音声をテキストに変える2つの方法
このツールでできること
Speech to Text には、同じ目的を持つ2つの独立したエンジンがあります。リアルタイムモードは、最近のブラウザーに組み込まれた Web Speech API（SpeechRecognition インターフェース）を利用し、話している最中から画面に文字を書き出します。まず暫定的なテキストが表示され、区切りで確定した行に変わります。一方、音声ファイルモードは Whisper の AI モデルをブラウザーに読み込み、手元の録音データをマイクなしで文字起こしします。
モードの使い分け
リアルタイムの音声入力は、手を使わずに考えを書き留めたいときに向いています。会議のメモ、ざっくりした下書き、打つより話したい覚え書きなどです。文字がすぐ現れるため、短いライブのやり取りでテンポを保てます。
音声ファイルモードは、すでに録音済みの素材に適しています。インタビュー、講義、ボイスメモ、動画の音声トラックなどです。Whisper モデルを一度ダウンロードすればブラウザーが保存するため、次回以降はダウンロードなしで始まり、長い録音や複数ファイルの処理に便利です。
かんたんな流れ
ライブで使うときは、リストから言語を選び、録音開始を押し、ブラウザーがマイクの使用を尋ねたら許可します。声が文字起こし結果の欄に入り、後から編集できます。録音を扱うときは音声ファイルタブに切り替え、モデルを選びます（速さなら Tiny、多言語の精度なら Small）。そこへ MP3、WAV、MP4 などのファイルを置きます。初回は文字起こしを押す前に、モデルのダウンロード量が表示されます。処理が終わると、テキストをコピーまたはダウンロードできます。
対応状況と注意点
リアルタイム認識はブラウザーに依存します。Chrome、Edge、Safari は Web Speech API に対応しますが、Firefox は対応しないため、そこでは音声ファイルモードを使ってください。新しい Chrome では言語モデルを端末に導入し、マイクの音声を手元に保てます。そうでない場合は、ブラウザー提供元の音声サービスが認識を担います。どちらのモードも、18言語を22項目にまとめた同じリストから選べます（英語・スペイン語・ポルトガル語・中国語は地域別に2種類ずつ）。開始前に話す言語を選んでください。音声ファイルモードは言語を自動判定せず、選んだ言語を使い、地域は区別しません。音声ファイルモードは一般的な音声・動画形式に対応し、上限は500MBです。動画の場合は先に音声を取り出すと、処理が速くなり精度も上がります。