ブログ

Cloudflare Workers can't run a multi-minute GPU job or Modal's gRPC SDK — so ScribeToAny treats Modal as a plain HTTP endpoint, fires a fire-and-forget spawn, and lets the GPU box call back over a signed webhook. A walk through the async design, the reconciliation backstop, and the sharp edges.

キャプションは音声を聞けない視聴者向けで、セリフ以外の音も含みます。字幕は言語がわからない視聴者向けで、対話だけを翻訳します。どちらが必要かを決めるアクセシビリティのルールとともに、わかりやすく比較します。

単語誤り率（WER）をやさしく解説します。文字起こしの精度は実際どう測るのか、数字は何を意味するのか、なぜ人間でも 100% にならないのか、そして精度を上下させる要因まで。

文字起こしが生み出すファイル形式のリファレンス — SRT・VTT・TXT・TSV・CSV・JSON、さらに ASS・SSA・SMI・TTML — を、それぞれの実例と、どれをいつ使うかの一覧表つきで。

話者ダイアライゼーションは、録音を話者ごとに分ける工程 — テキストの壁をラベル付きの対話に変えます。それが何か、話者認識とどう違うか、どう動くか、そしてどこでつまずくか。

ポッドキャストのエピソードを、タイムスタンプ付きの整ったショーノートと字幕に。音声を文字起こしして、SRT・VTT・プレーンテキストで書き出せます。無料プラン、クレジットカード不要。