録音データを文字起こしサービスへ送らず、ブラウザ内で音声をテキストに変換するツールです。Whisperモデルはブラウザのワーカー内で動作するため、パソコンが推論処理をしている間もページを操作できます。WebGPUが利用できる場合は処理を高速化し、利用できないブラウザでは低速なCPUモードへ切り替わります。ダウンロードしたモデルはブラウザのキャッシュに保存され、次回以降も使えます。
音声文字起こしツール
すべてブラウザー内で動作します。アップロードも登録も不要です。
音声を外部に送らず文字起こしするには？
音声ファイルを追加すると、Whisperの音声認識モデルが端末内で動作します。結果は編集でき、TXTまたはSRTとして保存できます。録音データは送信されません。ただし、初回だけブラウザがAIモデルをダウンロードします。
使い方
- 1録音ファイルを選ぶ. MP3、WAV、M4A、OGG、FLAC、WebMのファイルをドロップするか、アップロード欄をクリックして選びます。
- 2端末内で文字起こしする. 「音声を文字起こし」を押します。初回は多言語対応のWhisperモデルがダウンロードされるまで待ち、その後は端末内で録音が処理されます。
- 3確認して保存する. 不確かな部分をもう一度聞いて誤りを直し、文字起こしをコピーするか、TXTまたはタイムスタンプ付きSRTで保存します。
こんな方に
- 取材者や研究者が、氏名や引用を録音と照合する前に、非公開の下書きを作る場合。
- 学生が、授業の録音や学習用の音声メモを外部に送らず、編集可能な文章にする場合。
- ポッドキャスターや動画制作者が、字幕用の下書きやタイムスタンプ付きSRTファイルを作る場合。
- 機密性の高い録音を扱うチームが、音声をクラウドの処理待ちに送らず、元データを端末に残す場合。
よくある質問
音声はサーバーへ送信されますか？
いいえ。選んだファイルはブラウザがデコードし、音声データは同じ端末内のワーカーだけに渡されます。ワーカーはHugging FaceからWhisperモデルのファイルをダウンロードしますが、録音や文字起こしを送信することはありません。CanDoYaがファイルを受信、保存することもありません。
音声文字起こしは無料ですか？
はい。アカウント、料金、利用時間のクレジット、透かしはありません。AIの推論は端末が行うため、実際に必要なのは処理時間、メモリ、初回のモデルダウンロードです。通信量に上限がある契約では、モデルのダウンロード分が加算される場合があります。
文字起こしできるファイル容量と録音時間は？
500 MBまでのファイルを選べます。録音時間に固定の上限はありませんが、長い録音ほど多くのメモリと処理時間が必要です。1時間ほどの会議や講義には、スマートフォンより新しいノートパソコンが向いています。
対応している音声形式は？
MP3、WAV、M4A、OGG、FLAC、WebMと、それらに近い形式を選べます。実際にデコードできる形式はブラウザとOSによって異なります。一覧にある拡張子でも開けない場合は、MP3または無圧縮WAVに変換してから再度お試しください。
Whisperはどの言語を文字起こしできますか？
使用するWhisper tinyモデルは多言語対応で、多くの話し言葉を自動判定します。精度は言語、アクセント、録音品質、話題によって変わります。別の言語への翻訳、話者の識別、氏名や専門用語の正確な表記には対応していません。
初回の文字起こしでモデルをダウンロードするのはなぜですか？
端末内で非公開のまま文字起こしするには、音声認識モデルをパソコンに置く必要があります。WebGPU版は約80 MB、量子化したCPU版は約105 MBです。通常はブラウザがキャッシュに保存するため、サイトデータやキャッシュを消さない限り、次回以降も再利用できます。
WebGPUがなくても音声文字起こしはできますか？
はい。対応するGPUでWhisperを高速に動かせるため、まずWebGPUを使います。WebGPUがない場合や失敗した場合は、CPU上のWebAssemblyで再試行します。多くのブラウザで動きますが、長い録音は処理に時間がかかり、特にスマートフォンや古いパソコンでは遅くなります。
文字起こしの精度はどのくらいですか？
音声が明瞭ならWhisper tinyで確認用の下書きを作れますが、逐語的な正しさは保証されません。背景音、音楽、重なる声、性能の低いマイク、珍しい名前、長い無音は精度を下げ、実際にはない言葉を生成することがあります。重要な引用、医療情報、法的な発言、決定事項は元の音声と照合してください。