Windows PC上でAIの精度をもって講義、研究インタビュー、フィールド録音を文字起こしします。 99以上の言語をサポート。クラウド不使用。所属機関に定額料金なし。IRB（倫理委員会）への配慮を設計段階から組み込んでいます。
永久無料：週2,000単語まで。Proにアップグレードで無制限。
音声起こしソフトウェアは長らく、研究者、博士課程の学生、教授にとって、音声をテキストに変換するという不均衡な時間を費やす一因となってきました。30人へのインタビューを含む質的研究では、生の音声データが6〜10時間にも及ぶことがあります。一般的なタイピング速度（1分間50ワード）で計算すると、実際の分析を始める前だけで15時間以上の機械的な作業が必要になります。
Otter.aiやRevなどのクラウドベースの文字起こしサービスは一見解決策のように見えますが、重要な問題があります。多くの大学のIRB（倫理委員会）や倫理委員会は、研究参加者の音声データを、別途明確な同意を得ずにサードパーティのサーバーにアップロードすることを禁じています。インタビュー時にその同意を得ていないことが多く、研究者はコンプライアンスのジレンマに陥ります。
コンプライアンスの問題だけでなく、人類学的研究、オーラルヒストリー（口述歴史）、実験室での録音には、専門用語、方言、話者同士の発話の重なりが含まれることが多く、一般的なオンライン文字起こしではうまく処理できません。70〜80%の精度は一見良好に見えますが、5〜6語に1語の誤りを修正することを意味し、最初から手入力するよりも時間がかかることがあります。
そして、コストの問題があります。Revなどのサービスによる1時間分のプロによる文字起こしは1分あたり$1.50〜$2.50もかかり、60分のインタビューには$90〜$150が必要です。20以上のインタビューが必要な論文研究では、総額は数千ドルに膨れ上がり、ほとんどの大学院生の生活費ではカバーできません。
長年オフラインでの学術用音声起こしのゴールドスタンダートであったDragon Professionalは、高価な永久ライセンスと年次メンテナンス費用が必要で、非英語ネイティブや専門用語の精度が大きく低下します。Microsoftの組み込み音声認識は学習で改善されますが、研究用途には適さないバッチ処理ワークフローがありません。Googleの音声認識はクラウドのみで、IRBで保護されたデータには使用できません。
研究者が実際に必要としているのは、オーディオを完全にデバイス上で処理し、多言語データを扱い、標準的な大学のラップトップで動作し、プロによる文字起こし1回分より安く済むソフトウェアです。この組み合わせは長く利用不可能でしたが、OpenAI Whisperモデルがその状況を変えました。
StarWhisperはOpenAI Whisperアーキテクチャに基づいて構築されています。これは68万時間の多言語オーディオでトレーニングされたトランスフォーマー型の自動音声認識モデルです。研究者にとってこの基礎技術が重要なのは、Whisperが多様なアクセント、専門用語、低品質なフィールド録音を、以前の既製品のモデルより明確に処理するようにトレーニングされているからです。
StarWhisperはWhisper推論パイプライン全体をWindowsマシン上でローカルに実行します。文字起こしのためのサーバー送信、モデル推論のための送信、テレメトリのための送信、いずれもありません。これにより、サードパーティとのデータ共有を制限するIRBプロトコルと互換性があり、参加者の機密性がベンダーのプライバシーポリシーに依存せず構造的に保証されます。
欧州の機関でGDPR（一般データ保護規則）に基づく研究を行う場合、ローカル処理によりデータ移動影響評価の必要性が完全に排除されます。オーディオはハードディスク上に留まります。ハードディスクが暗号化されていれば（大学のITセキュリティポリシーでますます要求されています）、参加者データはエンドツーエンドで保護されます。
海外でのフィールドワーク、異文化心理学研究、地域研究では、英語以外の言語でのオーディオが routinely 生成されます。StarWhisperはフランス語、スペイン語、ドイツ語、中国語（マンダリン）、日本語、アラビア語、ポルトガル語、ロシア語など29以上の言語を、すべてオフラインで処理します。日本語のインタビューと英語のフォーカスグループセッションをツールを変更したり別のサービスにアップロードすることなく、同じワークフローで文字起こしできます。
すべての研究者がハイエンドワークステーションを持っているわけではありません。StarWhisperはデフォルトでWhisperの「small」モデルを搭載しており、これは現代のラップトップでのライブ音声入力や短いクリップ処理に推奨される実用的なデフォルトです。Proユーザーは「medium」モデル（非ラテンスクリプトや長音声に有用）と「large」モデル（長インタビュー録音のバッチ処理に最適、文脈の追加が役立つ）をアンロックできます。NVIDIA GPU搭載のラップトップをお持ちの場合、StarWhisperは自動的にCUDA加速を使用し、バッチ処理時間を数分から数秒へと短縮します。
フローティングウィジェットモデルにより、ウィンドウを切り替えることなく、NVivo、Atlas.ti、Dedoose、またはその他の質的分析ソフトウェアに直接音声入力できます。録音を聞きながら重要な箇所を復唱すると、StarWhisperがその場で文字起こしします。これはデータ分析中のメモ書きに特に有用であり、完璧な逐次文字起こしよりも思考を素早くキャプチャすることの方が重要であるという一般的な質的実践に合致します。
無料プランは週2,000ワードまで処理でき、短いインタビューやテストには十分です。Proは月額$10、年額$80で無制限の文字起こしをアンロックします。この年額費用はプロによる1時間分の文字起こし費用よりも安く、1学年分の博士課程コホートのインタビューすべてをカバーできます。
教育人类学の博士課程学生が、典型的なデータ収集週間中に学術用音声起こしソフトウェアをどのように使用するか、一例を紹介します。
午前8:30、学校管理者との75分間の半構造化インタビューを実施します。ポータブルレコーダーかスマートフォンで録音します。
午前9:55、オーディオファイルをラップトップに転送します。StarWhisperを開き、largeモデル（Pro）を選択してオーディオファイルをドロップし、開始ボタンを押します。GPU加速付きの中級ラップトップでは、75分のインタビューは約12分で文字起こしが完了します。
午前10:10、自動生成された文字起こしを確認します。固有名詞、機関名、2〜3箇所の聞き間違いを修正します。この修正には約20分かかりますが、全体を手入力する5時間以上に比べると大幅に短縮されます。
午前10:30、クリーンアップした文字起こしをコーディング用にNVivoにエクスポートします。StarWhisperのフローティングウィジェットを使用して、記憶が新鮮なうちにフィールドノートに直接観察を音声入力し、最初の反省的メモを書きます。
午後2:00、Atlas.tiでテーマ別コーディングを開始します。StarWhisperのフローティングウィジェットを使用して、コーディングしながら分析メモを直接ソフトウェアのメモ欄に音声入力し、解釈的な思考をコーディングのリズムを崩さずにキャプチャします。
午後4:30、さらに2つのインタビュー録音を一晩中のバッチ処理にキューに入れます。StarWhisperは離席中に順次処理し、翌朝にはファイルが出来上がっています。
このワークフローにより、かつては2〜3日かかっていた文字起こしのバックログが単一の朝の作業に圧縮されます。1学期に20件のインタビューを行う研究者にとって、これは機械的な労働時間として約80〜100時間の節約となり、その時間を分析、執筆、思考に直接充てることができます。
研究倫理ガバナンスは、クラウド文字起こしサービスの普及に追いついていません。ほとんどのIRBプロトコルは、「文字起こし」が人間のタイピストかローカルソフトウェアを意味する時代に記述されており、リアルタイムのクラウドアップロードを想定していません。多くの研究者が、Webベースの文字起こしツールを使用することで、無意識のうちに承認されたプロトコルに違反しています。
StarWhisperの完全オフライン処理モデルは、最も制限の厳しいIRBデータ処理要件と互換性があります。オーディオがデバイスから出ないため、IRB申請において参加者データがローカルで処理され、サードパーティと共有されないと誠実に表明できます。これにより、多くの質的研究者が現在不快感を抱きながら navigate しているコンプライアンスのグレーゾーンが排除されます。
一般データ保護規則（GDPR）の下では、研究参加者の音声録音は個人データであり、多くの場合第9条の特別カテゴリデータに該当します。このデータをクラウドサービスで処理することは、データ処理契約が必要なデータ管理者/処理者の関係を生み出し、参加者を越境データ転送にさらす可能性があり、個人研究者や小規模な研究チームには満たすのが困難な義務が生じます。
StarWhisperによるローカル処理は、すべてのデータを研究者の所属機関の管轄内に留め、クラウド処理者を完全にチェーンから排除します。これは、質的研究オーディオデータのGDPRコンプライアンスのための最もクリーンな技術的ソリューションです。
K-12または高等教育環境を研究する研究者は、FERPAも考慮する必要があります。研究コンテキストであっても、学生の録音は第三者への開示に関するFERPAの制限の対象となる可能性があります。繰り返しになりますが、ローカル処理がこのリスクを完全に排除します。
要約すると：もしあなたの研究がヒトを対象とし、機関の倫理監視を受けている場合、オフラインの学術用音声起こしソフトウェアは単なる利便性ではなく、コンプライアンス要件となり得ます。
学術研究向けStarWhisperの導入には10分もかかりません。質的研究ワークフロー向けの推奨セットアップは以下の通りです。
starwhisper.aiまたはMicrosoft Storeからインストーラーをダウンロードします。アカウント作成は不要です。インストーラーは約120MBで、Windows 10または11で動作します。
設定を開き、モデルタブに移動します。「small」モデルは、ほとんどの学術音声入力や短いクリップの文字起こしに実用的なデフォルトであり、日常使用に推奨されます。NVIDIA GPUがある場合は、同じ設定パネルでCUDA加速を有効にします。インタビュー録音や講義の長音声のファイル文字起こしには、Proユーザーは「large-v3」に切り替えることができます。短いメモや音声入力では、largeモデルが過剰修正を行うことがあるため、smallの方が勝る場合があります。
インタビューが英語以外の場合、設定で文字起こし言語を明示的に設定します。自動検出は良好ですが、短いオーディオクリップでは遅くなることがあります。二言語使用やコードスイッチングを含むインタビューの場合、自動のままにします。
実際の研究データを処理する前に、5分間のサンプルを実行してください。これにより、ハードウェア設定が正しく動作していることと、期待される精度のベースラインが確認できます。きれいなインタビューオーディオの場合、カスタムトレーニングなしで90〜97%の精度が期待できます。
StarWhisperはプレーンテキストを出力するため、NVivo、Atlas.ti、Dedoose、MAXQDA、またはその他の質的分析プラットフォームにきれいに貼り付けできます。分析セッション中にフローティングウィジェットを使用して、QDAソフトウェアに直接ライブ音声入力ができます。
学術用音声起こしソフトウェアのROI（投資対効果）計算は、手動文字起こしの時間コストが研究方法論の文献でよく記録されているため、異常に明確です。
| 総録音時間 | 25時間 |
| 手動文字起こし時間（録音長の4〜6倍） | 100〜150時間 |
| StarWhisper処理時間（largeモデル + GPU） | 約4時間 |
| 修正時間（5〜10%のエラー率） | 約10時間 |
| 節約時間 | 86〜136時間 |
| Pro年額費用 | $80 |
時間を最低賃金で評価しても、86時間の節約は$1,000以上の価値があり、最初の論文だけで年額$80のサブスクリプションが12倍以上のリターンをもたらします。継続的な研究プログラムを管理する教員にとって、ROIはすべての研究で複利します。
プロによる文字起こしサービスと比較すると：25時間のオーディオ（$1.50/分）にかかる費用は$2,250です。StarWhisper Proの1年間は$80です。損益分岐点は約54分のオーディオ、つまりインタビュー1回未満です。
「以前は民族誌的インタビューの文字起こしに月40時間を費やしていました。StarWhisperでは、自動文字起こしの確認が4時間に短縮されました。フランス語と英語のコードスイッチングの精度に驚きました。試したどのツールよりも優れています。」
、博士課程候補者、人类学、モントリオール大学
「私のIRBプロトコルでは、参加者データのクラウドサービスへのアップロードが明確に禁止されています。完全にオフラインでWhisper品質の文字起こしができるツールはStarWhisperだけでした。コンプライアンスの理由だけでサブスクリプションの価値がありますし、時間の節約はおまけのようなものです。」
、助教授、教育研究、中西部大学
「私は質的方法トレーニングプログラムを運営しており、新入生の博士課程学生全員にStarWhisperを推奨しています。学習曲線は基本的にゼロです。インストールしてモデルを選んで文字起こしするだけ。学生は機械的な労働ではなく、実際の研究に集中できます。」
、大学院研究科長、社会科学部
StarWhisperは複数の話者のオーディオを正確に文字起こししますが、現在、話者ダイアリゼーション（誰が話したかを自動的にラベル付け）は行いません。フォーカスグループの場合、文字起こしには正確なタイムスタンプが含まれますが、話者ラベルは手動で追加する必要があります。これは、ほとんどのローカルな学術用音声起こしツールと同じ制限です。話者ダイアリゼーションは開発ロードマップにあります。
StarWhisperの基盤であるOpenAI Whisperモデルは、多くの訛りグループにわたる非ネイティブ話者を含む意図的に多様なデータセットでトレーニングされました。DragonやGoogle Speechなどの古いASRシステムよりも、訛りのある英語を大幅に適切に処理します。Smallモデルは日常的な音声入力の実用的なデフォルトであり、訛りを良好に処理します。強い訛りのある長音声のバッチ処理には、Proユーザーはlarge-v3モデルに切り替えることができます。低品質録音での非常に強い訛りは、手動修正が必要になる場合があります。
ある程度良好です。Whisperは実世界のオーディオを想定して設計されており、ほとんどのASRシステムよりも適度な背景ノイズを適切に処理します。非常にノイズの多いフィールド録音（市場、屋外環境）の場合、文字起こし前にAudacityなどの無料ツールで基本的なノイズリダクションを適用すると、精度が大幅に向上します。
はい。オーラルヒストリー録音には高齢の話者、地域の方言、古い用語が含まれることが多く、Whisperベースのモデルは狭いドメインのASRシステムよりも優れる傾向があります。また、オーラルヒストリーの作業では、個人の記憶の敏感性により、正式に禁止されていなくてもクラウドアップロードが倫理的に疑わしい場合があるため、オフライン処理が特に重要です。
はい。StarWhisperは標準ユーザーアプリケーションとして実行され、実行に管理者権限は不要です（ただし、インストールにはITポリシーによって管理者権限が必要な場合があります）。Proライセンスはログインに関連付けられているため、ログインしている任意のコンピュータで使用できます。
Revは高額（$1.50+/分）で高精度なプロによるレビュー付き文字起こしを提供します。StarWhisper Proは、きれいなオーディオで93〜97%の精度を達成し、月額定額で利用できます。学術用途における決定的な違いはプライバシーです。Revはオーディオをサーバーにアップロードするため、IRBプロトコルと互換性がない可能性があります。StarWhisperはマシンから一切データを出しません。
StarWhisperはMP3、WAV、M4A、FLAC、OGG、MP4（オーディオトラックは自動抽出）を受け付けます。これはフィールド研究で使用されるほとんどすべてのレコーダーおよび録音アプリをカバーします。ZoomやTeamsで録画されたビデオインタビューは、MP4をStarWhisperに直接ドロップすることで文字起こしできます。
もちろんです。ライブ講義の文字起こしには、StarWhisperのフローティングウィジェット付きリアルタイムモードを使用すると、講師が話すと同時に文字起こしが表示されます。録音された講義の場合、バッチ処理により3時間のセミナー録音も数分で処理できます。多くの学生はまた、授業直後に講義の要約や学習メモを音声入力するためにもStarWhisperのフローティングウィジェットを使用しています。学生向けのユースケースについては、学術用ソフトウェアの概要や執筆向け音声入力ソフトウェアガイドをご覧ください。
StarWhisperは無料でダウンロードでき、アカウント、クレジットカード、クラウドアップロードは不要です。無料プランは週2,000ワードまでをカバーしており、コミットメント前に実際の研究オーディオでの精度を評価するのに十分です。IRBプロトコルと予算を尊重する学術用音声起こしソフトウェアです。
Windows 10/11 · アカウント不要 · IRB互換オフライン処理 · 29以上の言語