音声・動画の文字起こし — テキスト化と字幕(SRT)作成

MP3、WAV、M4A、MP4、MOV、WebMのファイルをドロップすると、Localvertが話された内容を行ごとのタイムスタンプ付きで書き起こします。テキストをコピーしたり、YouTubeや動画編集ソフト、プレーヤー用のSRT・VTT字幕、メモ用のテキストとしてダウンロードしたりできます。

音声認識モデルはWhisperです。多くの言語の数十万時間分の音声で学習したオープンソースのモデルで、WebAssemblyによってブラウザの中で動きます。インタビューや講義、会議、ボイスメモが端末の外に出ることはありません。

モデルは2つのサイズから選べます。「高速」は約40MBのダウンロードで早く終わり、はっきりした英語の音声なら十分です。「高精度」は約77MBで、ほかの言語やなまり、雑音があるときに特に誤りが目に見えて減ります。どちらも一度ダウンロードすればブラウザに保存され、次回は不要です。

自動検出ではなく話されている言語を選ぶと、特に短い録音や複数の言語が混ざる場合に結果がよくなることが多いです。

文字起こしはお使いの端末のプロセッサで行われます。最近のノートPCなら1分の音声で数秒から1分弱が目安で、スマホや古いパソコンではもっとかかります。進行バーは30秒単位で進みます。サーバーで動いているわけではないため、タブを閉じると処理が止まります。終わるまで開いたままにしてください。

何よりも音のきれいさが大切です。マイクの近くで1人が話す録音は、騒がしい部屋の遠い声よりずっと正確に書き起こせます。音楽や複数人の同時発話は精度を下げます。公開する前には必ず読み返しましょう。名前、数字、専門用語がいちばん間違えやすいところです。