スタジオセッション、ポッドキャスト録音、ボイスオーバーマスター、オーディオブックステム。.wavファイルを無料のWindowsアプリにドラッグするだけで、ローカルで文字起こしが完了します。96k、48k、24ビット、マルチチャンネルに対応。アップロード不要、従量課金なし。
ドラッグして、待って、コピーするだけ。あらゆるサンプルレート、ビット深度、長さに対応。
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。サインアップやクレジットカードは不要です。
StarWhisperを開きます。エクスプローラーから.wavファイルをウィンドウにドラッグします。StarWhisperはあらゆるサンプルレート（8k〜96k）、ビット深度（16、24、32ビットフロート）、モノラルまたはステレオのWAVを読み取ります。まず特定のフォーマットにレンダリングダウンする必要はありません。DAWがエクスポートしたものはすべてアプリが処理します。
StarWhisperはCPUまたはGPU上でローカルに音声を処理します。速度：モダンなノート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WAVはCPUで約6〜12分、ミドルレンジのGPUで約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ウィンドウに文字起こし結果が表示されます。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、字幕ワークフローのためにタイムスタンプ付きのSRTやVTTとしてエクスポートします。ショーノート、エピソードページ、オーディオブックスクリプトなど、文字起こし結果が必要な場所に貼り付けます。
プロ向けオーディオワークフローにおける具体的な利点。
クラウドサービスは帯域幅を節約するため、大きなWAVのアップロードを不可逆圧縮の中間フォーマットに再エンコードすることがよくあります。StarWhisperは元の24ビットロスレスファイルをディスクから直接読み取ります。
多くのクラウド文字起こしサービスは、無料枠で数百メガバイトを超えるWAVを拒否するか、一定の閾値を超えると追加料金を請求します。StarWhisperはWAVフォーマットの制限である4 GBまでのファイルを処理します。
96k、88.2k、48k、44.1k、32k、24k、16k、8kすべてに対応。16kへの内部リサンプリングは高品質で、ソースレートに関わらず文字起こし精度は同一です。
デフォルトのローカルモードは、お使いのCPUまたはGPUでWhisperを実行します。WAVはローカルでデコード・文字起こしされ、結果はドライブに書き込まれます。NDA下のスタジオセッションに便利です。プライバシーの詳細。
WAVから直接キャプション対応ファイルを生成します。ポッドキャストの動画版にアクセシブルな文字起こしを追加したり、字幕トラックを作成したりするのに便利です。字幕ガイド。
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、文字起こし速度が約5倍に跳ね上がります。1時間のWAVが2分の作業になります。GPUの詳細。
WAV（Waveform Audio File Format）は、1990年代初頭からオーディオのプロフェッショナルが使用している、非圧縮のロスレスコンテナです。すべてのDAWはWAVにエクスポートします。すべてのスタジオアーカイブはマスターをWAVで保存します。すべてのボイスオーバーの納品仕様書はWAVを要求します。すべてのポッドキャスト制作工程は、配信用にMP3やAACにエンコードされる前に、最終的にWAVマスターとして仕上げられます。
その理由は単純です。WAVは元の音声をビット単位で完全に保持します。コーデックも、圧縮アーティファクトも、品質の劣化もありません。DAWでポッドキャストエピソード、ボイスオーバーセッション、オーディオブックのナレーションを録音し、48 kHz 24ビットのWAVとしてバウンス（書き出し）する場合、そのファイルは今後のあらゆる決定における標準的な参照元となります。配信用のMP3はWAVから作成し、その逆は行いません。
WAVの文字起こしにおける問題は、プロ向け音声として理想的であるのと同じ特性が、オンラインツールにとっては扱いにくいものになることです。ファイルサイズが大きく（1時間の48kステレオ24ビットWAVは約1.0 GB）、アップロードに時間がかかります。多くのクラウド文字起こしサービスは、無料枠でファイルサイズに上限を設けたり、大きなファイルに追加料金を請求したり、アップロードを不可逆圧縮の中間フォーマットにサイレントに再エンコードしたりします。StarWhisperは、お使いのマシン上でWAVを第一級のフォーマットとして、無料で、オフラインで、アップロードステップなしで処理します。
プロ向けオーディオのワークフローでは、正当な理由によりサンプルレート、ビット深度、チャンネルレイアウトを入念に選択します。これらの選択はマスタリング、ミキシング、そして最終的なリスナーの体験に影響を与えるからです。しかし、文字起こしに関しては、状況ははるかにシンプルです。
Whisperは16 kHzの音声で学習されています。StarWhisperは、モデルを実行する前に、高品質なリサンプラーを使用してWAVを内部的に16 kHzにダウンサンプリングします。96 kHzのWAVは、同じ音声の16 kHzバージョンと同じ文字起こし結果を生成します。人間の音声はほぼ100 Hzから8 kHzの周波数帯域を占めており、8 kHzを超えるものは子音のディテールや環境音であり、Whisperは単語認識にそれらを使用しません。高いサンプルレートは文字起こしには無駄です。
16ビット、24ビット、32ビットフロートはすべて同じように文字起こしされます。ビット深度はダイナミックレンジを制御しますが、これは音楽制作には重要ですが、単語認識には関係ありません。Whisperはソースのビット深度に関わらず、内部的に32ビットフロートで動作します。
Whisperはモノラルモデルです。StarWhisperは処理前にステレオおよびマルチチャンネルWAVをモノラルにダウンミックスします。ほとんどのポッドキャストやボイスオーバーのコンテンツではこれで問題ありません。各話者が別々のチャンネルにいるインタビュー録音の場合、オーディオエディタを使用してWAVをチャンネルごとのモノラルファイルに分割し、それぞれを個別に文字起こしするのが最もクリーンなアプローチです。これにより、ポストプロダクションでラベル付けして組み合わせることができる話者ごとの文字起こし結果が得られます。
現実的な時間を含む、一般的なプロ向けオーディオのシナリオ：
60分のエピソードを48kステレオ24ビットWAV（ディスク上で約1 GB）としてバウンスします。StarWhisperにドロップします。CPU処理時間：6〜12分。GPU処理時間：1〜2分。出力：ショーノートに適したプレーンテキストの文字起こし約8,000語。軽く編集して公開。ポッドキャスト固有のワークフローの詳細については、ポッドキャスター向けの音声からテキスト変換またはポッドキャストの文字起こし方法を参照してください。
ナレーションされたチャプターを48kモノラル24ビットWAVとしてエクスポート、再生時間45分（約500 MB）。StarWhisperにドロップします。出力：約6,500語のチャプターテキスト。ナレーションを元の台本と照らし合わせて、言い間違いや抜けを確認するのに役立ちます。
3人のホストによるインタビューで、セッション後に各ホストが別々のWAVチャンネルに録音されています。各チャンネルをモノラルWAVとしてエクスポートします。それぞれをStarWhisperに個別にドロップします。結果：タイムコードと話者ラベルを使用してポストで組み合わせることができる3つの話者別文字起こしです。総処理時間は線形にスケールします。3つの60分モノラルWAVは、CPUで約18〜36分、GPUで約3〜6分かかります。
声優が30秒のCMのテイクを10回録音します。各テイクは個別のWAVとしてエクスポートされます。フォルダをStarWhisperにドロップします。アプリはすべてのテイクをキューに入れ、それぞれに対してラベル付けされた文字起こしファイルを生成します。代理店のレビュー段階で、テイクごとの言葉遣いを比較するのに役立ちます。
多くの場合、WAVマスターとMP3配信コピーの両方を持つことになります。文字起こしに関しては、ほとんど常にWAVが答えです。
WAVはソースに最も近いため、Whisperが処理できる最もクリーンな信号を持っています。MP3は不可逆コーデックを通過しているため、高周波数の子音の輪郭がわずかにぼやけ、トランジェント部分に圧縮アーティファクトが追加されます。Whisperはどちらも適切に処理しますが、ボーダーラインの音声（強いアクセント、早口の発話、専門用語）では、WAVの方が測定可能なほど優れた文字起こし結果を生成します。
例外は、WAVが大きくて不便であり、MP3で十分な場合です。ソースのマイクがしっかりしていて、部屋の防音処理がされているクリーンなスタジオのポッドキャストエピソードの場合、MP3の文字起こし結果はWAVの文字起こし結果と実質的に同じです。取得しやすい方を使用してください。アーカイブやアクセシビリティの目的で文字起こし結果が必要な場合は、WAVを使用してください。MP3から始まる関連ワークフローについては、MP3をテキストに変換する方法を参照してください。ソースがiPhoneのボイスメモまたはQuickTimeのエクスポートの場合は、M4Aをテキストに変換する方法を参照してください。
スタジオのWAVファイルには、サードパーティのサーバーに置くべきではないコンテンツが含まれることがよくあります：
クラウド文字起こしサービスは、内容に関わらずWAVをインフラにアップロードします。プライバシーポリシーが強力である可能性はありますが、ファイルは依然としてあなたの管理下を離れます。上記のカテゴリでは、契約、倫理、規制、または法的な理由から、それが許容できないことがよくあります。
StarWhisperのローカルモードは、すべてをお使いのデバイス上に保持します。WAVはアプリによってデコードされ、WhisperモデルはCPUまたはGPU上で実行され、文字起こし結果はハードドライブに書き込まれます。マシンから何も外に出ません。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。特定の規制産業については、HIPAAコンプライアンスFAQまたは弁護士向けの音声からテキスト変換を参照してください。
StarWhisperの無料枠では、1日500語、週3,500語の文字起こし出力が提供されます。一般的な60分のWAVは約8,000語を生成します。つまり、1つの長いエピソードが1日の無料枠を超えることになります。ファイル自体を処理することはできますが（ファイルサイズや長さに制限はありません）、最初の約500語のみが本日の割り当てとしてカウントされます。
たまのスタジオ作業（数週間に1回のエピソード、まれなボイスオーバーセッション）には、無料枠で十分です。制作量の多い作業（毎週のポッドキャストエピソード、毎日のオーディオブック録音セッション、定期的なインタビューの文字起こし）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。無料プランは永久に利用できるため、支払い前に長いWAV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、同一の文字起こしを生成します。Proは単に単語数上限を解除し、カスタムボキャブラリー（業界固有の用語に便利）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します。純粋なWAV文字起こしにおいて、唯一の実質的な違いは1日の出力上限です。