録音はパソコンから出ません

アップロードの手順はありません。ファイルはブラウザのタブの中で読み込まれて文字起こしされ、文章はそのままエディターに入ります。取材、診療メモ、顧客との通話が端末の外に出ることはありません。

「録音」ボタンで録った音はメモリの中にだけあり、タブを閉じると消えます。文字起こしの文章はブラウザに保存されるので、再読み込みしても失われません。

聞きながら直す

各行の先頭に小さな時刻チップがあります。押すとその文から元の音声が流れるので、名前や数字の確認はワンクリックです。再生中は、話している行がエディターで示されます。

普通の文書と同じように文章を直せます。時刻はそれぞれの行についたままなので、あとでダウンロードする SRT や VTT には、直した内容と元のタイミングの両方が入ります。

高速か高精度か

初期設定は「高速」です。英語には英語専用のエンジンを使います。区切りごとに実際の長さで処理し、毎回 30 秒まで埋めることはしないので、短い録音はすぐに終わります。ほかの言語には小型の多言語エンジンを使います。

「高精度」は大きめの多言語エンジンを使い、初回のダウンロードも大きくなります。ノートパソコンでプロセッサーだけを使って試したところ、22 秒の英語の録音は「高速」で約 1 秒、「高精度」で約 13 秒かかり、どちらも名前、日付、金額を正しく起こしました。ある名前やなまりが「高速」で何度も間違うときは、手で直す前に「高精度」を試してください。

無音から文字は出しません

音声エンジンは、誰も話していないところで文章をでっち上げがちです。私たちのテストでは、風と車の音だけの 32 秒のクリップが「Thank you.」になりました。そのため長い無音はエンジンに送らず、「Thank you」「Thanks for watching」のような短い文は、その下の音が話し声らしくないときだけ削除します。講演の最後の本当の「ありがとう」は残ります。

ダウンロードできる形式

TXT は段落だけのテキストです。文はつながり、1.5 秒以上の間があると新しい段落になります。SRT と VTT は字幕ファイルで、1 枚最大 2 行、1 行は英語で 42 文字、日本語と中国語で 18 文字までです。YouTube、Premiere、DaVinci Resolve、CapCut でそのまま使えます。Word（DOCX）は Word、Pages、Google ドキュメントで開けます。

文章を読み上げて聞きたいときは、ダウンロードメニューの「読み上げ」を使います。TextToSpeech.tools が文字起こしを入れた状態で開きます。

制限

1 ファイル最長 3 時間です。16 kHz モノラルで 1 時間の音声はおよそ 115 MB のメモリを使うため、スマホでとても長いファイルを扱うと、終わる前にメモリが足りなくなることがあります。その場合はファイルを分けて文字起こししてください。

動画ファイルは、ブラウザが音声トラックをデコードできれば使えます。よくあるのは AAC 音声の MP4、MOV と、Opus の WebM、MKV です。音声トラックのないファイルには、空の文字起こしではなくはっきりしたメッセージが出ます。