家族や同僚からの7分にも及ぶ長いボイスメモにうんざりしていませんか？ファイルを無料のWindowsアプリにドロップして、数秒でトランスクリプトを読みましょう。96言語をサポートし、音声のアップロードはありません。
サインアップなし、アップロードなし、1分あたりの料金なし。
スマートフォンでしかWhatsAppを使っていない場合は、whatsapp.comまたはMicrosoft Storeからデスクトップクライアントを入手してください。開いて、スマートフォンでQRコードをスキャンすると、チャット履歴全体が同期されます。WhatsApp Desktopを使用すると、ブラウザ版のWhatsApp Webでは提供されないことの多い、ボイスメモ用の信頼性の高い右クリック「名前を付けて保存」メニューが利用できます。
チャット内のボイスメッセージを見つけます。右クリックして「名前を付けて保存」を選択します。WhatsApp Desktopがファイル名を提案し、オーディオを.opusまたは.ogg形式でダウンロードフォルダに保存します。どちらも標準的なOpusコーデックのファイルであり、StarWhisperはネイティブで処理します。何も変換する必要はありません。
ホームページからStarWhisperをダウンロードします。インストーラは小さく、セットアップ中に1回限りのモデルダウンロードが行われるため、その後はアプリをオフラインで使用できます。無料枠は1日500語、週3,500語まで対応しており、Proプランなしでも通常の個人利用には十分です。
StarWhisperを開き、エクスプローラーから.oggまたは.opusファイルをウィンドウにドラッグします。アプリが言語を自動的に選択し、文字起こしを開始します。一般的な30秒のボイスメモは、最新のCPUで2〜5秒で完了します。NVIDIA GPUがあれば、実質的に瞬時に完了します。
StarWhisperウィンドウにテキストが表示されます。クリップボードにコピーしてチャットやドキュメントに貼り付けるか、.txtファイルとして保存します。ボイスメモが検索可能で、読みやすく、引用可能なテキストになりました。全体を聞き直す必要はもうありません。
曖昧な利点ではなく、具体的な理由。
デフォルトのローカルモードは、お使いのPC自身でOpenAI Whisperを実行します。アップロード、第三者のストレージ、家族グループチャットを覗き見するサーバーは一切ありません。
ボイスメモがスペイン語、ヒンディー語、アラビア語、標準中国語、ポーランド語、または96のサポートされている言語のいずれであっても、StarWhisperが自動的に言語を判別します。
WhatsAppの.opusおよび.oggファイルを直接読み込みます。サードパーティのコンバータ、オンラインのMP3リッパー、コマンドラインのffmpegの呼び出しは不要です。
1回限りのモデルダウンロードを行えば、その後は完全にオフラインで動作します。フライト中、機密性の高い録音、またはネットワークを信頼できない場所で役立ちます。
サインアップの壁、クレジットカード、試用期間のカウントダウンなしで、1日に約5〜10件の典型的なボイスメモをカバーします。無料枠の詳細はこちら。
NVIDIA GPUをお持ちの方は、CUDAを介した実質的に瞬時の文字起こしをご利用いただけます。GPUサポートの詳細。
WhatsAppのボイスメッセージには特有の問題があります。歩きながら独り言できるため送信者には便利ですが、受信者にとっては非効率です。受信者はイヤホンを探して装着し、実際の情報を得るためにリアルタイムの速度で聞かなければなりません。親戚からの6分のボイスメモには、日付1つ、質問1つ、そして大量の文脈が含まれていることがよくあります。15秒でトランスクリプトを読むことは、間違いなく優れた体験です。
もう1つの理由は、検索性です。ボイスメモが文字起こしされると、チャット履歴内の言葉を検索できるようになります。WhatsApp独自の検索ではテキストメッセージしかインデックス化されないため、何ヶ月分ものボイスメモは不透明なブラックボックスになってしまいます。トランスクリプトをメモアプリやドキュメントに保存すれば、ボイスメモの情報を後から取得できるようになります。特定の連絡先（親、上司、プロジェクトリーダー）から大量のボイスメモを受け取る人は、それらをテキストに変換することでチャットとの関係が変わると報告しています。
クラウド文字起こしサービスも存在しますが、ほとんどは分単位で課金され、機密性の高い個人のオーディオをサーバーにアップロードするよう求め、クレジットカードでのサインアップが必要です。計算はすぐに悪くなります。1分10セントで、平均2分のボイスメモを週10回文字起こしすると、本来は小さなタスクであるのに月に8ドルかかります。StarWhisperのアプローチは、無料のローカルインストールで、1日の単語上限まで無制限の無料文字起こしを処理します。ほとんどのカジュアルなWhatsAppユーザーにとって、その上限に達することはありません。
最速の方法は、StarWhisperと同じWindows PCにWhatsApp Desktopをインストールすることです。リンクすると、すべてのチャット内のすべてのボイスメモを右クリックで保存できるようになります。これは、ボイスメモをたまに以上に文字起こしする予定がある人には推奨されるセットアップです。
上記のステップで既に説明しました。右クリックして、「名前を付けて保存」を選択し、StarWhisperにドラッグするだけです。わずか2クリックの手間です。デスクトップアプリをリンクしている限り、個人チャットでもグループチャットでも、すべてのチャットのすべてのボイスメモで機能します。
Androidでは、ボイスメモを長押しし、3点メニューをタップして「共有」を選択し、添付ファイルとして自分のメールアドレスに送信します。iPhoneでは、ボイスメモを長押しして「転送」をタップし、次に共有矢印アイコンをタップして「メール」を選択します。WindowsでGmailまたはOutlookを開き、添付ファイルをダウンロードして、そのファイルをStarWhisperにドラッグします。ファイルは通常、Androidでは.opus、iPhoneでは.m4aとして届きます。StarWhisperは両方を処理します。
何ヶ月分ものボイスメモを一括で文字起こしするには、スマートフォンでチャットを開き、チャット設定に移動して、「チャットをエクスポート」を選択し、メディアを含めるオプションを選択します。WhatsAppはすべてのオーディオ添付ファイルを.opusとして含むzipファイルを作成します。zipをPCに転送して解凍し、フォルダをStarWhisperにドロップします。アプリはすべてのボイスメモを順番に処理し、各トランスクリプトにファイル名でラベルを付けます。これは、何年分もの家族チャットのオーディオを検索可能なテキストに移行する際に人々が使用する方法です。
StarWhisperの無料プランでは、1日500語、週3,500語まで利用できます。一般的な60秒のWhatsAppボイスメモは約150語のテキストに文字起こしされます。この計算では、無料枠で1日約3〜5件、週20〜25件のボイスメモに相当します。ほとんどの個人のWhatsAppの利用において、これで十分です。
WhatsApp Businessを通じて小規模ビジネスを運営している場合、クライアントから大量のボイスメモを受け取る場合、または過去の録音を一括で文字起こしする場合、制限が影響を及ぼし始めます。Proプランは月額10ドルまたは年額80ドルで、単語制限が完全に解除されます。Proプランの詳細と料金は専用ページにあります。また、支払い前に自分のワークロードで機能するかどうかを確認したい場合に、無制限アクセスのロックを解除する無料の7日間トライアルもあります。
無料のローカルモードとProのローカルモードは、同一のトランスクリプトを生成します。Proプランでは、別のモデルやより賢いモデルが提供されるわけではありません。単に単語制限を解除し、いくつかのワークフロー機能（カスタムホットキー、語彙、オプトインした場合の優先クラウドフォールバック）を追加するだけです。たまに親から届く長いボイスメモを読みたいだけの人にとって、無料枠で十分です。
友人や家族からのボイスメモは、スマートフォン上で最もプライベートなオーディオデータの一部です。それには、医療上の悩み、恋愛関係のドラマ、同僚に関する意見、家族の秘密、およびサーバーのどこかに保存されることを望まないような何気ないコメントが含まれています。そのオーディオをクラウド文字起こしサービスにアップロードすると、第三者がコピーを取得することになります。
StarWhisperはデフォルトでローカルモードで実行されます。ドラッグしたオーディオファイルはCPUまたはGPUでデコードされ、ハードドライブ上のWhisperモデルが文字起こしを行い、結果のテキストが画面に表示されます。何もアップロードされません。リモートサーバーにログも記録されません。品質保証のために人間がレビューすることもありません。ファイルを処理する前にネットワーク接続を切断することで、自分自身でこれを確認できます。文字起こしは引き続き機能します。
エッジケースでの精度をわずかに向上させるために、OpenAI Whisper APIを特に使用したい場合、設定でクラウドモードをオプトインで有効にできます。これは明確に表示され、デフォルトでオフになっており、知らぬ間にオンになることはありません。機密性の高い個人的なボイスメモについては、デフォルトの設定のままにしておいてください。プライバシーの詳細については、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。
文字起こしの速度は、ハードウェアとボイスメモの長さによって異なります。一般的なマシンでWhisper mediumモデルを使用した場合のおおよその数値は次のとおりです。
| ハードウェア | 30秒のボイスメモ | 2分のボイスメモ | 10分のボイスメモ |
|---|---|---|---|
| 最新のノートパソコンCPU（i7またはRyzen 7） | 2〜5秒 | 10〜20秒 | 1〜2分 |
| NVIDIA RTX 3060（CUDA） | 1秒未満 | 2〜4秒 | 10〜20秒 |
| NVIDIA RTX 4090（CUDA） | 1秒未満 | 1秒未満 | 5〜8秒 |
| 古いCPU（5年以上） | 5〜10秒 | 30〜60秒 | 3〜6分 |
Whisperモデルのサイズも重要です。StarWhisperはバランスの取れた選択（medium）をデフォルトとしていますが、設定でより小さい（高速、精度はやや低い）またはより大きい（低速、より精度が高い）モデルに切り替えることができます。ボイスメモに関しては、デフォルトでほぼ常に問題ありません。大きな品質のギャップは、Windowsの内蔵ディクテーションとWhisperの間にあり、Whisperのモデルサイズ間ではありません。
うまく機能しないケースについて正直に申し上げます。第一に、非常に騒がしいオーディオです。交通量の多い屋外や風の中で録音されたボイスメモは、精度が95%以上から80%程度に低下する可能性があります。トランスクリプトは読めますが、いくつかの誤字が見られる場合があります。第二に、文中での激しいコードスイッチングです。ボイスメモが他のすべての単語で2つの言語を切り替える場合、Whisperは一方を選択し、もう一方を音訳することがあります。第三に、特定の言語の非常に強い地方の方言です。スペイン、メキシコ、アルゼンチンの標準スペイン語はすべてうまく機能しますが、非常に訛りの強い農村部の方言はモデルを混乱させる可能性があります。
これらすべてに対する回避策は同じです。文字起こしを試し、その結果が完全な記録ではなく、有用な第一稿として受け入れることです。ほとんどの個人的なボイスメモにおいて、精度は十分に優れています。
また、1つの録音に複数の声が含まれるグループチャットのボイスメモ（まれですが起こります）向けの話者分離機能は組み込まれていません。StarWhisperはすべてを単一のテキストブロックとして文字起こしします。必要であれば、後から手動で分割できます。
これが役に立ったなら、同じパイプラインが他のオーディオタイプにも機能します。多くの人がWhatsAppのボイスメモを処理するためにStarWhisperをインストールし、それがインタビューの文字起こし、ポッドキャストの文字起こし、会議の文字起こしにも役立つことに気づきます。ドラッグ＆ドロップのファイルフローは同じで、オーディオのソースが変わるだけです。また、音声で入力してどのアプリにも書き込むリアルタイムディクテーションモードもあります。これは別のユースケースですが、同じインストールで利用できます。