音声認識を、正しく
インタビュー、会議、講義、音声メモなどの録音音声を、自動音声認識（ASR）技術で構造化テキストへと変換。ScribeToAny は専用 GPU 上で Whisper クラスのモデルを実行し、約98言語に対応。句読点の自動付与や話者識別も可能で、クリアな音源ほど最高の精度を発揮します。
- 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。
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?
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
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
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
エクスポート
オンラインでセグメントを編集し、TXT、SRT、VTT、TSV、CSV、JSON、PDF、DOCX でエクスポートできます。
ScribeToAny が選ばれる理由
- 約98言語に対応する Whisper クラスの自動音声認識（ASR）モデルを搭載。クリアでノイズの少ない音声ほど高い精度を発揮します。
- 自動話者識別（ダイアライゼーション）: 会議、パネルディスカッション、1対1の対談で発言者ごとにラベルを自動付与。
- 句読点、大文字小文字、文の区切りを自動で補正し、話し言葉を読みやすい段落テキストとしてきれいにまとめます。
よくある質問
AI 音声認識（ASR）と単なる音声ファイル形式の変換にはどのような違いがありますか？
ファイル変換は単に音声のコーデックを再エンコードする処理です（例：WAV から MP3）。一方、音声認識（ASR）はディープニューラルネットワークを用いて人間の音響信号を語彙テキストへと解読し、文脈に沿った句読点を付与し、話者を識別して読みやすい対話文を生成します。
これはリアルタイムの音声入力（ディクテーション）ですか、それともファイルの文字起こしですか？
ファイルの文字起こしサービスです。音声をアップロードまたは録音すると、タイムスタンプ付きの完全なテキストが出力されます。モデルが録音全体を見渡して前後の文脈を把握できるため、発話に合わせて1語ずつ推測するリアルタイム入力ツールよりも精度が高くなります。さらに話者識別、セグメント単位の編集、8種類の出力フォーマットにも対応しています。
音声のプライバシーは守られますか？
はい。ファイルは HTTPS 経由で暗号化クラウドストレージへ直接アップロードされ、あなたのアカウントからのみ閲覧できます。当社はあなたのファイルでAIを学習させることはありません。文字起こしは、読み取り専用の共有リンクを明示的に作成しない限り非公開のままで、リンクはいつでも無効化できます。ファイルや文字起こしはワークスペースからいつでも完全に削除できます。
「えーと」や「あのー」などのフィラー（言い淀み）は文字起こしに残りますか？
通常は除外されます。Whisper クラスのモデルは読みやすさを重視し、言い淀みや言い直し、重複した言葉を適度に整理して出力します。学術調査などで厳密な逐語記録が必要な場合は、エディターで音声を再生しながら該当箇所を追記してください。
ファイルをアップロードする代わりにマイクに向かって話すことはできますか？
はい、ワークスペースの「音声を録音」をご利用ください。ブラウザ上で直接録音し、ファイルアップロード時と同じオプションで文字起こしを実行できます。リアルタイムの自動字幕ではなく、録音停止後にテキストが生成される仕組みのため、文脈全体を活用した高精度な文字起こしが可能です。