音声文字起こし
端末上のWhisperモデルで、ファイルやマイクの音声を文字起こしする。音声は端末外に出ず、初回のみモデルをダウンロードする。
初回利用時に選択した Whisper モデルを Hugging Face からダウンロードする（サイズはモデル一覧に記載）。その後は文字起こしはすべて端末上で行われ、音声がどこかへアップロードされることは決してない。ダウンロードされるのはモデルファイルのみ。
…またはマイクで録音
使い方
- モデル（Tiny は速い、Base は高品質）と音声の言語を選ぶ。
- 音声ファイルを選ぶか、マイクで録音する。
- 「文字起こし」を押す。初回はモデルのダウンロードが入る。
注意事項
文字起こしは Whisper モデルを Transformers.js で端末上実行して行う。音声がサーバーへ送信されることは一切なく、ダウンロードされるのはモデルファイルのみ。音声はブラウザ内で 16kHz モノラルに変換されてからモデルへ渡される。精度は音質、話者、専門用語で大きく変わり、会議の議事録などの正確さが要る用途では人の確認が前提。
よくある質問
- 長い音声が遅いのはなぜ？
- 端末の CPU で推論しているため。数分の音声でも端末によっては実時間以上かかる。急ぐ場合は Tiny モデルを選ぶこと。
- 対応形式は？
- ブラウザがデコードできる形式（WAV、MP3、M4A、WebM、Ogg など、ブラウザ依存）。デコードできない場合はエラーが表示される。