音声ファイルを無料で文字起こし。ファイルはアップロードしません

音声や動画のファイルを選ぶと、OpenAIのWhisperがこのブラウザのタブの中で文字に起こします。ファイルがアップロードされることはありません。無料で、アカウント登録も時間制限もありません。

ブラウザの対応状況を確認しています…

使い方

  1. モデルを選びます。話している言語は自動で判定し、判定が微妙なときは日本語を優先します。言語を一覧から指定することもできます。
  2. ファイルを選びます。初回は、選んだWhisperモデルをブラウザがHugging Faceからダウンロードします。以後は保存されるので、次のファイルからはすぐに始まります。
  3. WhisperはWebGPUに対応したブラウザならGPUで、それ以外ならWebAssemblyを使ってCPUで動きます。長いファイルは話の切れ目で30秒以内に分けて処理し、最後にテキストをつなぎ合わせます。
  4. 必要なら文章を修正し、コピーするか、TXT、またはタイムスタンプ付きのSRT、VTT字幕として保存します。

ファイルはお使いの端末の中だけで処理します

無料の文字起こしサイトの多くは、録音をいったん自社のサーバーにアップロードします。このページはアップロードしません。音声はブラウザがデコードし、同じタブで動くWhisperに渡します。ご自身で確かめることもできます。ブラウザの開発者ツールでNetworkタブを開き、文字起こしを実行してみてください。初回にhuggingface.coからモデルファイルが届くのが見えるだけで、ファイルのアップロードは発生しません。

そのため、インタビューや打ち合わせの録音、医療や法律に関するメモなど、第三者に渡したくない音声に向いています。

ページから外に出る情報は2つありますが、どちらにもファイルや文章の中身は含まれません。Cookieに同意した場合は、他のページと同じく通常のアクセス解析が読み込まれます。また、Cookieを使わない匿名のカウントを当社のサーバーに送ります。送るのは、ファイルを選んだとき(おおよそのサイズと読み込み方法)、文字起こしが終わったとき(モデル名、CPUかGPUか、「1〜5分」のような大まかな長さ、処理速度)、失敗したとき(失敗した段階)です。利用状況と問題の起きている箇所を知るためのものです。コードはGitHubで公開しているので、動作を直接確認できます。

どのモデルを選べばいいですか

モデルダウンロードサイズ（CPU / GPU）向いている用途
Tiny41 MB / 120 MBはっきりした話し声の下書きをすばやく作りたいとき（英語のほうが向いています）、古いパソコンやスマートフォン
Base77 MB / 206 MB話し手が1〜2人で聞き取りやすい録音
Small249 MB / 586 MB日本語の精度を上げたいとき、なまりや雑音があるとき

GPU版のサイズが大きいのは、GPUで効率よく動く形式で重みを保存しているためです。3つのモデルはどれも多言語対応で、Whisperが学習した99言語を扱えます。日本語で精度を重視するならSmallをおすすめします。誤りが多いと感じたら、まず1つ上のモデルを試してください。

対応形式、長さ、速度

MP3、WAV、M4A、AAC、OGG、Opus、FLAC、WEBMの音声と、MP4、MOV、MKV、WEBM動画の音声トラックに対応しています。対応形式が最も多いのはChromeとEdgeです。開けないファイルは、先にMP3かWAVに変換してください。

時間制限はありませんが、処理するのはお使いのパソコンなので、速度はパソコンの性能で決まります。WebGPUでGPUを使うとCPUだけの場合よりずっと速く、CPUでは長い録音に録音時間以上かかることもあります。終わるまでタブは開いたままにしてください。ChromeとEdgeでは大きなファイルを少しずつ読み込むので、数GBの動画でもパソコンで処理できます。この機能がないブラウザでは、パソコンで1 GB、スマートフォンで200 MBまでです。

デスクトップアプリが向いている場合

このページは、手元にあるファイルのためのものです。音声入力をしたい場合は、StarWhisperデスクトップアプリが同じWhisperをWindowsとApple Silicon搭載Macのネイティブアプリとして動かします。ショートカットキーを押して話すと、メール、Word、Slack、コードエディタなど、入力中のアプリに文字が入ります。CUDA、Vulkan、Metalで高速に動き、セットアップ後はオフラインで使えます。無料プランは週2,000ワードまでの音声入力で、アカウントは不要です。Proでは、ブラウザのメモリ制限がないアプリ内でのファイル文字起こしと、MediumとLargeのモデルが使えます。

StarWhisperをダウンロードする

よくある質問

本当に無料ですか？

はい。処理するのはお使いのパソコンなので、当社に1分ごとの費用はかからず、制限を設ける理由もありません。アカウント登録は不要で、テキストにロゴや透かしが入ることもありません。

音声はどこかに送信されますか？

いいえ。ファイルはブラウザの中で読み込まれ、文字起こしされます。ダウンロードされるのは、このページ、jsDelivrの文字起こしライブラリ、Hugging Faceのモデルファイルだけです。

言語は自動で判定できますか？

はい。初期設定は「自動で判定」で、Whisperが最初の30秒を聞いて最も可能性の高い言語を選びます。録音が音楽や無音で始まる場合は、言語を指定したほうが良い結果になります。

翻訳はできますか？

Whisperは他の言語の音声を英語のテキストに翻訳できます。ファイルを選ぶ前に「結果を英語に翻訳する」にチェックを入れてください。英語以外の言語には翻訳できません。

話者は区別されますか？

いいえ。Whisperは話された内容を書き起こしますが、誰が話したかは区別しません。

パソコンで遅いのはなぜですか？

多くの場合、ブラウザがWebGPUに対応しておらず、CPUで動いているためです。ファイル欄の下の表示で、どちらで動くか確認できます。最近のWindowsやMacのChromeかEdgeが最も速く、3つのモデルの中ではTinyが最速です。

スマートフォンでも使えますか？

最近のスマートフォンと最新のブラウザなら動く場合がありますが、メモリがずっと少ないため、選べるのはTinyとBaseだけです。短い録音のほうがうまくいきます。