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、ファイルアップロードモードは Transformers.js を通じて Whisper の AI モデルを読み込み、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。
ファイルアップロードは、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 モデルの初回ダウンロードが済めば、このモードは接続がなくても動き続けるため、長い録音や繰り返しの作業に便利です。
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、Start Recording 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。声が文字起こし欄に入り、後から編集できます。録音を扱うときは File Upload 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。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 File Upload 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。リアルタイムのリストは22言語ですが、Whisper は自動判定で99以上をカバーします。アップロ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。