SRT・VTT 字幕をオンラインで自動作成 | WhisperX
録音から字幕を作り、文字を確認してから SRT や VTT 形式でダウンロードできます。
WhisperX の開発者や OpenAI とは提携していない、独立した非公式サービスです。
処理の詳細と編集前の結果
元の音声を聞いて、結果を確かめる
実際の WhisperX で処理した短い合成音声です。元の音声と比較できるよう、サンプル本文は英語のまま表示しています。操作を紹介するための例であり、実環境での精度を測るテストではありません。
編集ソフトやプレーヤーに使える字幕
SRT は各字幕に連番を付け、秒とミリ秒の区切りにコンマを使います。VTT は WEBVTT で始まり、秒とミリ秒をピリオドで区切ります。どちらも文字起こしの区間に沿って書き出されます。各行の長さと、読み切れる表示時間になっているかを確認してください。既存原稿のアライメントや動画への字幕の焼き付けには対応していません。
確かめたい箇所へ、タイムスタンプから戻る
WhisperX は音声認識後のアライメントで、単語が録音のどこにあるかを推定します。タイムスタンプがある箇所をクリックすると、前後の文脈を聞き直せます。信頼できる時刻が得られない単語もあります。文字の編集では再アライメントや新たな時刻の測定は行われません。元の出力と修正版を区別する必要がある場合は、元の JSON を保存してください。
話者分離で、誰の発言かを整理
話者分離は、ひとつの録音内で声をもとに発言をグループ化します。ラベルを名前に変える前に音声を確認してください。似た声、短い返答、同時発話では誤りが生じることがあります。ラベルは話者の身元を示すものではなく、別のファイルに登場する同じ人物を認識する機能もありません。
テキスト、構造化データ、字幕を書き出し
読みやすいテキストには TXT、構造化データには JSON、字幕には SRT または VTT をダウンロードできます。TXT と JSON は話者情報を保持しますが、SRT と VTT には話者名が自動では入りません。既存の結果の編集や再ダウンロードで追加の処理時間は消費しません。字幕は別ファイルとして書き出され、動画への焼き付けは行いません。
録音の対応言語
無料トライアルは英語に対応しています。有料では英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、中国語、日本語を文字起こしできます。話された言語のまま出力され、翻訳は行いません。画面の表示言語と録音の対応言語は別のものです。
使い方は3ステップ
- 1
処理する権利のある録音をアップロードします。話されている言語を選び、必要に応じて話者ラベルを有効にします。
- 2
長さと料金を確認して処理を開始します。タスクはアカウントに保存されます。
- 3
音声を聞き直してテキストを修正し、ダウンロードします。編集前の結果と編集後のテキストを選べます。
形式とファイル上限
MP3、WAV、M4A、FLAC、OGG、MP4、MOV、WebM に対応しています。一度限りの無料トライアルは5分で、1ファイル100 MB・5分まで。有料アカウントは1ファイル500 MB・60分までです。自分のファイルの処理にはアカウントが必要です。外部リンクからの取得やライブ録音には対応していません。
非公開のファイルと保存期間
結果にアクセスできるのは自分のアカウントだけです。トライアルの結果は7日間、有料の結果は30日間保存されます。表示された期限までにダウンロードしてください。処理はブラウザー内ではなく外部サービスで行われます。処理前に必要な処理時間を確保し、結果の提供が正常に完了した時点で残高から差し引きます。失敗したタスクでは確保分を戻します。
目的に合わせて選ぶ
WhisperX ガイド
よくある質問
MP3 を SRT や VTT に変換できますか？
はい。MP3 をアップロードして文字起こしを確認すれば、同じ結果から両形式をダウンロードできます。再処理の料金は不要です。WAV と M4A も同じ手順です。
既存原稿のアライメントや、編集後の再アライメントはできますか？
いいえ。音声や動画から処理を始めます。編集時は区間の時刻を保持しますが、新しい単語の時刻は測定しません。大きく書き換えた場合は同期を再確認してください。
WhisperX の公式サイトですか？
いいえ。独立した非公式のホスト型サービスです。オープンソース版は GitHub の m-bain/whisperX で別に開発されています。
インストールなしで自分の録音を使えますか？
はい。ファイルのアップロードと処理にはアカウントが必要です。外部サービスでモデルを実行するため、自分の GPU やモデル用トークンは必要ありません。
録音は翻訳されますか？
いいえ。話された言語のまま文字起こしします。トライアルは英語、有料ではスペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、中国語、日本語も利用できます。
編集やダウンロードに追加料金はかかりますか？
既存の結果の編集・ダウンロードでは追加の処理時間を消費しません。新たな文字起こしは別タスクとして料金を確認します。
時刻や話者は必ず正確ですか？
いいえ。信頼できるタイムスタンプが付かない単語や、話者の割り当ての誤りが生じることがあります。録音を確認してください。文字の編集では新しい時刻は生成されず、ラベルは本人確認に使えるものではありません。
YouTube のリンクを貼れますか？
いいえ。処理する権利のあるファイルをアップロードしてください。外部リンクからメディアを取得する機能はありません。