ツール › デバイス上の AI
字幕の自動生成と音声の文字起こし
OpenAI の Whisper をブラウザーで動かし、動画や録音の音声を字幕にします。どの行も修正でき、SRT・VTT・TXT でダウンロードするか、そのまま動画に焼き付けられます。
音声認識モデルは一度だけこの端末にダウンロードされます。録音が端末の外に出ることはありません。 ファイルを選ぶまで何も始まりません。
しくみ
- 音声はこの端末でデコードされ、Whisper が聞き取る形式である 16 kHz モノラルに変換されます。
- 長い録音は自然な間で最大 30 秒ずつに区切られ、各パートがタイムスタンプ付きで文字起こしされます。パートが終わるたびに行が表示されます。
- 言語は最初の発話から自動判定されます。自分で選ぶこともできます。「英語に翻訳」を使うと、Whisper が対応する 99 言語の音声を英語字幕にできます。
- WebGPU があればグラフィックカードで、なければ WebAssembly でプロセッサー上で動作します。
よくある質問
動画はアップロードされますか？
いいえ。音声モデルは Hugging Face から一度だけダウンロードされて端末に保存されます。ファイルがこのタブの外に出ることはありません。
ダウンロードサイズは？
WebGPU なしでは「高速」が約 41 MB、「高精度」が約 77 MB です。WebGPU ありではグラフィックカード用の版が約 120 MB と 206 MB です。どちらも次回のために保存されます。
どのくらい時間がかかりますか？
WebGPU があれば通常は録音の長さよりずっと速く終わります。プロセッサーでは「高速」で録音の約半分、「高精度」で録音とほぼ同じ時間がかかります（初回はダウンロード時間も加わります）。
どのモデルを使っていますか？
OpenAI の Whisper tiny（高速）と Whisper base（高精度）です。MIT ライセンスで公開され、Hugging Face の ONNX 版を使っています。字幕は商用にも使えます。
字幕を動画に入れられますか？
はい。「動画に焼き付ける」を押すと、行と動画を読み込んだ状態で字幕の焼き付けツールが開きます。スタイルを決めて書き出すだけです。