音声・動画の文字起こし｜ブラウザの中の Whisper で、録音を送らずにテキスト・字幕（SRT/VTT）に
会議の録音・講義の動画を文字に。日本語向けモデル（kotoba-whisper）も。時刻付きで字幕にも。
初回はモデル（77MB〜730MB）と認識エンジン（28MB）をこのサイトから読み込みます。音声そのものは送信されません。
特長
音声・動画を文字に
会議の録音、講義の動画、ボイスメモ、インタビューを文字起こし。時刻付きの字幕（SRT / VTT）としても保存できます。
モデルを選べる
速い（77MB）／標準（250MB）／日本語向け・高精度（kotoba-whisper・730MB）。パソコンの GPU（WebGPU）が使えれば数倍速くなります。
アップロードしない
音声認識（Whisper）はブラウザの中で動きます。音声はどこにも送られません。モデルは初回だけこのサイトから読み込みます（2回目以降はブラウザが覚えている限り速い）。
使い方
- 音声か動画を選ぶ
- モデルと言語を選んで「文字起こし」
- テキスト・SRT・VTT で保存
よくある質問
- 音声はどこかへ送られますか？
- 送られません。認識エンジン（Whisper）もモデルもこのサイトから読み込んで、あなたのパソコンの中で動きます。
- どのモデルを選べばいい？
- 短い日本語のメモなら「速い」で十分試せます。会議・講義など長くて正確さが要る物は「日本語向け・高精度」（kotoba-whisper：日本語で学習された Whisper）。ただし 730MB の読み込みと、それなりの処理時間がかかります。
- 時間がどれくらいかかりますか？
- GPU（WebGPU）が使える Windows の Chrome / Edge なら、音声の長さの 1/5〜1/2 程度。使えない場合（CPU だけ）は音声の長さと同じ〜数倍かかります。画面に「GPU」「CPU」のどちらで動いているかを出しています。
- 精度は？
- 静かな環境の1人の話し声はかなり正確です。複数人が同時に話す・雑音が多い・専門用語は間違えます。人名・固有名詞は必ず見直してください。
- 長い録音でも？
- 30秒ずつに分けて順に処理するので、1時間の録音でも扱えます（時間はかかります）。途中経過が画面に流れます。
- スマホでも使えますか？
- 技術的には動きますが、モデルが大きくメモリを食うので、パソコンでの利用をおすすめします。