おみくじの道具箱 画像・動画

音声・動画の文字起こし

録音や動画の音声を AI(Whisper)で文字にします。処理はすべてこの端末の中で行い、音声は外に出ません。

できること

  • 会議の録音・インタビュー・動画の音声を AI(Whisper)で文字起こし。音声はアップロードしません
  • 日本語・英語・自動判定。モデルの大きさ(速さと精度)を選べ、ダウンロード量・速さ・日本語の精度の目安を表示
  • タイムスタンプ付きテキスト、テキストのみ、SRT/VTT 字幕で保存。時刻を押すとその位置から再生
  • 長い音声は無音の位置で区切って順に処理し、進捗と残り時間を表示。マイク録音にも対応

こんなときに

社外秘の会議の議事録

録音を外部サービスに渡さずに文字に。

インタビュー・取材

時刻付きで書き出して、聞き直しを短く。

動画の字幕づくり

SRT/VTT で書き出して動画編集ソフトへ。

授業・講演のメモ

録音から要点を拾い出す下書きに。

プライバシー

音声・動画はブラウザの中だけで処理し、どこにもアップロードしません。初回に AI モデル(Whisper、41〜586MB)と推論エンジンをこのサイトから取得します(取得できないときは huggingface.co・cdn.jsdelivr.net から)。そのとき音声は送りません。モデルはブラウザに保存され、2回目からは取得しません。マイク録音はこのページだけで使い、録音は保存しません。

よくある質問

音声はどこかに送られますか？

送られません。文字起こしの AI(transformers.js と Whisper)はブラウザの中で動きます。通信するのは初回のモデルとエンジンのダウンロードだけです。社外秘の会議や個人的な録音にも使えます。

どのモデルを選べばいいですか？

日本語は「大(small)」がおすすめです。「小(tiny)」は速いものの日本語では誤字が多く、英語や内容の確認向きです。端末が古い・メモリが少ない場合は「中(base)」を試してください。

長い録音でも大丈夫ですか？

3 時間まで受け付け、30 秒弱ずつ無音の位置で区切って順に処理します。CPU での処理は音声の長さと同じくらいかそれ以上かかることがあります。処理中はタブを開いたままにしてください。

話者の区別はできますか？

できません。誰が話したかの区別(話者分離)には対応していません。時刻付きで書き出し、必要に応じて名前を書き足してください。

関連ツール

PDF結合 PDF分割・ページ抽出 PDF整理(並べ替え・圧縮・パスワード) PDFを画像に変換 画像をPDFに変換 音声変換 画像フォーマット変換 WebP変換ツール SVG変換 動画変換・圧縮 Markdownプレビュー

音声・動画を入れる

音声・動画ファイルをここにドロップ、またはクリックして選ぶ

MP3・M4A・WAV・OGG・WebM・MP4・MOV など(ブラウザが再生できる形式)

設定

モデルの大きさ
モデル ダウンロード 速さの目安 日本語の精度

初回だけモデルをダウンロードします(2回目からはブラウザに保存したものを使います)。実測: 検証用のパソコン(CPU)で 27 秒の日本語の会議音声にかかった時間は tiny 5秒・base 11秒・small 20秒(ダウンロード済みのとき)。

話している言語

使い方

  1. 音声・動画ファイルをドロップするか、「マイクで録音」で録音します。
  2. モデルの大きさと話している言語を選びます(日本語なら「大(small)」がおすすめ)。
  3. 「文字起こしを始める」を押します。初回はモデルのダウンロードがあります。処理中はタブを閉じないでください。
  4. 結果を確かめて、タイムスタンプ付きテキスト・テキストのみ・SRT/VTT 字幕で保存します。

プライバシー

音声・動画はブラウザの中だけで処理し、どこにもアップロードしません。初回に AI モデル(Whisper、41〜586MB)と推論エンジンをこのサイトから取得します(取得できないときは huggingface.co・cdn.jsdelivr.net から)。そのとき音声は送りません。モデルはブラウザに保存され、2回目からは取得しません。マイク録音はこのページだけで使い、録音は保存しません。