音声・動画の文字起こし

仕組み

文字起こしサービスでは録音のアップロードが求められますが、録音はインタビュー、会議、講義、相談など、誰にとっても最も機密性の高いファイルに含まれます。このツールは、音声モデルをお使いのマシン上で実行します。その代償は時間で、その長さは、開始した後ではなく、開始する前にお伝えするのが適切なほど大きなものです。

実際のところ、どのくらい遅いか

モデルは41 MBで、一度だけダウンロードされます。その後の文字起こしには、最新のノートパソコンで録音とほぼ同じ時間がかかり、古いマシンやスマートフォンでは2〜3倍かかります。5分のクリップならコーヒー1杯ほどの時間ですが、1時間の会議は現実的ではありません。長さの上限が初期設定で5分になっているのはそのためで、変更は不注意ではなく、意図して行ってください。

出力されるもの

タイミング付きの.srtまたは.vttの字幕は、ここにある字幕ツールで動画に焼き込めます。書き起こしとして使う場合はプレーンテキストです。タイミングはモデルから得られ、通常は近いものの、フレーム単位で正確ではありません。

精度について、正直に

これは小型のWhisperモデルです。大型のものは数百メガバイトあるため、これを選びました。マイクの近くで録音された明瞭な英語の音声には適しています。強い訛り、2人が重なって話す場合、背景ノイズ、専門用語、固有名詞には、はっきり弱くなります。句読点も一定しません。どこかに送る前に、全体を読んで確認してください。

英語のみ

英語専用モデルを使っているのは、同じサイズの多言語版より小さく、英語に対する精度が高いためです。