ジャーナリスト、研究者、人事担当者、法務チーム向けのプロフェッショナルなインタビュー文字起こしソフトウェア。 OpenAI Whisper AIを使用し、高精度でリアルタイムにインタビューを録音・文字起こしします。機密性の高い会話を保護するため、完全にオフラインで動作します。
すべてのジャーナリスト、質的研究者、ポッドキャスターがこの摩擦を痛いほど知っています。2時間のインタビューを終えた後、文字起こしという厳しい現実に直面します。手作業のタイピングには録音時間の3〜4倍の時間がかかります。クラウドベースのインタビュー文字起こしソフトウェアは分あたり$0.15〜$0.30の費用がかかり、90分の調査インタビュー1回だけで、編集を始める前に文字起こし料金として$22〜$45がかかります。研究ごとに数十人の参加者へのインタビューを行う研究者にとって、この計算はすぐに不可能になります。
しかし、コストは問題の一部にすぎません。より緊急な問題は機密性です。内部告発者の情報源、機密性の高い出来事を語るトラウマの生存者、オフレコの文脈を共有する企業の内部関係者、これらの人々は、自分の声をスタートアップのアルゴリズムが処理できるようにバージニア州のAWSサーバーにアップロードすることに同意していません。クラウドベースの文字起こしを使用すると、まさにそれが起こります。オーディオはあなたのマシンから離れ、インターネットを経由して、処理されている間は他人のインフラに置かれます。
学術的なIRB（機関審査委員会）プロトコルでは、人間を対象とした質的研究において、クラウド文字起こしをデータセキュリティの懸念としてますます指摘するようになっています。ジャーナリストも出版物の法務チームから同様の圧力を受けています。セレブリティのゲストやビジネスエグゼクティブを扱うポッドキャスターは、クラウドアップロードを複雑にするNDA（秘密保持契約）を結んでいることがよくあります。信頼性が高く、プライベートで、費用対効果の高いインタビュー文字起こしソフトウェアの必要性はかつてないほど高まっていますが、既存のソリューションはかつてないほど不十分です。
Otter.aiやTrintはサブスクリプション料金を請求し、さらに文字起こし可能時間に厳しい上限があります。Revは人間による文字起こしに対して分単位で課金するか、精度の低いAIティアを提供します。Dragon NaturallySpeakingはディクテーション用に設計されており、録音済みの会話を文字起こしするためのものではありません。これらのツールはどれもオフラインでは機能しません。すべてのツールがオーディオをコンピュータから外部に送信します。ほとんどは企業の予算向けに価格設定されており、独立したジャーナリストや学部の奨学金で運営されている大学院の研究者向けではありません。
StarWhisperは、これまでに公開された中で最も精度の高いオープンソース音声認識システムの1つであるOpenAIのWhisperモデルをベースに構築されており、68万時間の多言語オーディオでトレーニングされています。最大の違いは、StarWhisperがWhisperをローカルのWindowsマシンで完全に実行するため、オーディオがデバイスから一切外に出ないことです。
すべての処理がローカルで行われるため、送信ログ、サーバー側の録音、サードパーティのデータ処理契約について心配する必要はありません。インタビューのオーディオは、録音した瞬間から文字起こしが完成するまで、ハードドライブ上に保管され続けます。これが、デジタルワークフローで機密情報源を保護するためのアーキテクチャとして唯一の堅牢な方法です。
Proプランは月額$10（または年額$80）で、無制限の時間を文字起こしできます。週に5回のインタビューを行う新聞記者は、年間約400時間のオーディオを生成します。クラウドサービスでは、その量に対して$3,600〜$7,200を請求されます。StarWhisper Proのコストは$120です。50人の参加者へのインタビュー研究を行う学術研究者にとっても、その計算は同様に明確です。
StarWhisperのフローティングウィジェットを使用すると、Word、Googleドキュメント、Notion、Scrivener、またはCMSに直接ディクテーションできます。インタビューオーディオを再生しながらパラフレーズをディクテートしたり、リアルタイムの文字起こしを使用して記者会見やパネルでのライブ応答をキャプチャしたりできます。文字起こしは、すでに作業しているアプリ内にインラインで表示されます。
スペイン語、フランス語、ドイツ語、北京語、アラビア語、日本語、ポルトガル語を含む29以上の対応言語を備えたStarWhisperは、別の翻訳ステップなしで国際的なインタビューを処理します。Whisperの多言語モデルは言語を自動検出することもできるため、国をまたぐ比較研究を行う研究者に役立ちます。
CUDA対応のNVIDIA GPUをお持ちの場合、StarWhisperは録音済みのオーディオをリアルタイムより大幅に高速に処理できます。large-v3モデルを使用したミドルレンジのGPUでは、60分のインタビューの文字起こしに約4〜8分かかります。大量のインタビューコーパスを文字起こしする研究者にとって、これは実用的な画期的な機能です。CPUのみのマシンでも問題なく動作しますが、少し遅くなります。
以下は、地方紙の調査ジャーナリストがStarWhisperを主要なインタビュー文字起こしソフトウェアとして使用した場合の現実的なワークフローです。
午前8:30、インタビュー前の準備。 StarWhisperのフローティングウィジェットを開きます。言語を英語に設定し、smallモデル（最新のPCでライブメモを取るための実用的なデフォルト）を選択します。ウィジェットは画面の隅にあり、邪魔になりません。
午前9:00、電話でのライブインタビュー。 StarWhisperで録音をクリックします。情報源が話すと、リアルタイムの文字起こしプレビューがインラインで表示されます。重要な引用が画面に即座に表示されるため、正確な表現を書き留めるために慌てる必要がなくなります。ジャーナリストは、文字起こしエンジンがキャプチャを処理している間、メモ帳でフォローアップの質問を入力します。
午前10:15、インタビュー後のクリーンアップ。 生の文字起こしはデスクトップ上のテキストファイルに保存されます。ジャーナリストはそれをWordで開き、聞き間違い（明瞭なオーディオでは通常1時間あたり1〜3箇所）を素早くスキャンして修正し、重要な引用を強調表示します。75分のインタビューの総クリーンアップ時間は8分です。
午前10:25、執筆開始。 ジャーナリストはStarWhisperのディクテーションモードを使用して、記事のドラフトをCMSに直接ディクテートします。書式設定コマンドを含め、自然に話すと、文字起こしが記事のドラフトに直接表示されます。オーディオプレーヤーとキーボードを切り替える必要はもうありません。
午後2:00、ビデオ通話での2回目のインタビュー。 ビデオ通話からのオーディオ出力を録音します。通話後、オーディオファイルをStarWhisperのファイル文字起こしモードにドラッグします。処理を開始します。その場を離れます。6分後に完全な文字起こしに戻ります。
手作業の文字起こしと比較して、このワークフローはインタビューの日あたり約2.5〜3時間を節約します。定期的なジャーナリズムの仕事の1年間では、これは数週間の回復時間に相当し、クラウドの文字起こし料金で数百ドルを節約できます。
インタビューの文字起こしにおけるプライバシーは単なる特殊なケースではなく、仕事の中心です。StarWhisperがプロフェッショナルが遭遇する主なコンプライアンスシナリオにどのように対応するかを以下に示します。
国内外のジャーナリストの秘密保持法は大きく異なります。一貫しているのは、サードパーティのクラウドサービスにアップロードされたオーディオデータが法的リスクを生むということです。StarWhisperのローカル処理により、召喚可能なサーバー、交渉すべきデータ保持ポリシー、サードパーティのアクセスログが存在しません。オーディオはあなたの管理下であなたのマシン上に留まります。
学術的なIRBプロトコルは通常、インタビューの録音を暗号化されたアクセス制御された環境に保存することを要求します。クラウド文字起こしサービスは、署名されたデータ処理契約がない限り、通常この要件を満たしません。StarWhisperは完全にオフラインで動作するため、個人健康情報（PHI）や個人を特定できる情報（PII）がサードパーティのネットワークを通過することはありません。これにより、GDPRに完全に準拠しやすく、HIPAAに敏感な学術研究のコンテキストに適しています。HHSのHIPAAプライバシールールのガイダンスも参照してください。
ポッドキャスターやビジネスインタビュアーは、オーディオコンテンツの配布を制限するNDAの下でゲストを録音することがよくあります。NDAで保護された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こと自体が違反となる場合があります。StarWhisperを使用したローカルのみの処理は、このリスクを完全に排除します。ゲストのオーディオがワークステーションから出ることはありません。
StarWhisperは、最初のダウンロードから10分以内に操作できるように設計されています。以下は、ジャーナリストや研究者向けに最適化されたセットアップの流れです。
大量のインタビューコーパスを管理する研究者にとって、Proプランは明らかに必要です。制限のない無制限の処理により、クラウドプロバイダーの月間時間割り当てをやりくりする代わりに、週末に50件のインタビューすべてをバッチ処理できます。ワークフローのヒントについては、プロフェッショナル文字起こしソフトウェアのガイドもご覧ください。
以下は、現役のジャーナリストと学術的な質的研究者という2つの一般的なユーザープロファイルの具体的なROIの内訳です。
週3回のインタビュー × 50週 = 年間150回のインタビュー
平均インタビュー時間：60分
手作業の文字起こしの節約：年間約270時間
回避したクラウドコスト：年間約$1,350〜$2,700
StarWhisper Proのコスト：年間$120
論文研究のための40回のインタビュー
平均インタビュー時間：90分
手作業の文字起こしの節約：約180時間
回避したクラウドコスト：$810〜$1,620（一時的）
StarWhisper Proのコスト：合計$10〜$40
無料プラン（1日500語）は、たまの文字起こしのニーズ、少数の参加者にインタビューする学生、または週に1回のポッドキャストエピソードを文字起こしするライターに適しています。Proプランは、この作業を真剣に行っている人にとって、1回の完全なインタビューで元が取れます。
「地方自治体を担当しており、週に約8回のインタビューを行っています。StarWhisperを使う前は、日曜日の午後を文字起こしの追いつきに費やしていました。今ではその時間を実際の執筆に充てています。録音された電話の精度は予想以上に高く、オーディオ1時間あたり5〜6語修正する程度です。」
、地方紙記者、3年間使用
「私のIRBプロトコルでは、インタビューデータをサードパーティのサーバーにアップロードしないことが求められていました。その時点ですべてのクラウドサービスは除外されました。StarWhisperは、完全にオフラインで実行できる唯一のWindowsオプションでした。large-v3モデルは、参加者の英語とスペイン語が混ざった音声を驚くほどうまく処理します。」
、社会学の博士課程候補者、論文研究
「週次のビジネスポッドキャストを運営しています。2時間のエピソードで、年間50エピソードです。クラウド文字起こしサービスに月額$240を支払っていました。年額$80のStarWhisper Proは比較にもなりません。品質が同等であることに気づけば、明らかに正しい選択です。」
、B2Bポッドキャストホスト、テクノロジー業界
クリーンなオーディオ（直接マイク、静かな部屋）の場合、smallまたはmediumモデルで精度は通常97〜99%です。圧縮された電話のオーディオや騒がしい環境では、条件に応じて90〜95%に低下します。large-v3モデルは、難しいオーディオを大幅にうまく処理します。ほとんどのジャーナリストは、一般的な電話インタビューで1時間あたり3〜8語の修正を報告しています。
はい。録音をMP4またはMP3としてエクスポートし、StarWhisperのファイル文字起こしモードに読み込みます。オーディオが抽出され、ローカルで処理されます。ライブのZoom通話の場合は、仮想オーディオケーブルを使用して、通話オーディオをStarWhisperにルーティングし、リアルタイムで文字起こしできます。
単一の主要な言語内では、Whisperは偶発的な外国語の単語や名前をうまく処理します。文中で2つの言語を本当に切り替えるインタビューの場合、結果はまちまちです。主要な言語は正確に取得できますが、もう一方の言語は部分的にしか取得できません。Whisperの29以上の対応言語のいずれかでの純粋な単一言語のインタビューは、優れた精度で文字起こしされます。
はい。すべての処理がローカルで行われるため、オーディオや文字起こしデータがサードパーティに送信または保存されることはありません。これにより、ほとんどのIRBプロトコルが機密性の高いインタビュー録音に対して課すデータ最小化およびローカルストレージの要件を満たします。コンプライアンス体制を最大限に強化するために、研究用コンピュータでフルディスク暗号化を併用してください。
GPUアクセラレーション（NVIDIA RTX 3060以上）とmediumモデルを使用した場合：約4〜6分。smallモデルを使用したCPUのみのマシンの場合：プロセッサの速度に応じて15〜25分。GPU上のlarge-v3モデルは、60分のオーディオに8〜12分かかります。すべての時間は、ライブストリーミングではなく、録音済みファイルの文字起こしのものです。
話者ダイアライゼーション（自動話者ラベリング）は現在、組み込みの機能ではありません。文字起こしは、タイムスタンプ付きの連続したテキストストリームとして生成されます。2人の話者のインタビューの場合、多くのユーザーがコンテキストに基づいて手動でラベルを付けます。StarWhisperの正確な文字起こしをベースにすると、典型的な1時間のインタビューでこのプロセスには5〜10分かかります。
StarWhisperはWAV、MP3、M4A、FLAC、OGG、およびほとんどの一般的なオーディオコンテナ形式を受け入れます。ビデオファイル（MP4、MOV、MKV）もサポートされており、StarWhisperはオーディオトラックを自動的に抽出します。インポート前の変換は不要です。
RevのAIティアは$0.25/分で、60分のインタビューで$15かかり、オーディオはRevのサーバーにアップロードされます。Otter.aiの無料プランは月300分に制限されています。両方のサービスにはインターネットが必要です。月額$10のStarWhisper Proは無制限で、完全にオフラインで、オーディオを送信しません。大量のユーザーやプライバシーに敏感な作業にとって、比較にならないほど優れています。プロフェッショナル文字起こしソフトウェアの比較もご覧ください。
ジャーナリストとして情報源を保護する場合でも、研究者としてIRBコンプライアンスを維持する場合でも、ポッドキャスターとしてNDAで保護された録音を管理する場合でも、インタビューを文字起こしする際にオーディオがどこに行くかという問題は無視できません。StarWhisperは、あなた自身のハードドライブを除き、どこにも行かないという競争力のある答えを提供します。
無料プランはアカウントなしで今すぐ始められます。月に数回以上のインタビューを文字起こししている場合は、月額$10または年額$80のProプランが最初の週で元が取れます。ダウンロードして、次のインタビュー録音で実行し、文字起こしの品質を自分の目で確かめてください。
関連：ジャーナリスト向けディクテーションソフトウェア • ジャーナリスト向けボイスレコーダーの文字起こし • プロフェッショナル文字起こしソフトウェア