音声からテキストへのトランスクリプションでは、録音内の話された単語が認識され、タイムスタンプが付加されます。オーディオまたはビデオを AI Free Audio to Video にアップロードし、トランスクリプトを修正してコピーするか、ビデオをレンダリングせずに TXT、JSON、SRT をエクスポートします。
サポートされている形式
MP3、WAV、M4A、AAC、FLAC、OGG、MP4、MOV、WebM、または MKV をアップロードします。プレーンテキストをTXTとして、構造化された行をJSONとして、または時間指定された字幕をSRTとしてエクスポートします。
仕組み
1. 録音をアップロードする
サウンドを含むローカルのオーディオ ファイルまたはビデオ ファイルを選択します。ビデオの場合、ツールは認識前にサウンドトラックを抽出します。ビデオフレームに印刷された単語は読み取れません。
2. 話し言葉を選択してください
サポートされている言語または自動検出を選択します。サーバーはオープンソースの Whisper モデルを実行して音声を認識し、単語のタイミングを推定します。一般に、明瞭な音声は、歌ったり声を重ねたりするよりも修正が少なくて済みます。
3. トランスクリプトを修正してダウンロードする
結果エディターで名前、句読点、行時間を確認します。 TXT、JSON、または SRT をダウンロードする前に、変更を保存します。 SRT にはタイミングが含まれます。 TXT は単語だけが必要な場合に適しています。
制限とプライバシー
オーディオ ファイルとビデオ ファイルは 100 MB 以下、10 分以内である必要があります。結果は現在のブラウザ セッションに属し、24 時間後に期限切れになります。このサービスは無料で、支払いや購読は必要ありません。キューと使用量の制限が適用されます。
共有する前に確認すべきこと
特に歌、ノイズ、重複する会話などでは、認識によって音声が省略されたり、間違った単語が生成されたりする可能性があります。タイムスタンプはモデルの推定値であり、整合性が保証されているわけではありません。このツールは、話者の識別、トランスクリプトの翻訳、または音楽からボーカルを分離することはありません。プラットフォームリンクのインポートとブラウザ内録画はサポートされていません。
よくある質問
ビデオからテキストへの変換では、ビデオにすでに表示されている字幕が読み取られますか?
いいえ。このワークフローはオーディオ トラックを文字起こしします。表示されているテキストを読み取るには、クリア フレームを画像として保存し、画像テキスト抽出を使用します。
曲から字幕を作成できますか?
試してみることはできますが、歌うと歌詞やタイミングが欠落していたり、間違っていたりする可能性があります。共有する前に結果を確認して修正してください。
私の音声はサードパーティの文字起こし API に送信されますか?
この展開では、Web サイト サーバー上で Whisper が実行されます。音声はそのサーバー上で処理され、サードパーティの文字起こし API には送信されません。