WAV をテキストに変換 — AI 文字起こし

生の音声から、使えるテキストへ

WAV は最も正直な形の録音です。非圧縮の PCM。マイクが捉えた通りのもので、エンジンと波形の間にコーデックのノイズは立ちません。WAV を文字起こしサービスに渡せば、失敗しうるデコード段階はなく、音響モデルが疑うべき圧縮の選択もありません。音が入り、言葉が出てくる。その間に言葉を傷つける機会はどこにもありません。録音アプリが既定で WAV を選ぶのは偶然ではありません。文字起こしが始まる前に、あなたの代わりに決定が行われたことが一度もないのです。音声は音楽よりはるかに狭い周波数帯を占有し、非圧縮のファイルはそのすべてを保ちます。

戻ってくるものは、文字の壁以上のものです。全文の文字起こしを収めたプレーンな TXT に加えて、パイプラインはタイムスタンプ付きの SRT 字幕ファイルと、テキストをセグメントに整列させる対話ビューを生成できます。この 3 つの成果物は、文字起こしの 3 つのよくある行き先——読むこと、字幕に使うこと、後から掘り返すこと——にきれいに対応します。

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、そのまま編集、検索、どこへの貼り付けもできます。成功したジョブはすべてこれを生成します。求められるのは、どんなテキストエディターと同じことだけです。

SRT と対話ファイルは保証ではなく、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から導かれ、一部の録音——まばらな発話、激しい重なり、長い沈黙——は材料をほとんど残さず、その場合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失敗ではありません。このページは、3 つのファイルを毎回約束することを拒みます。実際に現れたとき、SRT のタイムスタンプは音声に揃い、対話ビューは発話を読めるブロックにまとめます。

字幕ファイル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ます。SRT が欠けていることは、ジョブではなくあなたの音声についての声明です。

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——テック業界のスタンドアップミーティングとプロダクト会議の既定の語り口——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。

純粋に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限定的な品質で動作し、強い訛りやうるさい部屋は結果をさらに下げます。このページに書くのは、自信たっぷりの間違った文字起こしは、率直な警告より悪いからです。

境界はさらに 2 つあります。30 分を超える音声は受け付けられません。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す。ないことがあり、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

ほとんどのジョブは数分以内に終わります。文字起こしタスクの上限は約 40 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見えています。40 分という数字はタスクのタイムアウトであって、遅れの約束ではありません。短い録音が一般的なケースで、すぐに返ってきます。

ツールは無料、アカウント不要で、アップロードされた WAV 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、サイトでサードパーティ広告ネットワークは走りません。メールアドレスは一切求めません。社内会議の文字起こしは、それ相応の扱いに値します。