iPhoneボイスメモ、QuickTimeオーディオ、YouTubeダウンロードはすべて.m4a形式を使用しています。ファイルを無料のWindowsアプリにドラッグするだけで、数分でトランスクリプトを取得できます。アップロード不要、分単位の課金なし、変換ステップなし。
ドラッグして、待って、コピーするだけ。ネイティブのM4Aサポートで、フォーマット変換は不要です。
StarWhisperのホームページからWindows 10または11用の無料インストーラーを入手します。セットアップには約2分かかり、アプリが完全にオフラインで動作するようにするためのWhisperモデルのダウンロード（1回のみ）が含まれています。サインアップ、クレジットカード、メール認証は不要です。
M4AがiPhoneにある場合、最も簡単な方法はiCloud Drive（ボイスメモをファイルに保存し、iCloudアプリ経由でWindowsのファイルを開く）またはUSBケーブルです。M4AがMac（QuickTimeエクスポート、GarageBandの書き出し）からの場合は、任意のクラウド同期またはUSBメモリ経由でコピーするだけです。.m4aとして保存されたYouTubeのダウンロードは、すでにPC上にあり、すぐに利用できます。
StarWhisperを開きます。エクスプローラーを開き、.m4aファイルを見つけます。StarWhisperウィンドウにドラッグします。アプリはM4Aをネイティブに読み取るため、事前にMP3やWAVに変換する必要はありません。Whisperがサポートする96言語を含め、言語は自動検出されます。
StarWhisperはCPUまたはGPUでローカルにオーディオを処理します。速度：最新のノートPCのCPUでリアルタイムの約10倍、CUDA対応のNVIDIA GPUで約50倍。1時間のM4Aは、CPUで約6〜12分、ミドルレンジのGPUで1〜2分で文字起こしが完了します。短いボイスメモは数秒で完了します。
処理が完了すると、StarWhisperウィンドウにトランスクリプトが表示されます。全文をクリップボードにコピーするか、.txtファイルとして保存するか、音声と照らし合わせる必要がある場合はオプションのタイムスタンプ付きでエクスポートします。Notion、Word、Googleドキュメント、CMS、その他テキストが必要な場所ならどこにでも貼り付けられます。
曖昧な利点ではなく、具体的なメリット。
ほとんどのオンラインツールは、受け付ける前にM4AをMP3やWAVに変換するよう要求します。StarWhisperはM4Aをネイティブに読み取ります。変換と、それに伴うわずかな品質低下を省きましょう。
ボイスメモは個人的なものです。未完成の考え、個人的な会話、機密メモ。クラウドコンバーターはこれらをすべてアップロードします。StarWhisperはオーディオをあなたのマシンに留めます。プライバシーの詳細。
1日のワード上限までは無料で文字起こしが可能です。Revは1分あたり10〜25セントを請求しますが、StarWhisperは1分あたりゼロ円で、同じ音声品質と精度を維持します。
話者が1メートル以内にいる場合、iPhoneの内蔵マイクはクリーンな音声を生成します。Whisperはこれをほぼ完璧に処理し、静かな録音では95〜99%の精度を達成します。
Whisperは、ヨーロッパ、アジア、中東の主要な言語をすべて含む96言語に対応しています。これらのいずれかのボイスメモは、手動で言語を選択することなくデコードされます。言語サポート。
NVIDIA GPUを搭載している場合はCUDAパックをインストールするだけで、文字起こしの速度が約5倍に跳ね上がります。1時間のM4Aが2分の作業になります。GPUアクセラレーション。
M4Aは、Appleが出荷するほぼすべてのコンシューマー向け録音用に選択した日常的なオーディオコンテナです。iPhoneのボイスメモはM4Aとして保存されます。QuickTimeのオーディオ録音はM4Aとしてエクスポートされます。Apple MusicのダウンロードはM4Aとして提供されます。iTunesのオーディオ購入はM4Aです。多くのYouTubeダウンローダーのオーディオ専用モードでさえM4Aファイルを出力します。これは、YouTubeの高音質オーディオストリームがMP4コンテナ内でAACを使用しており、それがまさにM4Aだからです。
iPhoneやMacをお持ちなら、おそらく数十、場合によっては数百のM4Aファイルを蓄積していることでしょう。会議中や散歩中に録音したボイスメモ、録音したインタビュー、受講した講義、午前2時に思いついたアイデア。遅かれ早かれ訪れる自然な次の疑問は、その中身を読むにはどうすればよいかということです。聞き直すのは時間がかかります。覚えている特定のフレーズを音声から探し出すことは不可能です。その答えが文字起こしですが、多くの人が直面する障害は、手軽なオプションの中に無料でプライベートなものが同時に存在しないことです。
オンラインのM4Aコンバーターは、ファイルごとまたは分ごとに課金し、サインアップを強制し、オーディオをサーバーにアップロードし、無料枠ではファイルサイズに上限を設けます。StarWhisperは、ご自身のマシン上でM4Aを第一級のフォーマットとして処理します。無料、オフライン、ファイルごとの課金やアップロードステップはありません。
最も一般的なM4Aのソースと、文字起こしのためにWindows PCに移動する最もクリーンな方法：
iPhoneでボイスメモを開き、目的のメモをタップし、三点リーダーメニューをタップして、「共有」を選択し、「ファイルに保存」を選びます。その後、iCloud Driveに保存する（そしてiCloud for Windowsアプリ経由でアクセスする）、自分にメールする、DropboxやOneDriveなどの共有クラウドフォルダにドロップする、または近くのMacにAirDropしてそこからコピーするかのいずれかを行います。ファイルは録音名の付いた.m4aとして保存されます。
QuickTimeは、新しいオーディオ録音をデフォルトで.m4aとして保存します。任意のクラウド同期またはUSBメモリ経由でファイルをWindowsに移動します。どちらの方向でも変換は不要です。ファイルはすでに正しいフォーマットです。
yt-dlpなどのツールを使用すると、YouTube動画からオーディオトラックだけを抽出できます。音声のみのフラグを付けて実行すると、出力は.m4aになることがよくあります（YouTubeが高ビットレートで提供する元のAACストリーム）。結果の.m4aをStarWhisperにドロップするだけで、再エンコードなしで音声のトランスクリプトを取得できます。
Zoomでは、録画された会議のオーディオトラックのみを.m4aとして保存できます。そのファイルをドロップするだけで、動画ファイルから別途抽出することなく、会話のクリーンなトランスクリプトを取得できます。
iPhoneのボイスメモから直接始める関連ワークフロー（電話からPCへの転送手順の詳細）については、iPhoneのボイスメモを文字起こしする方法を参照してください。Zoom通話専用には、Zoom通話の文字起こしガイドがオーディオのみのエクスポート手順を説明しています。
大まかな時間を含む実際のシナリオ：
歩きながらiPhoneで録音した5分間のボイスメモ。.m4aをMacにAirDropまたはiCloudで送信し、Windowsに同期します（またはMacをスキップしてiCloudを直接使用）。StarWhisperにドロップします。出力：60秒未満で約700語のテキスト。移動中にアイデアを捉え、検索可能な記録として残すのに役立ちます。
QuickTimeから.m4aとして保存された90分のインタビュー。StarWhisperにドロップします。CPUの処理時間：10〜18分。出力：約12,000語のプレーンテキストのトランスクリプト。軽く編集して、記事の下書きに貼り付けます。Revの人間による文字起こしでは22.50ドルかかりますが、StarWhisperは無料です。
1週間の会議やカンファレンスで蓄積した30個のボイスメモ。フォルダ全体をStarWhisperにドラッグします。アプリがそれらをキューに入れ、一度に1つずつ処理して、一致するファイル名で各トランスクリプトを保存します。離席して戻ってくると、検索可能な30個のトランスクリプトが用意されています。
プロジェクトに関連する5つの長尺YouTubeインタビューを、オーディオのみの.m4aとしてダウンロード。ドラッグして投入します。一晩中文字起こしを実行します。これで、思い出す引用を見つけるために何時間も動画をスクラブする代わりに、検索可能なテキストが手に入りました。
M4AはMP3やWAVよりもひどいトランスクリプトになるのではないかと心配する人が時々います。むしろ逆です。
M4AはAACを使用しており、MP3よりも効率的なコーデックです。同等のビットレートにおいて、M4Aは高周波数のディテールをわずかに多く保持し、元のオーディオのよりクリーンな再構成を生成します。Whisperにとって、これはM4Aのソースオーディオが一般にMP3と同等以上に文字起こし可能であることを意味します。特に、MP3が子音のエッジを壊し始める低ビットレートで顕著です。
WAVは非圧縮で、元のオーディオをビット単位で表現します。ソース品質のゴールドスタンダードです。しかし、Whisperは素晴らしいトランスクリプトを生成するためにその品質を必要としません。このモデルは圧縮および非圧縮オーディオの混合でトレーニングされており、一般的なすべてのフォーマットをうまく処理します。同じ録音のM4AトランスクリプトとWAVトランスクリプトの違いは、通常、検出可能な違いはゼロです。
実用的な意味：文字起こしの前にM4AをWAVやMP3に変換して時間を無駄にしないでください。元のファイルをそのままドロップしてください。別のソースフォーマットを文字起こししたい場合は、MP3をテキストに変換する方法またはWAVをテキストに変換する方法を参照してください。ワークフローは同じです。
ボイスメモは個人的なものです。些末なもの（買い物リスト、リマインダー）もあれば、そうでないものもあります。人は次のようなものを録音します：
これらをオンラインのM4A-to-テキストコンバーターにアップロードすると、制御できないサーバーにオーディオが送信されます。「品質向上」のために数日または数週間オーディオを保持するサービスもあります。データへのアクセスを販売するサービスもあります。プライバシーポリシーに適切なことが書かれていても、オーディオは依然として他人のハードウェアに置かれています。
StarWhisperのローカルモードは、パイプライン全体をデバイス上に留めます。.m4aはアプリによってデコードされ、WhisperモデルはCPUまたはGPUで実行され、結果のテキストはハードドライブに書き込まれます。デバイスから何も外に出ません。これがどのように機能するかについての詳細は、プライバシーとオフラインアーキテクチャおよびオフラインで音声を文字起こしする方法を参照してください。機密性の高いM4A録音を扱う特定の職業については、ジャーナリスト向けの音声-to-テキスト、セラピスト向けの音声-to-テキスト、または弁護士向けの音声-to-テキストを参照してください。
StarWhisperの無料枠は、1日500語、1週間3,500語の文字起こし出力を提供します。一般的な5分間のボイスメモは約700語、一般的な60分間のインタビューは約8,000語を生成します。したがって、1日に1つの短いボイスメモを文字起こしする場合、無料枠が尽きることはありません。長いインタビューを定期的に文字起こしする場合は、上限に達します。
Proはワード数上限を完全に解除します。費用は月額10ドルまたは年額80ドルです。Proの詳細と料金。無料プランは永久に利用できるため、コミットする前にM4Aファイルでワークフローを検証できます。
無料版とPro版は同じWhisperモデルを使用し、同一のトランスクリプトを生成します。Proプランは制限を解除し、ワークフロー機能を追加するだけです。純粋なM4A-to-テキストの使用において、実質的な唯一の違いは1日の出力上限です。利用がたまのボイスメモである場合は、無料のままで構いません。定期的な長尺文字起こしが利用方法である場合は、Proが適切な選択です。