音声ファイルやその場の録音を、AI音声認識モデル（Whisper）で文字起こしします。認識処理はブラウザ内で実行され、音声が外部に送信されることはありません。
音声はサーバーに送信されません（初回のみAIモデル本体を外部サイトから取得します）
使い方
- 音声ファイル（mp3・wav・m4aなど）を選ぶか、「マイクで録音」でその場で録音します。
- 精度と言語を選び、「文字起こしを開始」を押します。初回のみAIモデルのダウンロードが入ります。
- 完了後、出力形式（プレーンテキスト／タイムスタンプ付き／SRT／VTT／Markdown）を切り替えられます。動画編集ソフトへの字幕読み込みにはSRTかVTTを選んでください。
- 結果はコピーするか、ファイルとして保存できます。
音声を送信せずにAI文字起こしができる仕組み
このツールは、OpenAIが開発しオープンソースで公開している音声認識AI「Whisper」を、WebAssemblyという技術でブラウザの中で直接動かしています。一般的な文字起こしサービスは音声をサーバーへアップロードして処理しますが、この方式では音声データが端末の外に出ることが一切ありません。会議の録音や個人的なボイスメモなど、外部に預けたくない音声こそ安心して使えます。
初回利用時のみ、AIモデル本体（数十MB）をモデル配布サイト（Hugging Face）からダウンロードします。これはアプリのインストールに相当する一方向のダウンロードで、こちらから送るデータはありません。モデルはブラウザに保存されるため、2回目以降はすぐに起動します。
精度と速度の目安
| 設定 | モデルサイズ | 向いている場面 |
|---|
| 速度優先 | 約40MB | 短いメモ、内容の下書き把握、動作確認 |
| 精度優先 | 約80MB | 日本語の会議・インタビュー（推奨） |
日本語の文字起こしには「精度優先」をおすすめします。いずれも、静かな環境・話者がはっきり話している音声ほど精度が上がります。雑音が多い・複数人が同時に話す・専門用語が多い音声は認識が乱れることがあるため、結果は必ず見直してからご利用ください。20分を超える長い音声はスマートフォンでは負荷が大きいため、PCでの実行をおすすめします。
よくある質問
音声がアップロードされることはありませんか？
ありません。音声の解析はすべてブラウザ内で実行されます。初回のみAIモデル本体を配布サイトからダウンロードしますが、これは受信のみで、音声や文字起こし結果が送信されることはありません。
どんな音声形式に対応していますか？
mp3・wav・m4a・aac・ogg・webmなど、お使いのブラウザが再生できる形式なら読み込めます。スマートフォンのボイスメモや会議録音アプリのファイルもほとんどそのまま使えます。
処理が遅い・途中で止まってしまいます。
AIをブラウザ内で動かすため、処理速度は端末の性能に依存します。「速度優先」モデルに切り替える、他のタブを閉じる、PCで実行する、長い音声は分割する、をお試しください。
オフラインでも使えますか？
一度モデルをダウンロードした後は、ブラウザにモデルが保存されていればオフラインでも動作することが多いです（ブラウザの設定やキャッシュ状況によります）。
処理中にブラウザの「応答がありません」という警告が出ませんか？
出ません。文字起こしの重い計算は画面とは別の裏方のスレッド（Web Worker）で実行しているため、処理中も画面の表示や経過時間の更新が止まることはなく、ブラウザから終了を促す警告が出ることもありません。
SRTとVTTはどう使い分ければよいですか？
どちらも動画の字幕ファイルとして使える形式です。YouTubeへの字幕アップロードやPremiere・DaVinci ResolveなどはSRTが定番です。VTTはWeb動画（HTML5のvideoタグ）向けの標準形式で、Webサイトに字幕付き動画を埋め込む場合に使われます。迷ったらSRTで問題ありません。
文字起こしをやり直さずに出力形式だけ変えられますか？
変えられます。一度完了すれば、出力形式のプルダウンを切り替えるだけで即座に再表示され、AIの処理をもう一度実行する必要はありません。