音声認識を、正しく

ScribeToAny は専用 GPU 上で Whisper クラスの音声認識を実行します。ファイルをアップロードし、高速・バランス・高精度モードを選ぶだけで、訛り・専門用語・話し声の重なりにも耐えるタイムスタンプ付き文字起こしが得られます。

無料で文字起こしを始める無料プラン: 1 日 2 ファイル、月 100 分。クレジットカード不要。

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

MP3、MP4、M4A、MOV、AAC、WAV、OGG、OPUS、MPEG、WMA、WMV をアップロード可能 — 動画からは音声を自動抽出します。
専用 GPU 上の Whisper クラスのエンジンにより、自動検出付きで約 98 言語に対応。
8 つのエクスポート形式: TXT、SRT、VTT、TSV、CSV、JSON、PDF、DOCX — さらに一括 ZIP エクスポートにも対応。
話者認識がすべてのセグメントにラベルを付けます。任意の文をクリックすると対応する音声を再生できます。

よくある質問

3 つのモードの違いは何ですか？

高速・バランス・高精度は Whisper クラスモデルの 3 つのサイズに対応します。高速は結果が最も早く返り、クリアな単一話者の音声に適します。高精度は最大のモデルを実行し、訛り・専門用語・ノイズの多い録音に最も強く、バランス（デフォルトのおすすめ）は速度と精度の中間です。ジョブごとに選べるため、下書きは高速で、最終版は高精度で、というように他の設定を変えずに使い分けられます。

これはライブ口述ですか、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です。録音済みの音声や動画をアップロード（または YouTube のリンクを貼り付け）すると、完全なタイムスタンプ付き文字起こしが得られます。モデルが録音全体を完全な文脈で見るため、単語ごとに推測するライブ口述ツールより精度が大幅に高く、さらに話者ラベル・セグメント編集・8 つのエクスポート形式も利用できます。

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、AI モデルの学習に使われ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。