ScribeToAny

MP3 を SRT 字幕に変換

字幕が必要なのに音声トラックしかない？MP3 をアップロードすれば、ScribeToAny が正しくタイミングの取れた SRT ファイルを生成します — 各キャプションはセグメント化されタイムスタンプ付きで、動画やポッドキャストプレーヤーとすぐに組み合わせられます。

  • AI 文字起こし
  • 98 の言語
  • 暗号化。ファイルを AI の学習に使うことはありません

録音ファイルから始める

音声・動画ファイルをここにドロップ、またはクリックして選択。

実際の書き起こし結果

話者識別をオンにして書き起こした、2名（合成音声）による64秒のインタビューの無編集テキストです。冒頭の数行のみを表示しています。

文字起こし (TXT)
SPEAKER_00 (0:00) Welcome back to Small Shop Stories.
SPEAKER_00 (0:02) Today I'm talking to Maya, who runs a tiny bakery on the
SPEAKER_00 (0:05) corner of Mill Street.
SPEAKER_01 (0:07) Thanks for having me.
SPEAKER_01 (0:08) It's really small, just two ovens and a counter.
SPEAKER_00 (0:12) So how does a normal day start for you?
字幕 (SRT)
1
00:00:00,000 --> 00:00:01,680
[SPEAKER_00] Welcome back to Small Shop Stories.

2
00:00:02,160 --> 00:00:05,320
[SPEAKER_00] Today I'm talking to Maya, who runs a tiny bakery on the

3
00:00:05,320 --> 00:00:06,320
[SPEAKER_00] corner of Mill Street.

原稿と照合したところ、189語中相違があったのはわずか4語でした（「eighty」に対して「80」と表記されたものを誤りとカウントした場合の単語誤り率は2.1%）。また、全14回の話者の交代もすべて正確に認識されています。明瞭な音声による結果であり、ノイズの多い録音や会話の重複がある場合はスコアが下がります。 全文の書き起こしと評価方法を見る

使い方

  1. 1

    アップロード

    音声・動画ファイルをドロップするか、リンクを貼り付けてください。一般的な形式にすべて対応しています。

  2. 2

    文字起こし

    AI がタイムスタンプ付きで文字起こしします。話者ラベルも選択可能で、通常は数分で完了します。

  3. 3

    エクスポート

    すぐ使える SRT・VTT 字幕、または TXT・PDF・DOCX で書き出し。

ScribeToAny が選ばれる理由

  • 純粋な MP3 音声から正確に同期された SRT 字幕を作成: ポッドキャストのオーディオグラムや歌詞動画の制作に最適。
  • 静止画背景や波形ビジュアライザーと組み合わせることで、音声コンテンツを魅力的な SNS 向け動画クリップへ簡単昇華。
  • 字幕のタイミングは音声そのものから検出されるため、動画やオーディオグラムと組み合わせても字幕が音声としっかり同期します。

よくある質問

字幕のタイムスタンプはどのくらい正確ですか？

タイムスタンプはセグメント単位で、実際の発話に合わせて 1 秒未満の精度で生成されます。

エクスポート前にキャプションを編集できますか？

はい — エディターで文言を直したりセグメントを削除したりしてからエクスポートすれば、SRT に編集内容が反映されます。

SRT と VTT、どちらを使うべきですか？

SRT はエディターやプレーヤー向けの汎用標準、VTT はウェブ動画（HTML5）向けです。両方エクスポートできるので、プラットフォームが必要とする方をお使いください。

楽曲や歌詞動画（リリックビデオ）の字幕を作成できますか？

試すことは可能ですが、歌声は通常の話し声よりもはるかに難易度が高くなります。大きな音楽にかき消された歌詞は聞き逃されたり誤認識されたりしやすく、タイミングもボーカルをおおまかに追う程度になります。ポッドキャスト、ナレーション、インタビューなどの話し声の方が、はるかに高精度な SRT を作成できます。楽曲の場合は、エディターで歌詞を修正する前提でご利用ください。

字幕はどのように分割されますか？

まずは自然な間の部分で区切り、次に長さで調整します。各字幕は約7秒・84文字以内（1行あたり約42文字の2行）、中国語・日本語・韓国語では約32文字以内に抑えられ、可能な限り文や節の句読点で改行されます。

関連ツール