仕組みと内部処理
音声ファイルや動画から音声トラックをブラウザ内で直接抽出し、長時間の録音も負荷を抑えて 28秒ごとの滑らかなセグメントに分割した上で、端末内に保存したローカル音声認識モデルを使ってプライベートに文字起こしします。
使い方ステップ
「高速モード」(約67〜127MB・英語や短時間向け)または「高精度モード」(約102MB・日本語など多言語向け)を選び、「ワークスペースを準備」をクリックします。
発話言語(自動検出・日本語・英語・ベトナム語など)と出力モード(文字起こし / 英語翻訳)を選択します。
音声・動画ファイル(`.mp3`、`.wav`、`.m4a`、`.mp4`、`.webm`、`.ogg`)をドロップします。長尺データもセグメントごとに着実に処理されます。
タイムスタンプ付きテキストをコピーするか、`.srt` 字幕、`.vtt` Webキャプション、`.txt` テキストとしてダウンロードします。
主な機能と特長
- 完全ゼロアップロード:機密会議、医療・法務メモ、取材音声などを外部に漏らさず文字起こし
- MP4・WebM 動画からの音声自動抽出に対応
- 長時間の録音ファイルでも止まらず進むセグメント逐次処理
- `.srt`、`.vtt`、タイムスタンプ付き `.txt` をワンクリックで書き出し
ブラウザ内ローカル処理とプライバシー保護
一般的なWebツールは文書やメディアを外部サーバーへ送信します。ローカル Whisper 音声・動画 文字起こしツール(SRT/VTT/TXT出力) はお使いのブラウザタブ内のみで完結します:
入力テキストやファイルは端末内で処理され、外部の処理サーバーへアップロードされません。
作業内容や貼り付けたデータを保存・記録しません(通常の静的配信CDNリクエストのみ発生します)。
作業データはタブ内のメモリ上のみに保持され、リセットまたはタブを閉じると破棄されます。
よくある質問 (FAQ)
「高速モード」と「高精度モード」はどちらを選べばよいですか?
クリアな英語音声や短いメモには「高速モード」が非常にスピーディです。日本語やベトナム語、アクセントのある発話の文字起こし精度を高めたい場合は、多言語対応が強化された「高精度モード(約102MB)」をおすすめします。
動画ファイルを外部にアップロードせずに文字起こしできるのですか?
はい。お使いのブラウザがメモリ内で `.mp4` や `.webm` ファイルから音声トラックだけを直接抽出してからローカルで文字起こしを行うため、動画データは一切外部へ送信されません。