ブラウザ内で動画から音声トラックを取り出し、Whisper用の16 kHzモノラル音声に変換して、バックグラウンドで字幕の時間を作成します。対応するパソコンではWebGPUで高速化し、それ以外は低速なCPUモードに切り替わります。書き出す前に、認識された言葉と字幕の開始、終了時刻を修正できます。
自動字幕生成ツール
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。
動画に自動で字幕を付けるには？
動画を追加すると、この自動字幕生成ツールがWhisper音声認識を端末内で実行します。時間付きの字幕を作成し、文章と表示時間を編集してSRTまたはVTTで保存できます。動画は送信されませんが、初回はブラウザがAIモデルをダウンロードします。
使い方
- 1動画を選ぶ. MP4、WebM、MOV、M4V、MKVの動画をドロップするか、アップロード欄をクリックして選びます。
- 2時間付き字幕を生成する. 「字幕を生成」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、その後は端末内で音声が処理されます。
- 3字幕を1つずつ確認する. 編集画面から字幕を再生し、認識された言葉を直します。表示が早すぎる、遅すぎる場合は開始時刻と終了時刻も調整します。
- 4字幕ファイルを保存する. 動画編集ソフトや配信サービスで広く使えるSRT、またはHTML動画やWeb公開向けのVTTをダウンロードします。
こんな方に
- ショート動画の制作者が、字幕をデザインして映像に焼き込む前に、読みやすい下書きを作る場合。
- 講師や研修担当者が、録画した授業を見やすくし、ダウンロードできる字幕ファイルを用意する場合。
- ポッドキャスターや取材者が、公開前の会話動画をクラウドへ送らず、時間付きの字幕案にする場合。
- アクセシビリティ担当者が、発話、氏名、効果音、表示時間、読みやすさを人の目で確認するための初稿を作る場合。
よくある質問
動画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読み取り、デコードした音声だけを同じ端末内のワーカーへ渡します。ワーカーはHugging FaceからWhisperモデルをダウンロードしますが、動画、音声、字幕を送信しません。CanDoYaがファイルを受信、保存することもありません。
自動字幕生成は無料ですか？
はい。アカウント、料金、字幕時間の上限、透かし、書き出し制限はありません。端末が文字起こしを行うため、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。従量制の通信では、モデルのダウンロード分が通信量に含まれる場合があります。
字幕を作れる動画の容量と長さは？
500 MBまでのファイルを選べます。分数による固定の上限はありませんが、デコードとAI処理を端末内で行うため、長い動画ほど多くのメモリと時間が必要です。1時間ほどの録画には新しいノートパソコンを使い、メモリを多く使うタブを閉じるか、先に動画を分割してください。
対応している動画形式は？
MP4、WebM、MOV、M4V、MKV、AVI、MPEG、OGVを選べます。実際に音声をデコードできるかは、ブラウザとOSが対応するコーデックによって決まります。一般的にはAAC音声のMP4とOpus音声のWebMが多くのブラウザで動きます。
自動生成した字幕は編集できますか？
はい。各字幕の文章、開始時刻、終了時刻を編集できます。再生ボタンで字幕の開始位置へ移動し、認識の誤りや時間のずれを直してください。空の字幕、開始より前に終わる字幕、動画時間を超える字幕がある間は書き出せません。
SRTとVTTの違いは？
SRTは動画編集ソフトや配信サービスで広く使われる字幕形式です。WebVTTも似た時間付きテキスト形式ですが、Web向けに作られ、HTMLのvideo要素で直接利用できます。このツールは見た目の装飾や映像への焼き込みをせず、両方を書き出します。
WebGPUがなくても字幕を生成できますか？
はい。対応するGPUではWhisperを速く動かせるため、まずWebGPUを試します。利用できない場合や失敗した場合は、CPU上のWebAssemblyで再実行します。多くのブラウザで使えますが、特にスマートフォンや古いパソコンで長い動画を処理すると時間がかかります。
自動字幕はアクセシビリティ用途に十分正確ですか？
確認用の下書きには使えますが、そのまま完成版にはできません。雑音、音楽、重なる声、アクセント、珍しい名前、専門用語は認識ミスの原因になります。音の説明や話者名も省かれるため、正式なクローズドキャプションとして公開する前に動画を確認し、必要な音情報を追加してください。