メニューに戻る

ファイル文字起こし

録音した音声・動画ファイルを文字にするツールです。会議・授業・インタビューの録音から、時刻つきの文字起こしと字幕ファイルを作れます。処理はこの端末のブラウザの中だけで行い、音声は送信されません（通信するのは、初回のプログラムとモデルのダウンロードのみ）。マイクで話しながら文字にしたいときは音声文字起こし（リアルタイム）をお使いください。

1. 音声・動画ファイルを選ぶ
ファイルをここにドロップ、またはクリックして選択
MP3・M4A・WAV・OGG・MP4 など（ブラウザで再生できる形式）
2. 設定して文字起こしする

用語・置き換えリスト（任意）

登録した語を、認識モデルへの「前置きの文」として渡し、綴りのぶれを減らします。効果は確実ではありません。長いと先頭の約300文字だけが使われます。

文字起こしした結果に、自動で置き換えます（大文字と小文字は区別します）。すでにある結果には、結果の欄の「リストを結果に適用」で当てはめられます。

3. 結果を確認・編集して書き出す
文字起こしの結果がここに時刻つきで並びます。時刻を押すと、その位置から再生します。

ファイル文字起こしの使い方・よくある質問

録音した音声・動画ファイルを、ブラウザの中だけで文字にする無料のツールです。会議・授業・インタビューの録音から、時刻つきの文字起こしや字幕ファイルを作れます。音声認識モデル（Whisper）はお使いの端末で動くため、音声ファイルが送信されることはありません。

使い方

  1. 音声・動画ファイルをドロップするか、クリックして選ぶ
  2. モデルと言語を選び、「文字起こしを開始」を押す（初回はモデルのダウンロードが必要）
  3. 結果の時刻を押して再生しながら、誤りを直し、必要なら話者を割り当てる
  4. 「コピー」または「テキスト」「字幕（SRT・VTT）」で書き出す

特長

音声は端末の外に出ない
文字起こしはブラウザの中で行います。通信するのは初回のプログラムとモデルのダウンロードだけです。
時刻つき・クリックで再生
結果は時刻ごとの行に分かれ、押すとその位置から再生します。再生中の行は目印が付き、その場で直せます。
自信のない部分に色
認識モデルが自信を持てなかった文字に色が付くので、聞き直す場所の目安になります。直すと色は消えます。
別の候補・用語・置き換え
色の付いた部分は、モデルの別の候補を選んで直せます。用語リストで綴りのぶれを減らし、置き換えリストと検索・置き換えで全体を整えられます。
止めても続きから
途中で止めても、同じファイルを選べば止まったところから再開できます。
話者の割り当てと字幕出力
行ごとに話者を選び、名前を付けられます。テキスト・SRT・VTTに話者名を入れて書き出せます。
モデルを選べる
軽いモデルから高精度のlarge-v3-turbo（WebGPU対応環境）まで選べます。保存したモデルは削除もできます。

よくある質問

音声ファイルは外部に送信されますか？
送信されません。文字起こしはお使いのブラウザの中（端末内）で行います。通信するのは、初回に必要なプログラム（cdn.jsdelivr.net）と音声認識モデル（Hugging Face）のダウンロードだけで、音声ファイルも文字起こしの結果もこのサイトや外部には送られません。
どんなファイルに対応していますか？
MP3・M4A・WAV・OGG・FLAC・MP4・WebM など、お使いのブラウザで再生できる音声・動画ファイルに対応します。形式によっては読み込めないことがあります。長さの上限は約3時間で、1時間を超える場合は端末のメモリが足りなくなることがあります。
どのくらい時間がかかりますか？
端末によって大きく変わります。WebGPU に対応したブラウザでは音声より短い時間で終わることが多く、対応していない場合は音声の1〜2倍以上かかることがあります。まず短いファイルで試して、モデルの大きさ（tiny・base・small・large-v3-turbo）を選んでください。
初回のダウンロードはどのくらいですか？
選ぶモデルによって約40MB〜760MBです。ダウンロードしたモデルはブラウザに保存され、2回目からは通信せずに使えます。保存したモデルは、画面の「保存したモデルを削除」でいつでも消せます。
文字に色が付くのはなぜですか？
認識モデルが「あまり自信がない」と判断した文字に色が付きます。聞き直して確かめる目印で、間違いを断定するものではありません。色が付かなくても間違っていることがあります。「色を付ける量」で多さを変えられ、文字を直すと直した部分の色は消えます。
色の付いた部分の「別の候補」とは何ですか？
認識モデルが自信を持てなかった場所について、モデルが次に有力と考えた言葉です。点線の下線が付いた部分にカーソルを置くと行の下に候補が出て、押すとその部分が置き換わります。候補が出るのは、この機能の追加後に文字起こしした結果の、候補のある場所だけです。
用語リストを登録すると、必ず正しく書かれますか？
確実ではありません。登録した人名・社名・専門用語は、認識モデルへの前置きの文として渡され、綴りのぶれを減らす助けになります。音声と関係のない語が出ることもあるので、結果は必ず聞き直して確認してください。リストが長いときは、先頭の約300文字だけが使われます。
「前＝後」の置き換えリストと検索・置き換えは何が違いますか？
置き換えリストは「やまだ＝山田」のように1行に1件で書いておき、文字起こしのたびに結果へ自動で当てはめます。検索・置き換えは、いまある結果の中から語を探して、1件ずつ、またはまとめて置き換える機能です。どちらも直後なら「元に戻す」で戻せます。
途中で止めても続きから文字起こしできますか？
できます。結果の自動保存がオンなら、中止したりタブを閉じたりしても、ここまでの結果は残ります。同じ音声ファイルをもう一度選ぶと「続きから再開」が出て、止まった位置から続けます。はじめからやり直すこともできます。
話者（誰が話したか）は自動で分かれますか？
現在は自動では分けません。結果の各行に「話者1」「話者2」などを選んで割り当てる方式で、名前も自由に変えられます。割り当てた話者名は、テキスト・SRT・VTTの書き出しにも反映されます。