ポッドキャスト、録音、音声メモがMP3形式ですか？無料のWindowsアプリにファイルを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、1分あたりの料金なし、ファイル長の制限もありません。
ドラッグして、待って、コピーするだけ。あらゆる長さのMP3に対応します。
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、インストール後にアプリが完全にオフラインで動作できるように、Whisperモデルの初回ダウンロードが含まれています。サインアップ、クレジットカード、メール認証は不要です。
StarWhisperを開きます。エクスプローラーを開いてMP3を見つけます。ファイルをStarWhisperウィンドウにドラッグします。アプリが言語を自動検出します。お好みで、インポートボタンをクリックしてファイルを参照することもできます。どちらの方法でも同じ結果が得られます。
StarWhisperはCPUまたはGPUでローカルに音声を処理します。おおよその速度：最新のノートパソコンのCPUでリアルタイムの約10倍速、CUDA対応のNVIDIA GPUで50倍速です。1時間のMP3はCPUで約6〜12分、ミドルレンジのGPUで1〜2分で文字起こしされます。進行状況はリアルタイムで表示されます。
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。全テキスト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、元の音声を相互参照する必要がある場合はオプションのタイムスタンプを付けてエクスポートします。Notion、Word、Googleドキュメント、CMSなど、テキストが必要な場所に貼り付けます。
曖昧な利点ではなく、具体的なメリット。
Revはヒューマン文字起こしで1分25セント、AIで1分10セントを請求します。90分のポッドキャストエピソードは9〜22.50ドルかかります。StarWhisperは無料で、RevのAIティアと同じ精度です。
クラウドサービスは多くの場合、アップロードサイズに上限を設けています（Otter.aiは無料ティアを1ファイル30分に制限）。StarWhisperはオーディオブック、一日中の会議録音、数時間のインタビューを制限なく処理します。
MP3、WAV、M4A、OGG、OPUS、FLAC、WMAに加え、MP4などの動画形式からの音声抽出にも対応。変換ステップは不要です。
デフォルトのローカルモードは、お客様ご自身のCPUまたはGPUでWhisperを実行します。MP3はローカルでデコードされ、ローカルで文字起こしされ、結果はお客様のドライブに書き込まれます。何もアップロードされません。プライバシーの詳細。
Whisperは、ヨーロッパ、アジア、中東の主要なすべての言語を含む96言語をサポートしています。言語検出は自動で行われます。言語サポート。
NVIDIA GPUの所有者は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MP3が2分の作業になります。GPUアクセラレーションの詳細。
MP3は依然として普及しているポータブル音声フォーマットです。ポッドキャストはMP3フィードを配信し、講義はMP3ダウンロードとして保存され、多くのレコーダーから音声メモがMP3としてエクスポートされ、インタビューや会議録音の歴史的アーカイブはほぼ独占的にMP3として存在しています。これらのファイルの中身を読もうとする人は誰もが同じ問題に直面します。WindowsにはMP3からテキストへの変換ツールが組み込まれていないのです。
多くの人が（多くの場合デフォルトで）たどり着くのが、MP3をクラウドの文字起こしサービスにアップロードすることです。Otter、Trint、Rev、Sonix、Happy Scribe、Descriptなどがこれを提供しています。これらは機能しますが、3つの欠点があります。長いファイルではすぐに膨れ上がる1分あたりの料金、遅い接続でのアップロード時間と帯域幅のコスト、そして機密録音に対するプライバシーの懸念です。4つ目の欠点はより稀ですが深刻です。一部のサービスには無料ティアにファイルサイズやファイル長の制限があり、支払いをしないと実際に文字起こしできるものを静かに制限してしまいます。
技術的な知識を持つユーザーが発見し、そして二度と元に戻らない代替手段は、ローカルでの文字起こしです。小さなアプリをインストールして、MP3をドラッグするだけでテキストが得られます。StarWhisperはこのための最も人気のあるWindows向けオプションです。モデルはOpenAI Whisperで、多くのクラウド文字起こしサービスを支えているのと同じ基盤技術です。ただ、ベンダーに実行にお金を払う代わりに、ローカルで実行します。
一般的な状況における具体的な数字：
60分のMP3をStarWhisperにドロップします。一般的なノートパソコンのCPUで6〜12分、NVIDIA GPUで1〜2分待ちます。結果として得られる8,000語のトランスクリプトをノートアプリやコンテンツ管理システムにコピーします。セットアップを含む合計時間：初回ユーザーでも15分未満、再来ユーザーなら2分未満です。
90分のインタビューMP3をドロップします。最新のCPUでの処理時間：10〜18分。出力：約12,000語のプレーンテキストトランスクリプト。軽く編集して、下書き記事に貼り付けます。無料です。Revなら9〜22.50ドルかかったはずの1分あたりの料金はかかりません。
30個の古い録音の入ったフォルダをドロップします。StarWhisperがそれらをキューに入れます。その場を離れましょう。30個のトランスクリプトが、一致するファイル名で保存された状態で戻ってきます。音声をデジタル化するフリーランスのアーキビストや研究者にとって、これは何週間も文字起こしペダルの前に座る作業に取って代わるワークフローです。
録音された音声メモ（多くの場合スマートフォンからのM4Aですが、MP3でも同様に機能します）をドロップします。5分のメモが1分未満で700語のテキストになります。歩きながらアイデアを記録し、検索可能な記録として残しておくのに役立ちます。
正直な数字です。高品質のマイクからの明瞭な英語音声（ポッドキャスト、プロのインタビュー）において、Whisperは約95〜99%の精度を達成します。これはRevのAIティア、Otterの自動文字起こし、およびほとんどのクラウドサービスの標準ティアと同等以上です。
精度が低下するケース：
比較として、人間による文字起こし（1分25セントのRevヒューマン）は、明瞭な音声で約99%の精度を誇り、エッジケースでの劣化が少ないです。トレードオフはコストです。無料のローカル文字起こしは、公開や検索に十分な品質で、現実世界のMP3ユースケースの90%を処理します。エッジケースでの精度が重要な残りの10%については、有料のヒューマン文字起こしにもまだ存在意値があります。
StarWhisperは、文字起こし前にファイルを変換することを要求しません。サポートされている形式：
| 形式 | 一般的なソース | 対応 |
|---|---|---|
| MP3 | ポッドキャスト、ダウンロード | はい |
| WAV | プロ音声、スタジオ録音 | はい |
| M4A | iPhoneボイスメモ、Zoom audio_only | はい |
| AAC | iTunes、一部のポッドキャスト | はい |
| OGG / OPUS | WhatsApp、Telegramのボイスメモ | はい |
| FLAC | ロスレスアーカイブ | はい |
| WMA | 古いWindowsの録音 | はい |
| MP4（動画） | YouTube、Zoom動画 | はい（音声抽出） |
| MOV / AVI / MKV | その他の動画 | はい（音声抽出） |
関連する変換ワークフローについては、iPhoneのボイスメモに特化したM4AIをテキストに変換する方法、またはスタジオ録音向けのWAVをテキストに変換する方法をご覧ください。
多くのMP3ファイルには、第三者のサーバーに置いておきたくないコンテンツが含まれています。NDA下にある録音されたインタビュー。カスタマーサポートの通話。セラピーセッションの録音。個人的な考えを含むプライベートな音声メモ。ローカルでの処理のみに同意した人間の被験者の研究者による録音。調査報道の情報源の録音。
クラウドの文字起こしサービスは、これらをすべて自社のインフラにアップロードします。強力なプライバシーポリシーがあったとしても、音声は他人のハードウェアに置かれます。上記のカテゴリにとって、それは許容できないことが多いのです。
StarWhisperのローカルモードは、パイプライン全体をお客様のデバイス上に保持します。MP3のデコードはCPUで行われます。WhisperモデルはCPUまたはGPUで実行されます。結果のテキストはハードドライブに書き込まれます。お客様が共有を選択しない限り、デバイスから何も出ていきません。これにより、上記のユースケースのプライバシー要件が満たされ、機密性の高いコンテンツのクラウド文字起こしに伴う法的・倫理的な疑念が取り除かれます。
プライバシーアーキテクチャの完全な詳細については、プライバシーとオフラインアーキテクチャのページをご覧ください。規制業界での音声の扱いについては、HIPAAコンプライアンスFAQ、セラピスト向け音声テキスト変換ページ、または研究者向け音声テキスト変換ページをご覧ください。
StarWhisperの無料ティアでは、1日500単語、1週間あたり3,500単語の文字起こし出力が可能です。一般的な60分のMP3は約8,000語を生成します。つまり、1つの長いエピソードで1日の無料上限を超えてしまいます。ファイル自体の処理は可能（ファイル自体に長さ制限はありません）ですが、最初の約500単語のみが本日の無料割り当てとしてカウントされます。
数日に1回短いMP3を文字起こしするカジュアルなユーザーにとっては、無料ティアで十分です。長時間の音声を日常的に処理する人（ポッドキャスター、ジャーナリスト、研究者、コンテンツクリエイター）には、Proプランが上限を解除します。月額10ドルまたは年額80ドルです。Proの詳細と料金。無料プランは有効期限がない永久のものなので、支払い前に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は単語上限を解除し、カスタム語彙や優先クラウドフォールバック（オプトインした場合）などのワークフロー機能を追加するだけです。純粋なMP3からテキストへの使用において、実質的な唯一の違いは1日の制限です。
上記のMP3のワークフローは、いくつかの隣接するガイドと同じパターンです。ファイルがiPhoneのボイスメモの場合は、M4Aをテキストに変換する方法をご覧ください。録音されたインタビューの場合は、インタビューを文字起こしする方法をご覧ください。ポッドキャストのエピソードの場合は、ポッドキャストを文字起こしする方法をご覧ください。Zoom通話の録音の場合は、Zoom通話の文字起こしガイドをご覧ください。説教や講義の場合は、説教を文字起こしする方法または講義を文字起こしする方法をご覧ください。これらはすべて同じドラッグ＆ドロップのフローを使用します。変わるのはソース音声だけです。