(スマホ・Safari・Firefox など、それ以外の環境)
- 中国語・韓国語・広東語
- SenseVoice Small
- 英語
- Parakeet Ultra(Chrome・Edge で内蔵 GPU の PC) SenseVoice Small(スマホ、WebGPU が使えない PC、Safari・Firefox で内蔵 GPU の PC など) Whisper Large v3 Turbo(単体 GPU の PC。古い GPU では Whisper Small) Whisper Small(Mac)
- スペイン語・ドイツ語・フランス語・イタリア語・ポルトガル語・ロシア語・ポーランド語・オランダ語・ウクライナ語・ハンガリー語・チェコ語・ギリシャ語
- Parakeet Ultra(Chrome・Edge で内蔵 GPU の PC) FastConformer(スペイン語・フランス語・イタリア語・ドイツ語。スマホと WebGPU が使えない PC。メモリの少ない端末を除く) それ以外の端末は「そのほかの言語」と同じ
- そのほかの言語
- Whisper Large v3 Turbo(単体 GPU の PC。古い GPU では Whisper Small) Whisper Small(Mac) Whisper Base(内蔵 GPU の PC) Whisper Tiny(スマホ・WebGPU が使えない環境・メモリ 4 GB 未満の端末)
モデルごとのサイズと特徴
| モデル | サイズ | 特徴 |
|---|---|---|
| Haas-ja v1.0 | 〜710 MB | 日本語専用の高精度モデル。SenseVoice Small より誤りが約 4 割少なくなります(読み上げ音声での当サイトの測定)。処理時間は音声の長さの約 30 分の 1 です(内蔵 GPU の PC での測定)。WebGPU が使える PC 専用で、初回に約 710 MB を取得し、GPU のメモリ(VRAM)を約 1 GB 使います。Chrome・Edge で WebGPU が使える PC(M1 以降の Mac を除く)では、日本語の初期設定です |
| SenseVoice Small | 〜240 MB | 日本語・中国語・韓国語・英語・広東語に対応。軽量・高速で、日本語と中国語は Large v3 Turbo と同等以上の精度(中国語・韓国語・広東語の初期設定。日本語も、スマホや Safari・Firefox、WebGPU が使えない PC などでは初期設定。英語も、スマホや WebGPU が使えない PC、Safari・Firefox で内蔵 GPU の PC などでは初期設定) |
| Parakeet Ultra | 〜500 MB | 英語・スペイン語・ドイツ語・フランス語など欧州の 25 言語に対応した高精度モデル。スペイン語・ドイツ語・フランス語・イタリア語・ポルトガル語・ロシア語では Whisper Base より誤りが 6〜8 割少なく、Large v3 Turbo と同じ程度かそれ以上の精度です(読み上げ音声での当サイトの測定)。処理時間は音声の長さの約 25 分の 1 です(内蔵 GPU の PC での測定)。WebGPU が使える PC 専用で、初回に約 500 MB を取得します。Chrome・Edge で内蔵 GPU の PC では、英語と、この 6 言語・ポーランド語・オランダ語・ウクライナ語・ハンガリー語・チェコ語・ギリシャ語の初期設定です |
| FastConformer | 〜175 MB | スペイン語・フランス語・イタリア語・ドイツ語に対応した、言語ごとのモデル(NVIDIA)。Whisper Tiny より誤りが半分以下で、処理も約 3 倍速くなります(当サイトの測定)。GPU を使わず CPU で処理し、初回に約 175 MB を取得します。スマホと WebGPU が使えない PC では、この 4 言語の初期設定です |
| Whisper Tiny | GPU 〜145 MB / CPU 〜40 MB | 高速・軽量。クリアな音声に最適 |
| Whisper Base | GPU 〜280 MB / CPU 〜75 MB | 速度と精度のバランスが良い |
| Whisper Small | GPU 〜925 MB / CPU 〜240 MB | 高精度。専門用語や難しい音声に強い |
| Whisper Medium | 〜650 MB | Large v3 Turbo とほぼ同じ精度で、WebGPU では取得サイズが半分以下。WebGPU 推奨 |
| Whisper Large v3 Turbo | GPU 〜1.5 GB / CPU 〜725 MB | 最高精度に近く高速。WebGPU 推奨(おすすめ) |
| Whisper Large v3 | GPU 〜2.0 GB / CPU 〜1.2 GB | フル Large v3。Whisper で最高精度・最大容量・低速(WebGPU 必須級) |
| Qwen3-ASR 1.7B | 〜5.2 GB | 高精度。WebGPU が使える PC 専用で、初回に約 5.2 GB(文字用と時刻用の 2 モデル)を取得し、GPU のメモリ(VRAM)を約 5 GB 使います |
| Voxtral Mini 4B | 〜2.9 GB | 日本語のときだけ選べる高精度モデル。SenseVoice Small より誤りが約 3 割少なくなります(読み上げ音声での当サイトの測定)。処理時間は SenseVoice Small より長く、音声の長さの約 0.4 倍(単体 GPU の PC)〜0.85 倍(内蔵 GPU の PC)です。WebGPU が使える PC 専用で、初回に約 2.9 GB を取得し、GPU のメモリ(VRAM)を約 5 GB 使います |
Medium 以上の Whisper と Haas-ja・Parakeet Ultra・Qwen3-ASR・Voxtral は WebGPU に対応した環境が必要です。Voxtral は、GPU が 16 ビットの計算形式(fp16)に対応していることも必要です。WebGPU が使えない場合は Small までを選んでください。
動作の目安として、Windows 11 と GeForce RTX 2060 SUPER(8 GB)の組み合わせでは Whisper Large v3 と Qwen3-ASR 1.7B が動作しました(Qwen3-ASR は GPU のメモリを約 5 GB 使います)。
クラウド型の文字起こしサービスとの違い
一般的な文字起こしサービスは、音声を事業者のサーバーへ送って処理します。Transcriber は処理そのものをブラウザ内で行うため、前提が異なります。
| 観点 | 一般的なクラウド型 | Transcriber |
|---|---|---|
| 音声データの送信 | 事業者のサーバーへアップロードする | 外部に送信しない(端末内で処理) |
| 無料で使える量 | 月あたりの時間制限が設けられていることが多い | 時間・回数の制限なし |
| 会員登録 | 必要なことが多い | 不要 |
| オフライン利用 | できない | 初回のモデル取得後は可能 |
| 処理速度を決めるもの | 事業者側のサーバー性能 | お使いの端末の GPU / CPU |
クラウド型は非力な端末でも速度が安定する利点があります。一方で、録音内容を外部に出せない場合や、長時間の音声を制限なく処理したい場合は、ブラウザ内で完結する方式が向いています。
よくある質問
本当に無料ですか? 利用時間や回数の制限はありますか?
完全無料です。利用時間・回数・文字数・ファイルの大きさのいずれにも制限はなく、クレジットカードの登録も必要ありません。一度に処理できる長さだけは端末のメモリと選んだモデルで決まり、収まらないときは処理を始める前に画面で案内します。
音声ファイルはサーバーにアップロードされますか?
アップロードされません。文字起こしは AI(Whisper・SenseVoice)がブラウザ内で実行するため、音声データが外部に送信されることはありません。録音内容がサーバーに保存されることも、第三者に渡ることもありません。
会員登録やログインは必要ですか?
必要ありません。ページを開いて音声ファイルを選ぶだけで文字起こしを開始できます。メールアドレスの入力も求めません。
どのファイル形式に対応していますか?
音声は MP3・WAV・M4A・AAC・FLAC・OGG・Opus・AIFF・WMA・AMR に、動画は MP4・MOV・MKV・WebM・AVI・WMV・FLV・MPG・MPEG-TS・3GP に対応しています。ドラッグ&ドロップでもファイル選択でも読み込めます。
動画ファイルから文字起こしできますか?
できます。MP4・MOV・MKV・WebM・AVI などの動画を読み込むと、ブラウザ内で音声トラックだけを取り出して文字起こしします。あらかじめ音声ファイルへ変換しておく必要はありません。文字起こしのあとは動画を再生しながら結果を字幕として重ねて確認・修正でき、翻訳した字幕で見ることもできます。ファイルの大きさに上限はなく、数 GB の動画もそのまま読み込めます。X(旧 Twitter)の動画は X Video Downloader で保存したものをそのまま読み込めます。音声だけを先に取り出したい場合は Media Tools が使えます。
話者分離で、誰が話したかを分けられますか?
話者分離に対応しています。会議やインタビューのように複数人が話す音声で、発言者ごとに色分けして表示します。話者の人数は自動で推定するので、通常は指定しなくて構いません。結果の話者ラベルは画面上で名前を付けたり、誤って分かれた話者を統合したり、行ごとに話者を直したり分割したりできます。話者分離のモデルは、PC の Firefox 以外のブラウザで WebGPU が使え、話者数が「自動」のときは NVIDIA Nemotron 3 Diarization、それ以外のときは pyannote です。どちらの場合も、声の特徴の比較に WeSpeaker を使っています。
字幕ファイルは作成できますか?
SRT と VTT(WebVTT)の字幕ファイルとして書き出せます。タイムコード付きで出力されるため、動画編集ソフトや動画投稿サイトにそのまま読み込めます(動画編集ソフトの多くは SRT に対応しています)。テキスト(TXT)・Word(DOCX)・PDF・CSV・JSON での書き出しやコピーにも対応しています。書き出した SRT を映像に直接焼き込みたいときは Media Tools(字幕の焼き込み)が使えます。
文字起こしの結果を翻訳できますか?
できます。結果の見出しにある「翻訳」から元の言語と翻訳先を選ぶと、各行の下に訳文が付きます。書き出しはどの形式でも、原文・翻訳・対訳のいずれかを選べます。動画を読み込んだ場合は、訳文を字幕として動画に重ねて再生することもできます。翻訳には Chrome 138 以降または Edge 148 以降(デスクトップ版)に内蔵された翻訳機能を使い、処理は端末内で完結するため、文字起こしテキストが外部に送信されることはありません。スマホや Firefox・Safari では利用できません。初回は言語ごとに翻訳モデルのダウンロードが必要です。
オフラインでも使えますか?
使えます。初回に AI モデルをダウンロードしたあとは、ネット接続なしで文字起こしできます。モデルの容量は選んだモデルにより約 40 MB〜5.2 GB です。
文字起こしの精度を上げるにはどうすればよいですか?
言語に合うモデルを選ぶと精度が上がります。日本語では、選べるモデルのうち「Haas-ja v1.0」が最も正確で、「SenseVoice Small」より誤りが約 4 割少なくなります(読み上げ音声での当サイトの測定)。WebGPU が使える PC 専用で、初回に約 710 MB を取得します。処理時間は音声の長さの約 30 分の 1 です(内蔵 GPU の PC での測定)。Chrome・Edge で WebGPU が使える PC(M1 以降の Mac を除く)では、日本語の初期設定です。中国語・韓国語と、スマホや Safari・Firefox などで使うときの日本語では、初期設定の「SenseVoice Small」が軽量・高速で、日本語と中国語は「Whisper Large v3 Turbo」と同等以上の精度です。それ以外の言語では大きいモデルほど精度が上がり、WebGPU に対応した環境では「Whisper Large v3 Turbo」が高精度かつ高速でおすすめです(単体 GPU の PC では初期設定です)。英語・スペイン語・ドイツ語・フランス語など欧州の 25 言語では「Parakeet Ultra」も選べます。「Whisper Large v3 Turbo」と同じ程度の精度で(ギリシャ語は Turbo のほうが正確です)、処理時間は Turbo の約 7 分の 1 です(WebGPU が使える PC 専用。初回の取得は約 500 MB)。Chrome・Edge で内蔵 GPU の PC では、英語・スペイン語・ドイツ語・フランス語・イタリア語・ポルトガル語・ロシア語・ポーランド語・オランダ語・ウクライナ語・ハンガリー語・チェコ語・ギリシャ語の初期設定です。スマホと WebGPU が使えない PC では、スペイン語・フランス語・イタリア語・ドイツ語の初期設定は「FastConformer」で、「Whisper Tiny」より誤りが半分以下、処理も約 3 倍速くなります(初回の取得は約 175 MB)。英語では、スマホや、Safari・Firefox で内蔵 GPU の PC などでは「SenseVoice Small」が初期設定で、「Whisper Base」より誤りが少なく、速く処理できます。WebGPU が使える PC では「Qwen3-ASR 1.7B」も選べます(初回の取得は約 5.2 GB)。日本語・英語・中国語では「Whisper Large v3 Turbo」より誤りが少なくなります。また、言語を「自動検出」のままにせず実際の言語を指定すると誤認識が減ります。各モデルの誤り率と処理時間を言語ごとに測定した結果は、モデルの比較と選び方のページに掲載しています。
スマホでも使えますか?
使えます。ただし端末を保護するため省メモリモード(WASM)で動作し、一度に処理できる長さは PC より短くなります。長時間の録音・録画は PC でのご利用をおすすめします。
エラー情報の収集はしていますか?
不具合の修正と機能の改善のための統計だけを収集しています。送信されるのは、端末の性能(GPU の種類・メモリ・コア数)、ブラウザと OS、選んだモデルと言語、話者分離の設定(有無と指定した話者数)、画面の表示言語、どの段階まで進んだか(途中で中断した場合やページを閉じた場合を含む)、エラーの種類と内容、ファイルの形式とおおよそのサイズ・長さ、処理にかかった時間(段階ごと)と AI モデルを取得した量です。同じタブでの処理を結びつける一時的な番号(タブを閉じると削除されます)も送ります。失敗率を出すために、成功したときも同じ項目を送ります。結果の画面では、話者名の変更・行の分割などの編集・翻訳・要約・字幕ファイルの読み込みの回数、「ファイルに保存」で選んだ形式、「テキストをコピー」と「まとめて保存」の回数、翻訳の言語の組み合わせも送ります。音声データ・文字起こし結果(本文・話者名・訳文)・ファイル名・IP アドレスは一切送信されず、送信先も当サイトのサーバーのみで、外部の事業者には提供していません。ページ下部の「サービス品質向上へのご協力のお願い」にあるスイッチをオフにすると、いつでも停止できます。
Word や PDF で保存できますか?
できます。結果の下の「ファイルに保存」から「Word(DOCX)」を選ぶと、Word で開ける文書として保存できます。PDF はブラウザの印刷機能で保存する方式で、「PDF」を選んで開いた印刷の画面で PDF として保存します(iPhone・iPad では印刷の画面の共有ボタンから「ファイル」に保存します)。表計算ソフト向けの CSV と、プログラムで扱う JSON にも対応しています。どの形式もブラウザ内で作るため、文字起こしテキストが外部に送信されることはありません。
ブラウザでマイクから録音して文字起こしできますか?
できます。「マイクで録音する」を押すと、PC やスマホのマイクで録音できます。「録音を止める」を押したあと「文字起こしを始める」を押すと、録音した音声を文字に起こします。録音した音声も外部に送信されず、この端末の履歴に保存されます。録音できる長さは最長 3 時間で、端末のメモリと選んだモデルによってはそれより短くなります。上限は録音を始める前に画面に表示されます。スマホでは、録音中に画面をロックしたり別のアプリに切り替えたりすると、録音が止まることがあります。
複数のファイルをまとめて文字起こしできますか?
できます。ファイルを選ぶ画面で複数のファイルを選ぶか、まとめてドロップすると、同じ設定(モデル・言語・話者分離)で 1 つずつ順に文字起こしします。結果はそれぞれこの端末の履歴に保存されます。終わったあとに「まとめて保存」から TXT・Word・SRT・VTT・CSV・JSON のいずれかを選ぶと、ファイルごとの結果を 1 つの ZIP ファイルで保存できます。処理できなかったファイルは飛ばして次へ進みます。処理はすべてブラウザ内で行い、ファイルは外部に送信しません。
文字起こしの要約や議事録を作れますか?
作れます。PC の Chrome・Edge(バージョン 138 以降)では、結果の画面で「要約を作る」を押すと、ブラウザに内蔵された AI(Gemini Nano)が文字起こしの要点を箇条書きにまとめます。要約もブラウザ内で作るため、文字起こしテキストは外部に送信されません。作った要約は Word・TXT・PDF で保存すると先頭に入るので、そのまま議事録の下書きに使えます。要約できる言語は日本語・英語・スペイン語・ドイツ語・フランス語です。初回はブラウザが AI モデルをダウンロードするため、空き容量 22 GB と、16 GB 以上のメモリか 4 GB を超える VRAM の GPU が必要です。スマホ・Firefox・Safari では使えません。
手持ちの SRT・VTT の字幕ファイルを編集できますか?
できます。ファイルを選ぶ画面で SRT か VTT の字幕ファイルを選ぶと、文字起こしせずにそのまま結果の画面で開きます。行の文字と時刻の修正、行の分割・削除、翻訳、要約ができ、「ファイルに保存」から SRT・VTT・TXT・Word などで保存できます(SRT を VTT に変換することもできます)。字幕ファイルと動画(または音声)を一緒に選ぶと、動画を再生して字幕を重ねながら確かめられます。読み込みもブラウザ内で行い、ファイルは外部に送信しません。
サービス品質向上へのご協力のお願い
うまくいったときも失敗したときも、そのときの状況を送っていただけると原因の特定に役立ちます(失敗率の算出には両方が必要です)。どの端末・どの設定で失敗しやすいのかが分かれば、推奨設定の見直しや不具合の修正に反映できます。差し支えなければ、このままオンにしていただけると助かります。
送信する情報
端末の性能(GPU の種類・メモリ・コア数)、ブラウザと OS、選んだモデルと言語、話者分離の設定(有無と指定した話者数)、画面の表示言語、どの段階まで進んだか(途中で中断した場合やページを閉じた場合を含む)、エラーの種類と内容、ファイルの形式とおおよそのサイズ・長さ、処理にかかった時間(段階ごと)と AI モデルを取得した量。同じタブでの処理を結びつける一時的な番号(タブを閉じると削除されます)。結果の画面での、話者名の変更・行の分割などの編集・翻訳・要約・字幕ファイルの読み込みの回数、「ファイルに保存」で選んだ形式、「テキストをコピー」と「まとめて保存」の回数、翻訳の言語の組み合わせ。
送信しない情報
音声データ、文字起こし結果(本文・話者名・訳文)、ファイル名、IP アドレス。送信先は当サイトのサーバーのみで、外部の事業者には提供しません。