音声を文字起こし

いいえ。音声はブラウザがデコードし、タブ内で動くモデルが文字起こしします。サーバーには何も送信されません。モデルの読み込み後は、接続を切っても使えます。

はい。モデルはお使いの端末上で動くため、1 分ごとのコストが当社にかかりません。登録不要、時間の上限なし、ファイルサイズ制限なしです。

Whisper は約 100 言語を認識します。英語、スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語、オランダ語、ロシア語、アラビア語、ペルシャ語、トルコ語、ヒンディー語、中国語、日本語などです。英語や話者の多い言語ほど精度が高くなります。

はっきりした話し声なら、丁寧に聞き取る人に近い精度です。ただし、人名や専門用語は修正が必要な場合があります。BGM、話し声の重なり、マイクとの距離があると精度が下がります。

最近のノートパソコンなら、1 分の音声でおよそ 10〜20 秒です。スマートフォンや古いパソコンではもっとかかります。認識されたテキストから順に表示されるので、すぐに読み始められます。

はい。MP4、MOV、WebM ファイルを開くと、その音声を文字起こしします。結果を SRT や VTT でダウンロードすれば、字幕として使えます。