無料オンライン音声文字起こし — 録音を文字にする
録音を 90 以上の言語でテキストに、タイムスタンプ付き — すべてブラウザの中で。
音声・動画ファイルをドロップ、またはクリックして選択
MP4, MOV, WebM, MP3, WAV など · 最長10分 · 初回はモデルをダウンロードし、その後は音声と同じくらいの時間
このタブの中で処理します。ファイルは外に出ません
初回実行時にモデルを一度だけダウンロード（Tiny 約 40 MB、Base 約 80 MB）し、ブラウザがキャッシュします — 2 回目以降はオフラインでも動きます。
このタブの中で処理します。ファイルは外に出ません
録音ファイルをドロップして、言葉を取り出しましょう: ボイスメモ、インタビュー、講義、ポッドキャスト — 約 90 の言語に対応し、どの言語か不明なら自動検出します。Whisper AI モデルはブラウザのタブの中、つまりあなたのデバイス上で動くので、音声はアップロードされません。結果は編集できるテキスト、またはタイムスタンプ付きの SRT ファイルとして出力されます。
本当に使える文字起こし
- 講義や会議、インタビューを、検索でき引用できるメモに変える。
- タイムスタンプ付き SRT を書き出して、動画やポッドキャストの字幕を作る。
- ボイスメモの中身を、録音をどこにも送らずに文字にする。
音声文字起こしの使い方
-
ファイルをドロップ
MP3、WAV、M4A、動画ファイルなどの録音を追加します。デコードはあなたのデバイス上で行われ、アップロードはされません。
-
言語とモデルを選ぶ
たいていは自動検出で十分です。長い録音や低スペック端末は Tiny が速く、精度重視なら Base を。
-
文字起こして保存
初回のみモデルをダウンロードしてキャッシュします。結果は好きなだけ編集でき、TXT や SRT で保存できます。
音声文字起こしの質問
音声はアップロードされますか?
いいえ。ファイルはブラウザ内でデコードされ、WebAssembly または WebGPU でローカル実行される Whisper モデルが文字起こしします。ネットワーク通信は公開 CDN からモデルを一度ダウンロードするだけ — 以降は文字起こし自体もオフラインで動きます。音声がサーバーに届くことはありません。
精度はどのくらいですか?
OpenAI の Whisper モデルを使用し、クリアな音声では人間並みの精度です。背景ノイズ、強い訛り、話者の重なり、大きな音楽があると落ちます。難しい音声では Base が Tiny より明確に優れています — いずれにせよ結果は編集可能なボックスに入るので、ダウンロード前に固有名詞や句読点を直せます。
制限はありますか?
1 回に 1 ファイル、1 回の処理は最長 10 分 — 長い録音は先にトリミングしてください（音声トリミングも同じくローカル処理です）。話者は区別しません: 会話は名前のないひとつのテキストとして出ます。このページはファイル対象で、リアルタイムのマイクロフォンには対応していません。
オンライン録音との違いは?
オンライン録音はマイクの音をオーディオファイルにします。このページは既存のファイルを読み、その言葉を書き出します。組み合わせて使うのがおすすめ: あちらで録音、こちらで文字起こし。どちらもブラウザ内で動きます。
どの言語に対応していますか?
Whisper は約 90 の言語で学習されています。英語、中国語、スペイン語、アラビア語から、ベトナム語、ウクライナ語、スワヒリ語まで。自動検出のままにすればモデルが音声から判断し、言語を指定すれば精度がわずかに上がります。
スマホでも使えますか?
はい — 最新の Chrome、Edge、Firefox、Safari で、デスクトップもモバイルも OK。WebGPU 対応ブラウザ（Chrome、Edge）は大幅に速く、それ以外は CPU 処理なので長いファイルは Tiny を選び、10 分の音声に数分見込んでください。Tiny は初回ダウンロードも小さめです。