音声の文字起こし: 録音・動画をテキストと字幕に
録音ファイルや動画の音声を、音声認識モデル Whisper でブラウザ内で文字起こしし、テキストや SRT・VTT 字幕として保存します。ファイルはアップロードされません。
音声または動画ファイルをここにドロップするか、選択してください
MP3、M4A、WAV、OGG、OPUS、FLAC、WebM、MP4 はほとんどのブラウザで使えます。ほかの形式も、ブラウザで再生できれば使えます。
1 時間を超える録音です。文字起こしには録音と同じくらいか、それ以上の時間がかかることがあり、とても長いファイルではブラウザのメモリが足りなくなる場合があります。その場合はファイルを分割してください。
ブラウザがモバイルデータ通信またはデータセーバーモードを報告しています。Wi-Fi でのダウンロードをおすすめします。
言語とモデルを選んでから、ファイルを追加してください。
注意事項
- 録音はブラウザ内でデコードされ、文字起こしされます。LeedyBox やほかのどこにもアップロードされず、処理中のツールは leedybox.com 以外に接続できません。
- 初回は、音声認識エンジンと選んだモデルを leedybox.com からダウンロードします。base は約 90 MB、small は約 250 MB、large-v3-turbo は約 750 MB です。その後はこのブラウザのストレージに保存されるため、次回からはダウンロードしません。モデル選択の下にある「保存したモデルを削除」で削除できます。ブラウザでサイトのデータを消去しても削除されます。
- base と small はプロセッサーで、large-v3-turbo はグラフィックス処理装置で、30 秒ずつ順に文字起こしします。テストしたパソコンでは、base は録音の約半分、small は約 1.5 倍、large-v3-turbo は約 3 分の 1 の時間がかかりました。スマートフォンや古いパソコンではさらに遅くなります。終わるまでこのタブを開いたままにしてください。
- マイクの近くで一人がはっきり話した録音がもっともうまくいきます。BGM、雑音、複数人が同時に話す部分、なまり、専門用語は誤りやすく、人名もよく間違えます。無音や騒がしい部分では、同じ言葉を繰り返したり、話していない言葉を書いたりすることがあります。
- ファイル全体を一つの言語で文字起こしします。途中に別の言語があると、モデルができる範囲でその言語のまま書くか、翻訳して書きます。話者の区別はしません。
- 字幕は Whisper が区切った区間に従い、ふつうは一文か一句が一区間です。公開する前にプレーヤーでタイミングを確認し、長い区間は読みやすく分けてください。
- とても長い録音は多くのメモリを使います。1 時間の音声はデコード後に約 220 MB になり、さらにモデルの分が加わります。ブラウザがページを止めた場合は、ファイルを短く分割してください。
うまくいきませんか？ ファイルが開けない、モデルが読み込めない、ページが止まる、結果が予想よりかなり悪い、といった場合はメールでお知らせください。選んだモデルと言語、ファイルの形式と長さ、端末とブラウザを書いてください。録音ファイルは送らないでください。
このページの文章に不自然なところがあれば、それもお知らせください。
使い方
- 録音で話されている言語を選ぶか、「自動検出」のままにします。
- モデルを選びます。base が最も速く、small はより正確で、ブラウザが WebGPU に対応していれば表示される large-v3-turbo が最も正確です。
- 音声または動画ファイルを枠にドロップするか選択し、「文字起こしを開始」を押します。初回はエンジンとモデルを leedybox.com からダウンロードします。
- 録音の各部分が文字起こしされるたびに、テキストが表示されます。いつでも停止でき、それまでのテキストは残ります。
- 録音と照らし合わせて確認し、コピーするか .txt ファイル、または動画用の .srt・.vtt 字幕としてダウンロードします。
よくある質問
録音ファイルはサーバーにアップロードされますか？
いいえ。ファイルはブラウザ内でデコードされ、文字起こしされます。LeedyBox が送るのは音声認識エンジンとモデルだけで、音声と文字起こし結果はどこにも送信されません。モデルを動かす部分は、ほかのサイトに接続できないよう制限されています。
どの言語に対応していますか？
多言語版 Whisper モデルの 99 言語に対応しています。日本語、英語、中国語、韓国語、スペイン語、ドイツ語、フランス語、ポルトガル語、ロシア語、ベトナム語、インドネシア語、イタリア語、タイ語、トルコ語などです。精度は言語によって大きく異なり、学習データの多い言語ほど高くなります。
どのモデルを選べばよいですか？
パソコンのブラウザに large-v3-turbo が表示されていれば、それをお使いください。テストでは base と small が誤った箇所を一つも誤らず、グラフィックス処理装置で動くため最も速く終わりました。初回に約 750 MB をダウンロードします。表示されない場合は base（約 90 MB、最近のパソコンで録音の約半分の時間）から始め、誤りが多ければ small（約 250 MB、約 3 倍遅い）に切り替えてください。スマートフォンでは base をお使いください。
録音の長さに制限はありますか？
決まった上限はありませんが、長いほど時間がかかり、処理はすべてお使いの端末で行われます。パソコンなら 1 時間程度まではスムーズです。それより長いファイルは数時間かかったりメモリが足りなくなったりするため、分割するほうが安全です。
SRT と VTT の違いは何ですか？
どちらも字幕の文字と表示時間を持つ字幕ファイルです。SRT（SubRip）は動画編集ソフトやプレーヤーで最も広く使われています。VTT（WebVTT）はウェブページと HTML5 動画向けの W3C の字幕形式です。お使いのプレーヤーやサービスが求める形式を選んでください。
単語が間違ったり、話していない言葉が入ったりするのはなぜですか？
Whisper は音から最もありそうな文章を推測します。雑音、音楽、重なった声、なまり、人名、専門用語で誤りやすく、無音やとても騒がしい部分では同じ言葉を繰り返したり、話していない文章を作ったりすることがあります。言語を自分で選ぶ、small モデルを使う、マイクの近くで録音する、といった方法で改善します。
large-v3-turbo が表示されないのはなぜですか？
このモデルは、グラフィックス処理装置で計算するブラウザの機能 WebGPU で動きます。Windows・macOS・ChromeOS の最新の Chrome と Edge、最近の Mac の Safari は対応していますが、一部のブラウザや多くのスマートフォンは対応していません。プロセッサーだけでは録音の何倍もの時間がかかるため、WebGPU があるときだけ表示します。