音声・動画から字幕作成(AI)
Whisperで音声をSRT・VTT・テキストに書き起こし、ブラウザ内で完結
ブラウザで動作
音声または動画ファイルをドロップ
MP3・WAV・M4A・OGG・MP4・WebMなど、ブラウザで再生できる形式
ファイルは端末から出ません。AIモデルだけが一度ダウンロードされ、ブラウザに保存されます。
初回はモデルをダウンロードし、次回からすぐ始まります。WebGPUのない端末では長いファイルに時間がかかります。
ブラウザでのAI文字起こしの仕組み
このツールは、OpenAIのオープンな音声認識モデルWhisperを、transformers.jsであなたの端末上で動かします。ブラウザが音声トラックをデコードして16 kHzに変換し、モデルが30秒ごとの区間を開始・終了時刻付きのテキストにします。その区間がSRTやWebVTTのキュー、またはテキストになります。モデルはHugging Face Hubから一度だけダウンロードされブラウザに保存されます。音声そのものはどこにも送信されません。WebGPUが使えればグラフィックカード、なければCPUで処理します。
使用例
- YouTube・TikTok・CapCut・Premiere用の動画に、手入力なしで字幕を付ける
- インタビュー、講義、会議、ポッドキャストの書き起こしを作る
- ボイスメッセージや短い音声メモをテキストにする
- 外国語の話し声を英語字幕に翻訳する
いつ使う?
約1時間までのファイルで、はっきりした話し声に向いています。高速は短いクリップや下書きに、バランスは標準に、高精度はなまりや雑音に強い一方でダウンロードが大きく、グラフィックカードがないと遅くなります。話されている言語が分かれば選んでください。短いクリップでは自動判定が外れることがあります。公開前に必ず結果を確認してください。固有名詞や専門用語がよくある誤りで、タイミングは字幕変換ツールで後から調整できます。
例
動画用のSRT字幕を作る
入力
日本語の2分間のMP4インタビュー。モデル:バランス。言語:日本語。出力:同じ言語。
出力
約30区間の時刻付き日本語字幕の .srt ファイル。プレーヤーや編集ソフトですぐ使えます。
講演を英語字幕に翻訳する
入力
スペイン語のポッドキャストの一部(M4A)。モデル:高精度。出力:英語に翻訳。
出力
元のタイミングのままの英語字幕(SRT・VTT・テキスト)。
よくある質問
音声はサーバーにアップロードされますか?
いいえ。ファイルはブラウザ内でデコードされ書き起こされます。ダウンロードされるのはHugging Face HubのAIモデルだけで、ブラウザに保存されます。
どのモデルを選べばいい?
まずはバランスから。短いクリップや遅いPCには高速、なまり・雑音・重要な作業には、大きなダウンロードを待てるなら高精度を。
なぜ遅いのですか?
音声認識は重い処理です。WebGPU(最新のChrome・Edge・Safari)ならグラフィックカードで大幅に速く、そうでなければCPUで動きます。終わるまでタブを開いたままにしてください。
対応言語は?
Whisperは約100言語に対応し、英語・スペイン語・中国語・日本語など話者の多い言語ほど高精度です。翻訳は常に英語へ行われます。