動画や録音から字幕を作る

インタビュー、講義、取引先との通話、製品デモ。字幕が必要な録画ほど、文字起こしサービスに送りたくないものです。ここでは音声認識モデルがこのタブの中で動くため、ファイルがパソコンの外に出ることはありません。

ツールを読み込み中…

使い方

  1. 動画または音声ファイルをドロップします。言語は自動判定のままで構いません。判定が違うときは言語を選んでください。
  2. 「字幕を作成」を押します。初回だけ音声認識モデル(パソコンに応じて 240 MB または 540 MB)を取得し、録音を区間ごとに文字起こしします。
  3. 動画で確認しながら文字と時刻を直し、.srt か .vtt でダウンロードします。字幕を焼き付けた MP4 も作れます。

アップロードが不要な理由

このページの処理はすべて、ブラウザのタブ内で動くコードが行います。ファイルはディスクからタブのメモリに読み込まれ、その場で変換され、ダウンロードとして書き出されます。当社にも第三者にも送信されません。

ご自身で確認する方法

  1. ブラウザの開発者ツール(F12)を開き、「ネットワーク」タブを選びます。
  2. ファイルを読み込んでツールを実行します。
  3. 表示されるのは、ツール自身のコードの読み込みと、一部の重いツールでは同じく当サイトからのエンジン取得か Hugging Face からのAIモデル取得、それに loreatec.jp への小さなアクセス集計(ページのアドレスとタイトルだけ)です。あなたのファイルを運ぶ通信は1つもありません。

外部送信ゼロの確認方法 →

よくある質問

精度はどれくらいですか?

はっきりした話し声で、一度に一人が話している録音なら、ほとんどの言葉は正しく書き起こされます。ただし結果は下書きとして扱ってください。BGM、複数人の同時発話、強いなまり、専門用語、音質の悪いマイクでは精度が下がります。人名・数字・専門用語を確認し、一度は動画と照らし合わせて読んでください。音楽や無音の部分で、誰も言っていない言葉が書かれることがあるので、その行は削除してください。時刻は 1 秒未満ずれることがあります。

どのモデルを使っていますか?なぜダウンロードが大きいのですか?

OpenAI Whisper(MIT ライセンス)を、Hugging Face で公開されている形式で使っています。ブラウザが WebGPU を使える場合は large-v3 turbo(約 540 MB)がグラフィックスで動き、単語ごとに時刻を付けます。それ以外では Whisper small(約 240 MB)が CPU で動きます。こちらは遅く、精度も下がり、時刻は単語ではなくフレーズ単位です。どちらも初回に一度だけ取得してブラウザに保存します。このサイトのローカル AI のページと同じファイルなので、二重にダウンロードされることはありません。

録音はアップロードされますか?

されません。音声の読み込み、文字起こし、字幕づくりはすべてこのブラウザのタブの中で行います。ダウンロードするのはモデル本体と、一部の形式では当サイトの動画エンジンだけです。モデルを読み込んだあとは機内モードでも動くので、ご自分で確かめられます。

字幕の行はどう区切られますか?

1 件の字幕は最大 2 行、1 行は日本語・中国語で 16 文字程度(欧文は約 42 文字)、表示時間は 1〜7 秒です。文の終わり、話の切れ目、読点で区切り、日本語では文節の切れ目を優先して、句読点や小さい「っ」などで行が始まらないようにしています。どの字幕も文字の修正、次の行との結合、削除ができ、時刻も手で直せます。

SRT、VTT、焼き付けのどれを選べばいいですか?

SRT は YouTube、Vimeo、動画編集ソフト、VLC など、ほとんどの場所で使えます。VTT はウェブページ(<track> 要素)や一部のサービス向けの形式です。焼き付けは映像に文字を直接描き込むもので、字幕ファイルを読み込めない場所向けです。動画全体をブラウザで H.264 の MP4 に再エンコードするため時間がかかり、あとから字幕を消すこともできません。

どれくらい時間がかかりますか?

パソコンによって変わります。内蔵グラフィックスの一般的なノートパソコンでは録音の長さの 1〜1.5 倍、CPU だけでは約 2 倍かかりました。専用のグラフィックスカードがあればもっと速くなります。録音は 30 秒ごとの区間に分けて文字起こしし、進行状況のバーにいまどの区間かを表示します。途中でいつでも中止できます。