AZTools.us
日本語

字幕の自動生成・音声の文字起こし(SRT、VTT)

字幕付きの動画プレビュー タイムスタンプ付き SRT / VTT · 19 言語

パブリックドメインの LibriVox 朗読音声です。クリックしたときだけ、ブラウザにダウンロードされます。

字幕自動生成の設定

ファイルを読み込むと、このツールの操作が使えるようになります:

字幕付きの動画プレビュー

ブラウザ内で直接動作します。元のファイルは変更されず、アップロードもされません。

字幕があると動画が見やすくなり、検索もしやすくなります。文字起こしがあれば、メモや引用、翻訳にも便利です。このツールは、オープンな音声認識モデル Whisper をブラウザー上で動かして動画や音声ファイルを聞き取り、タイムスタンプ付きの字幕を .srt、.vtt、プレーンテキストで出力します。ファイルはアップロードされません。

更新日

字幕を自動で生成する方法

  1. 動画(.mp4、.mov、.webm、.m4v)または音声ファイル(.mp3、.wav、.m4a、.aac、.ogg、.opus、.flac)をワークスペースにドロップします。ツールが音声を読み込みます。受け付けるのは長さ 1 時間までのファイルです。
  2. 「言語」で「自動検出」を選ぶか、話されている言語を選びます。短いクリップや訛りのある音声では、言語を指定したほうが確実です。「出力」は「同じ言語」のままにするか、「英語に翻訳」を選びます。
  3. 「開始」を押します。初回は音声モデル(約 106 MB)を aztools.us からダウンロードしてブラウザーに保存するため、2 回目以降はすぐに始まります。進行状況の行に、録音のどこまで文字起こしできたかが表示されます。「停止」で中止できます。
  4. 結果をプレビューで確認します。動画の場合は再生してみてください。字幕が映像に重ねて表示されるので、タイミングを確かめられます。
  5. 「形式」で SRT、VTT、TXT を選んでから書き出します。形式を切り替えても、文字起こしをやり直す必要はありません。

どの形式を選ぶか

書き出し形式
形式用途
.srtYouTube、Facebook、TikTok へのアップロードや、ほとんどの動画編集ソフト(Premiere、DaVinci Resolve、CapCut)
.vttWeb の動画プレーヤー(HTML の <track> 要素)や一部の学習プラットフォーム
.txtタイムスタンプのない読みやすい文字起こし。2 秒以上の間があくと新しい段落になります

精度と処理速度

  • モデルは Whisper base の 8 ビット版で、プロセッサー上で動作します。英語などの主要な言語ではっきり話された音声はよく認識されますが、固有名詞や珍しい語、強い訛りは確認が必要です。
  • 字幕 1 行は約 7 秒、84 文字以内に収めます。これは字幕の一般的な上限です。
  • BGM、複数人の同時発話、長い無音があると、抜けた行や存在しない行が出ることがあります。ツールは [Music] などのタグと、音楽に対してモデルが生み出す繰り返しのループを取り除き、ほとんどが音楽らしいファイルではその旨を表示します。
  • 最近のパソコンでは、文字起こしにかかる時間は録音の長さのおよそ 4 分の 1 から半分です。スマホや古いパソコンはそれより遅くなります。処理中はタブを開いたままにしてください。

字幕自動生成: よくある質問

対応している言語は?
一覧にあるのは、英語、ベトナム語、中国語、日本語、韓国語、スペイン語、ポルトガル語、ドイツ語、フランス語、イタリア語、ロシア語、インドネシア語、タイ語、ヒンディー語、アラビア語、トルコ語、オランダ語、ポーランド語、ウクライナ語です。自動検出では、Whisper が知っているこれ以外の言語も認識できます。
字幕を動画に焼き込めますか?
いいえ、別の字幕ファイルを作成します。.srt を動画と一緒にアップロードするか、動画編集ソフトで追加してください。編集ソフトなら文字のスタイルや位置も調整できます。
動画はアップロードされますか?
いいえ。音声はブラウザーのタブ内でデコードされ、文字起こしされます。ダウンロードされるのは、音声モデルとその実行環境だけで、aztools.us から 1 回だけです。