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

  1. 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。

  2. 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。

出典と規格

すべてのツール