文字起こし
別名：ファイルの文字起こし
更新日：
定義
文字起こしとは、既存の音声や動画の録音を、あとからテキストに変えることです。話しながらその場でテキストを作る音声入力と対になるものです。
文字起こしはファイルから始まります：録音した会議、インタビュー、講義、ボイスメモです。ツールは録音全体を処理し、たいていはリアルタイムより速く、文書を返します。音声がすでにあるので、文字起こしツールは遅くても精度の高いモデルを使ったり、何度も処理したり、ライブの音声入力には不要な構造を加えたりできます：タイムスタンプ、話者ラベル、話題ごとの段落分け、要約です。
音声入力と混同されるのも無理はありません。どちらにも同じ音声認識モデルが入っているからです。違うのはモデルのまわりのすべてで、1つの製品が両方の仕事に優れていることはめったにありません。
音声入力には不要で、文字起こしに必要なもの
話者ダイアライゼーション：誰が何を言ったかを文字起こしに示すため。タイムスタンプ：発言を録音の中で見つけられるようにするため。長時間の音声への対応：1時間の音声は、1文とはまったく別の問題だからです。要約とアクションアイテム：会議の文字起こしを全部読む人はいないからです。ファイルやリンク（動画を含む）からの読み込み。
これらはどれも、メールを速く書く助けにはなりません。音声入力ツールが力を注ぐのは別のところです：レイテンシ、カーソル位置での整形、あらゆるアプリの中で動くこと、そしてターミナルで正しく振る舞うことです。
適切な種類のツールを選ぶ
録音がすでにあるなら、必要なのは文字起こしツールです。Macでは、MacWhisperとSuperwhisperがどちらもファイルをローカルで文字起こしします。Otter.aiは会議をクラウドで文字起こしし、話者ラベルと要約を付けます。文章を書いているなら、必要なのは音声入力です。両方が必要な人もいますが、1つで無理に両方をこなすツールより、目的を絞った2つのツールのほうがうまくいくことが多いです。
Macのボイスメモで録音を文字起こしする方法
macOSに付属の「ボイスメモ」アプリでは、録音の文字起こしを表示できます。Appleによると、オーディオの文字起こしは一部の国や地域では利用できないため、お使いのMacにはボタンが表示されないことがあります。
- Macで「ボイスメモ」アプリを開きます。
- 読みたい録音をクリックします。
- 「文字起こし」ボタンをクリックして、文字起こしを表示します。
- 必要なテキストを選択し、Controlキーを押しながらクリックして「コピー」を選択します。
- テキストを「メール」や書類など、ほかのアプリにペーストします。
- 話した内容から録音を探すには、検索フィールドにその言葉を入力します。タイトルか文字起こしにその言葉を含む録音が表示されます。
Whisperを使って「ターミナル」でオーディオファイルを文字起こしする方法
Whisperはオープンな音声認識モデルで、コードとモデルの重みはMITライセンスで公開されています。オーディオファイルを受け取ってテキストを返すコマンドラインツールが付属しています。プロジェクトによると対応するPythonは3.8から3.11で、オーディオの読み込みにはffmpegツールが必要です。
- 「ターミナル」を開きます。
- ffmpegをインストールします。Homebrewの場合のコマンド：brew install ffmpeg
- Whisperをインストールします：pip install -U openai-whisper
- ファイルに対して実行します：whisper audio.mp3 --model turbo
- 録音の言語がわかっている場合は、言語を指定します。例：whisper japanese.wav --language Japanese
- ほかの言語の音声から英語のテキストを得るには、--task translateを追加し、turbo以外のモデルを選びます。例：--model medium
自動文字起こしは正確ですか？
録音とモデルによって変わります。Whisperなら、そのトレードオフを自分で選べます。プロジェクトは6つのサイズを公開しており、パラメータ数3,900万のtinyから15億5,000万のlargeまであります。tinyの速度はlargeの約10倍とされています。turboモデルはパラメータ数8億900万で、速度はlargeの約8倍とされています。
長いファイルは一度に処理されるわけではありません。Whisperはファイル全体を読み込み、30秒の窓をずらしながら処理するので、一部分の誤りが残りの部分まで損なうとは限りません。どのツールを使う場合でも、確実な確かめ方は同じです。重要な数分を選んで再生し、文字起こしを読み合わせてから、全文を信頼するようにしてください。
よくある質問。
文字起こしと音声入力は同じものですか？
いいえ。文字起こしは、既存の録音をテキストにします。音声入力は、その場で話した言葉を、書いている場所にテキストとして入力します。同じ認識モデルで両方を動かせますが、製品の作りは異なり、両方を得意とするものはまれです。
音声入力アプリで録音を文字起こしできますか？
補助的な機能としてできるものもあります。Flitは1.5から、Mac上で文字起こしができます。SRTとVTTの書き出しにはタイムスタンプが付きますが、話者ラベルはありません。話者ラベルが目的なら、そのために作られた文字起こしツールを選んでください。
ファイルを文字起こしできるMacのローカルツールは？
いちばん強力なのはMacWhisperで、無料版と、話者ラベルに対応した有料のPro版があります。SuperwhisperとFlitは、音声入力に加えて録音ファイルの文字起こしもできます。3つともApple silicon上でローカルモデルを動かします。
Macで無料でオーディオを文字起こしするには？
費用がかからない方法が2つあります。「ボイスメモ」アプリでは、機能が利用できる地域であれば、録音の「文字起こし」ボタンをクリックすると文字起こしが表示されます。オープンなWhisperモデルは、pipでインストールして「ターミナル」からオーディオファイルに対して実行できます。
Whisperはオーディオを英語に翻訳できますか？
はい。whisperコマンドに--task translateを追加すると、ほかの言語の音声から英語のテキストが作成されます。プロジェクトによるとturboモデルは翻訳向けではないので、mediumやlargeなど、ほかの多言語モデルを選んでください。
ボイスメモの文字起こしからテキストをコピーできますか？
はい。Macで文字起こしを開き、テキストを選択してControlキーを押しながらクリックし、「コピー」を選択します。あとはほかのアプリにペーストできます。
