Transcriber

本ページにはプロモーションが含まれています

Whisper AI を使用してブラウザ内で無制限に文字起こし

音声ファイルを選ぶと、Whisper のモデルがブラウザ上で動作し、音声を文字に起こします。Python・ffmpeg・GPU ドライバーの準備は必要ありません。音声はサーバーへ送られず、会員登録も支払いも不要です。

お使いの環境を確認しています…

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

有効

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 分まで）。録音した音声も外部に送信されません。

使い方

  1. モデルを選びます。初期設定では、端末の性能に合わせて自動で選ばれます。WebGPU が使える PC では、Large v3 Turbo が精度と速度のバランスの良い選択です。
  2. 言語を選びます。自動検出でも動作しますが、実際の言語を指定すると誤認識が減ります。
  3. 音声か動画のファイルを選びます。読み込んだ時点で文字起こしが始まり、終わったら「ファイルに保存」から TXT・Word・SRT などの形式を選んで書き出せます。

ブラウザで動作する Whisper について

Whisper は OpenAI が公開している音声認識モデルで、通常は Python の環境を作り、ffmpeg や GPU のドライバーをインストールしてから使います。このツールは同じ Whisper のモデルをブラウザで動作する形式に変換したものを使い、初回にダウンロードしたモデルは 2 回目からブラウザに保存したものを読み込みます。

選べるモデルは Tiny・Base・Small・Medium・Large v3 Turbo・Large v3 の 6 つです。WebGPU が使える PC では GPU で、スマホと WebGPU が使えない端末では CPU で動作します。モデルが大きいほど精度は上がりますが、ダウンロードする量とメモリの使用量も増えます。Large v3 Turbo はエンコーダが Large v3 と同じで、デコーダだけを小さくしたモデルなので、Large v3 に近い精度のまま高速に動作します。Whisper 以外のモデルも含めて、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。

Whisper は無音や音楽の区間で、話していない文を書き出すことがあります。同じ文の繰り返しは自動で取り除きますが、1 回だけ出た文は残るので、結果の画面で行を削除してください。

うまくいかないとき

よくある質問

Python や GPU は必要ですか？

必要ありません。Chrome や Edge などの新しいブラウザがあれば動作します。WebGPU が使える PC では GPU で高速に動作し、スマホや GPU が使えない端末でも CPU で動作します（時間は長くかかります）。

どのモデルを選べばよいですか？

初期設定では、端末の性能から自動で選んだモデルになっています。WebGPU が使える PC では、Large v3 Turbo が精度と速度のバランスの良い選択です。スマホでは Tiny か Base を選んでください。

Python 版の Whisper と同じ結果になりますか？

モデルは同じ Whisper ですが、ブラウザで動かすために軽量化しているため、細かい結果は Python 版と一致しないことがあります。

オフラインでも使えますか？

使えます。初回にモデルをダウンロードしたあとは、ネットに接続しなくても文字起こしできます。

音声・動画の用意と、文字起こしの後に

MP3 の文字起こしMP3 ファイルを選ぶだけでテキストにします。動画（MP4）の文字起こしMP4 などの動画から音声だけを取り出して文字にします。M4A の文字起こしiPhone のボイスメモなどの M4A をテキストにします。字幕（SRT）の作成音声や動画からタイムコード付きの字幕を作ります。会議・議事録の文字起こし会議の録音を話者ごとに分けてテキストにします。録音の文字起こしIC レコーダーなどの録音や、長い録音をテキストにします。すべての機能を見る音声・動画ファイルをブラウザだけで文字起こしできます。無料・会員登録不要・アップロード不要で、時間・回数の制限もありません。音声データは外部に送信されません。Whisper AI による文字起こしに加え、話者分離と SRT 字幕の書き出しに対応し、MP3・WAV・M4A・MP4 など主要形式を読み込めます。

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。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。