MP3 をテキストに変換 — AI 文字起こし

耳に聞こえる圧縮と、エンジンが読む圧縮は別物

MP3 は、耳が聞き逃さない周波数を捨てます。そして音声認識は同じ論理を快く受け入れます。文字起こしが依存するもの——音素、音節の境界、文のピッチの輪郭——は、普通の MP3 圧縮をそのまま生き残ります。通常のビットレートで書き出されたポッドキャストは、エンジンが必要とする言語的な内容を本質的にすべて運んでいます。だから MP3 からの文字起こしは、まったく妥協ではありません。音声は音楽よりはるかに狭い周波数帯を占有し、通常のビットレートはその帯を潤沢に保ちます。聞こえるノイズはシンバルや残響の尻尾に宿るのであって、誰かが「15」と言ったのか「50」と言ったのかには宿りません。

機構としては、ファイルはまずクリーンな WAV 音声にデコードされ、その上で FunASR の文字起こしパイプラインが走ります。中間ファイルはあなたの目に触れません。これは、音響モデルが常に均一な入力に向き合うために存在します。あなたの MP3 がどんなビットレートやサンプルレートを使っていても関係ありません。あなたにとってフォーマットはただの包み紙です。エンジンにとって、言葉は最初から中身でした。

音声が対応しているときは、3 つのファイル

TXT ファイルが中心的な成果物です。プレーンテキストの完全な文字起こしで、そのまま引用、編集、アーカイブできます。成功したジョブはすべてこれを生成し、開くのに特別なソフトは要りません。すべてのメモアプリ、エディター、チャット窓が何も考えずに受け入れるフォーマットです。

SRT と対話ファイルは約束ではなく、ベストエフォートの追加物です。タイミングと分割についてエンジンが推論できることに依存します。まばらな発話、重なり合う会話、長い沈黙は、エンジンに材料を残さないことがあり、一方または両方が欠けることがあります。TXT だけを返すジョブは成功しています。このページは、3 つのファイルがいつも揃うとは振る舞いません。実際に現れたとき、SRT はタイムスタンプを音声に合わせて保ち、対話ファイルは発話を読めるブロックにまとめます。

字幕がワークフローに重要なら、タブを閉じる前に結果ページを確認してください。生成された成果物はすべてそこに一覧表示され、SRT が欠けていることはジョブについてではなく、あなたの音声について語っています。

得意なところ、苦手なところ

エンジンは、中国語に最適化されたモデル paraformer-zh を基盤とする FunASR パイプラインです。中国語の音声が最も正確に文字起こしされ、中国語・英語の混在音声——技術の会議やプロダクトレビューが実際に聞こえる通り——は実力の見せ所です。モデルは文の途中で言語を切り替えても筋を失いません。中国語のプレゼンに英語の製品名、API への言及、数字が混ざる録音は、まさにモデルが調整されたケースです。

純粋な外国語の音声は率直な弱点です。英語のみの録音やその他の言語は品質が限定的で、うるさい部屋や強い訛りはそれをさらに下げます。はっきり言う方が、自信たっぷりの間違った文字起こしを渡すよりましです。

境界はもう 2 つあります。30 分を超える音声は受け付けられないので、長い録音はアップロード前に分割してください。そして結果の話者情報はエンジンがたまたま出したものであり、ないことがあります。話者分離について強い約束はしていません。

所要時間、費用、プライバシー

ほとんどの変換は数分以内に終わります。タスクの上限は約 45 分で、最も遅い受け入れ可能な録音までカバーします。エンジンの動作中は進行状況が表示されます。MP3 のデコードは時計にほとんど加わりません。文字起こしが支配的です。30 分の録音が受け付ける最も重いケースであり、上限はそれに合わせて設定されています。

ツールは無料、アカウント不要で、アップロードされた MP3 と生成されたすべてのファイルは 24 時間以内に自動削除されます。アップロードは HTTPS で運ばれ、処理は変換クラスタ上のメモリ内で行われ、サードパーティ広告ネットワークはページを見ません。メールアドレスは一切求めません。