ScribeToAny

WAV をテキストに変換

ICレコーダー、DAW、通話録音システムから出力された無圧縮の WAV ファイルをそのまま ScribeToAny にアップロード可能。事前変換なしでタイムスタンプ付きのテキストを取得できます。文字起こしの精度には、ファイル形式よりも録音自体のクリアさがはるかに大きく影響します。

  • 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。

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

    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

  • WAV は非圧縮 PCM のため、1時間のステレオ音声は 600MB を超えることも珍しくありません。本ツールはブラウザ上で直接長さを読み取り、アップロードなしで推計します。
  • スタジオ品質のマスター音源に対応：48 kHz / 24-bit の高音質ファイルもそのままアップロード可能。時間見積もりツールが事前にローカルで長さを計測します。
  • フォーマットより録音状態が重要：同じテイクであれば、WAV でも高音質な MP3 でも結果はほぼ同等です。どちらも処理前に 16 kHz モノラルへと変換されます。
  • ステレオおよびマルチチャンネルの WAV は自動でモノラルにミックスダウンされます。個別の発言者を識別するには「話者を検出」をオンにしてください。

よくある質問

WAV ファイルは巨大です — アップロードは遅くなりますか？

アップロードは署名付きリンク経由でクラウドストレージへ直接行われるため、速度の上限はお使いの回線だけです。有料プランでは最大 5 GB のファイルに対応します。

音質が高いファイルほど文字起こしの精度は向上しますか？

録音環境の良し悪しは大きく影響しますが、ファイル形式による差はほとんどありません。ノイズが少なくマイクを話者に近づけて録音された音声は、小さな声や専門用語の認識エラーを大幅に減らします。一方で、文字起こし前にすべてのファイルが 16 kHz モノラルに変換されるため、同じ音源であれば WAV であっても高品位な MP3 であっても結果はほぼ同等です。

ステレオやマルチチャンネルの WAV を文字起こしできますか？

はい、チャンネルは文字起こしの前に自動でミックスダウンされます。話者認識を有効にすれば声の帰属も保たれます。

48 kHz / 24-bit の WAV は 16 kHz よりも高精度に文字起こしされますか？

精度は変わりません。音声認識モデルは 16 kHz モノラルで処理を行うため、どのファイルも事前にその形式へ変換されます。より高いサンプリングレートやビット深度であっても精度上のメリットはありません。本当に有効なのは、環境ノイズを減らすこと、発話が重ならないこと、マイクを話者に近づけることです。

容量の大きな WAV ファイルはアップロード前に MP3 に変換すべきですか？

アップロードに時間がかかる場合のみ検討してください。48 kHz / 24-bit ステレオ WAV の1時間は約 1 GB で、有料プラン（最大 5 GB）ならそのままアップロードできます。同じ1時間を 128 kbps の MP3 にすると約 60 MB になり、文字起こしの精度を落とすことなく扱えます。サイト内の無料「音声コンバーター」を使えばブラウザ上で手軽に変換できます。

関連ツール