音声・動画から字幕を作成

動画から字幕を作る方法

1. 音声または動画ファイル（MP3・MP4・M4A・WAV・WebM）を枠にドロップします。
2. 話している言語を選びます（初期値はこのページの言語）。聞き取りにくい音声は「高精度」を選びます。
3. 「開始」を押します。初回のみ音声認識モデルをダウンロードし、2回目以降はすぐに始まります。
4. テキストを確認し、動画プレーヤー用の SRT、Web 用の VTT、文字起こし用の TXT をダウンロードします。

字幕形式の比較

よくある質問

Q. 動画や音声はアップロードされますか？

いいえ。ファイルはブラウザ内で読み込んで文字起こしします。初回にオープンソースの Whisper 音声認識モデルだけを Hugging Face からダウンロードし、その後は端末に保存されます。

Q. 対応している言語は？

Whisper は日本語・英語・韓国語・中国語・ドイツ語・フランス語など90以上の言語を認識できます。これらの言語の音声を英語の字幕に翻訳することもできます。

Q. どのくらい時間がかかりますか？

端末の性能によります。GPU（WebGPU）が使えれば10分の動画でたいてい1〜2分、CPU のみだと音声の長さの数倍かかることがあります。「高速」は速く、「高精度」は誤りが少なくなります。

Q. SRT と VTT の違いは？

どちらもタイムコード付きの字幕ファイルです。SRT は最も広く使われ（VLC・Premiere・YouTube など）、VTT は HTML5 動画やオンラインプレーヤーで使われる Web 標準です。