音声をテキストに文字起こし
初回は音声モデル（高速版 約45 MB、高精度版 約81 MB）をダウンロードします。このサイトから配信され、以降はブラウザにキャッシュされます。アップロードは行われません。文字起こしは機械によるものなので、公開する前に文言とタイミングを校正してください。
オプション
同じモデルの2段階です。高速版は約45 MBで、およそ2倍速く文字起こしします。高精度版は約81 MBで、大文字と句読点がより正確になります。どちらもこの端末で動作し、ダウンロードはブラウザごとに1回です。長い録音では、まず高速版で言語が合っているか確認してください。
録音で話されている言語です。自動の選択肢はありません。このモデルは言語を判定せず、未選択なら英語とみなします。中国語の録音を英語として読んでも失敗せず、流暢に見える意味不明な文が出てきます。そのほうがはるかに気づきにくいのです。実際に聞こえる言語を選んでください。
この頁は録音をプレーンテキストに変えます。言われたことの段落で、タイムコードはありません。聴き取りのエンジンは字幕版の頁と同じで、モデルも、30 秒の窓も、ローカルだけで動く規則も同じですが、最後の一歩が違います。1 文につき 1 つの cue を書く代わりに、文を段落へつなぎ、時刻をすべて落とすので、文書、メール、会議メモに貼れるものが出ます。
段落は、話し言葉で考えを実際に分ける 2 つのもので切れます。1.5 秒より長い間、または 4 文が続いたときです。間隔だけの規則では 5 分の独白が読めない 1 つの壁になり、文数だけの規則では息継ぎの間が新しい段落に割ってしまいます。両方を合わせると、その人が話したとおりに読めるものができます。
処理はローカルです。音声モデルはこのサイトから一度だけダウンロードし（速い段で約 45 MB、正確な段で約 81 MB）、以降はブラウザがキャッシュします。録音自体はタブから出ません。飛ばすべきアップロードの手順も、作るべきアカウントもなく、文字起こしサービスに送れないインタビューでこれが使える理由です。
出力は元の録音にちなんで名付けられた .txt ファイルです。film.mkv は film.transcript.txt になります。この別の接尾辞は意図的です。ほかのテキストファイルの隣に置かれた普通の .txt はそれが何かを言うべきで、機械が作った文字起こしは誰かが打った会議メモとは別の種類の文書だからです。
字幕版と同じく、出てきたものは校正が必要で、言語は手で選ぶ必要があります。このビルドのモデルは何も告げられなければ英語と仮定し、それを間違えるとエラーではなく流暢に見えるナンセンスが出ます。
よくある質問
字幕ファイルをテキストとして書き出す頁とどう違いますか？
違いは時刻がどこから来るかです。書き出しの頁はすでに cue を持つ字幕ファイルから始め、そのテキストを段落へつなぎます。時刻は存在していて、単に捨てられているだけです。この頁は時刻がまったくない音声から始め、まず時刻を作り、それから捨てます。字幕トラックのない録音がこちらでは動きあちらでは動かない理由で、この頁だけモデルのダウンロードが要る理由でもあります。
段落が 1.5 秒の無音で切れるのはなぜですか？
話者が考えを変えるのがおおよそそこだからです。短い間は文の内側に落ち、テキストを節の途中で切り刻みます。もっと長いしきい値は別々の話題を 1 つの段落につなぎます。4 文の上限は、録音に無音がまったくない場合 — 練習済みのナレーションや一発録りのポッドキャスト — のためで、間が訪れず、間隔だけの規則では 1 つの塊になるからです。2 つの規則を合わせて、両端を扱う最小の組になります。
文字起こしを証拠や公式の記録として使えますか？
出てきたままでは使えません。機械の最善の推測で、機械の文字起こしは名前、数字、専門用語を崩します。まさに記録で最も重要な言葉です。法務や医療の場面で正しい進め方は、下書きとして使い、音声と 1 行ずつ照合し、そのことを文書に書くことです。音声よりきれいな文字起こしは負債で、この頁がファイルを議事録らしい名前ではなく .transcript.txt と名付ける理由でもあります。
録音に音楽や、同時に話す複数の人がいるとどうなりますか？
重なる発話は単一ストリームのモデルが劣化する場所です。2 つの声が同時だと 1 つの長い文になり、話者ラベルは作られません。背景音楽はたいてい無視されますが、発話の下の大きな音楽は言葉をテキストから引き抜いたり、言われていない言葉を作ったりします。結果がところどころ妙に読めるなら、テキストの流れを信じず、その箇所で音声と比べてください。自信ありげな文は、それが言われた証拠ではありません。
文字起こしはチャプターやトラック名のようなファイル自身の構造を保ちますか？
保ちません。通るのは文字起こしされた音声だけで、チャプターマーク、トラック名、言語タグのようなコンテナのメタデータはテキストの一部ではありません。複数トラックのファイルから 1 つを文字起こしするとき、頁は落としたファイルの音声を読み、段落の切れ目はチャプターの位置ではなく間から来ます。長い録音を先にチャプターファイルへ分けるのは、その境界を出したいときの妥当な進め方です。