無料字幕生成

実例

4:30 のインタビュー interview.mp4 をドロップします。ファイルチップに名前、サイズ、4:30 が表示され、小さなプレーヤーが現れます。英語のページでは、「話し言葉」は English、「字幕の言語」は「原語」、「字幕の長さ」は「標準（テレビ）」から始まり、ヒントとして「テレビやストリーミングの字幕と同じ、1行42文字で最大2行です。」が表示されます。ブラウザーが「高精度」モデルをプロセッサで実行するときは、ページに「長さ 4:30。一般的なノートパソコンでは約5:15かかります。スマートフォンではさらに時間がかかります。」と表示されます。「字幕を生成」を押します。バーには「音声を準備中...」、続いて「音声モデルをダウンロード中...」（初回のみ）、続いて「約 2:10 残り」のカウントダウン付きの「文字起こし中...」、そして「字幕を構築中...」と表示されます。リストには「字幕（58件）」という見出しが付きます。時間をクリックしてそこへジャンプし、テキストをクリックして修正し、「SRTをダウンロード」を押します。ファイル名は interview.srt です。

使用する設定と制限事項

• 話されている言語がわかるときは、その言語を指定します。 「話し言葉」のメニューは、音声モデルが対応していれば、読んでいるページの言語から始まるので、このページでは English から始まります。別の言語の動画では、その言語を選ぶか、「自動検出」を選ぶ必要があります。静かな部分を誤って判定することがあるため、言語を指定するほうが確実です。英語のページで「字幕の言語」を「英語（翻訳）」にすると、英語に翻訳しようとする人はおそらく英語を聞いていないので、メニューは代わりに「自動検出」から始まります。
• 動画を再生する場所に合わせて、字幕の長さを選びます。 「字幕の長さ」には、「短め（SNS向け）」「標準（テレビ）」「長め（全文表示）」があります。短めは、縦型のスマホ動画向けに、一度に1行の短い字幕を最大3秒間表示します。標準は、1行42文字で最大2行まで許します。長めは、1字幕あたり1つか2つの完全な文にし、スピーチや講演に適しています。字幕が表示された後は、同じメニューがリストの上に表示されます。変更すると、すでに終わった認識結果からリストが再構築されるため、もう一度聞き直すことはありませんが、行った編集は置き換えられます。
• 「もっと見る」を開いて、高精度か高速を選び、名前の一覧を指定します。 「精度」には、「高精度」（Whisper の base モデル）と「高速」（より小さい tiny モデル）があります。プロセッサでモデルを使う場合のダウンロードは 77.1 MB と 42.7 MB で、ツールの標準的な見積もりでは、高速は音声1分あたりの時間が半分です。スマートフォンは高速から、それ以外の端末は高精度から始まります。「固有名詞や特殊な単語」には、「Kayla, Nathan, Rotorua」のようなカンマ区切りのリストを入力します。認識の後、聞き取られた4〜6文字の単語が一覧の名前と1文字違いの場合、または7文字以上で2文字違いの場合は、それに合わせてスペルが直されます。単語数の誤りは直せないため、名前は引き続き確認してください。
• 英語の出力を選ぶか、あとで翻訳します。 「字幕の言語」には「原語」と「英語（翻訳）」があります。後者は、音声モデルが聞きながら英語に翻訳するようにし、追加のダウンロードは不要で、スマートフォンでも動作します。スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語などの広く話されている言語に向いており、ほかの言語ではやや粗くなります。高速は、高精度より明らかに翻訳が悪くなります。この選択はページのアドレスに #to=en として保持され、翻訳されたファイルは talk.en.srt のような名前になります。最近のパソコン版 Chrome のように翻訳機能を内蔵したブラウザーでは、字幕の下に「字幕の翻訳先言語」メニューと「翻訳」ボタンも表示されます。
• ファイルの長さと端末に合わせて計画します。 パソコンではファイルの最初の 5:00:00 まで、スマートフォンでは 1:30:00 まで字幕を付けられ、それより長いファイルには「このファイルの長さは 6:10:00 です。この端末で字幕を付けられるのは最初の 5:00:00 までです。残りは、先にファイルを分割してください。」と表示されます。最初の時間の見積もりは、スマートフォンがパソコンの3.5倍遅いと仮定しており、その後、長めの実行を経ると、ツールは端末の実際の速度を記憶します。最初のダウンロードの前に、スマートフォンでは「スマートフォンでは時間がかかります — 数分かかる見込みです。このタブは開いたままにしてください。」と表示されます。「キャンセル」で実行が止まり、ここまでに作られた字幕は残ります。
• リストを編集してから、SRT、VTT、または字幕焼き込み動画を保存します。 字幕の時間をクリックするとそこから再生され、テキストをクリックすると編集でき、✕ を押すと削除されます。「認識エラーと思われる」行が除外された場合は、その数が注記に表示されます。「SRTをダウンロード」と「VTTをダウンロード」は、テキストファイルを保存します。「字幕付き動画をダウンロード」は、字幕を H.264 の MP4 に描画し、音声は 160 kbps の AAC で、interview_captions.mp4 のような名前になります。「位置」「サイズ」「テキスト背景ボックス」で見た目を変えられ、プレビューもそれに合います。音声ファイルでは、SRT と VTT のみです。焼き込みのボタンは、約 2 GB を超えるファイル、メモリが 4 GB 以下と報告されるパソコンでは 1 GB、スマートフォンでは 400 MB を超えるファイルでは無効になります。

よくある問題とその解決方法

「音声モデルをダウンロードできませんでした。接続を確認して、もう一度お試しください。」と表示され、「もう一度試す」がすぐに失敗する。

モデルのダウンロードに失敗したか、途中で止まりました。接続を確認して「もう一度試す」を押してください。遅い、または不安定な接続では、「もっと見る」で「高速」を選ぶと、ダウンロードが小さくなります（プロセッサで 42.7 MB）。ブラウザーのストレージが満杯の場合は、代わりに別のメッセージ「ブラウザーのストレージがいっぱいのため、モデルを保存できませんでした。」が表示されます。ツールは、空き容量がモデルのサイズの1.2倍（プロセッサで高精度は 92.5 MB、高速は 51.2 MB）を下回ると、ダウンロードの前に止まります。端末の空き容量を増やすか、ブラウザーの設定で不要なサイトの保存データを消去してから、もう一度お試しいただくか、必要な容量が少ない「高速」を選んでください。

「このファイルには音声が見つかりませんでした。人が話している場合は、言語を選択してもう一度お試しください。」と表示される

ツールが、繰り返し、音楽や無音の上のテキスト、「ご視聴ありがとうございました」のような紛れ込んだ行など、認識エラーと思われる行を取り除いた後、認識に何も残りませんでした。音楽だけのファイルや無音のファイルは、このように終わります。実際に誰かが話している場合、よくある原因は言語で、メニューは自動検出ではなくページの言語から始まるため、フランス語の動画では「French」または「自動検出」を選ぶ必要があります。変更して、もう一度「字幕を生成」を押してください。

「字幕生成に失敗しました。高速の精度設定を試すか、より短いファイルをお試しください。」、または途中で「エラーにより、12:40で字幕生成が停止しました。ここまでに生成された字幕は以下に表示されています。」と表示される

モデルの読み込み後に、端末のメモリ不足やワーカーの無応答などで何かが失敗しました。音声の1つの区間には、動作の兆候を示すために約2分が与えられ（最初のものはエンジンを起動するため5分）、失われたワーカーは1回再試行されます。高速は宣言上のメモリのピークが低く、高精度の 320 MB に対して 190 MB です。「もっと見る」で高速を選ぶか、より短いファイルを試すか、タブを閉じてください。2つ目のメッセージでは、ここまでの字幕が保持されるため、そのままダウンロードできます。

「動画のフォントがこれらの文字を描画できません：日本語。代わりにSRTまたはVTTをダウンロードし、プレーヤーで表示させてください。」と表示される

焼き込みには、このサイトから配信される、ラテン文字、ギリシャ文字、キリル文字、ベトナム語、アラビア文字、ヘブライ文字をカバーする3つのフォントが使われます。日本語やデーヴァナーガリーなど、ほかの文字体系の文字は空白のままになってしまうため、作業を始める前に焼き込みのボタンが無効になります。「SRTをダウンロード」と「VTTをダウンロード」は引き続き使え、メディアプレーヤーは独自のフォントで字幕を描画します。フォント自体の読み込みに失敗した場合は、「字幕フォントを読み込めませんでした。接続を確認して、もう一度お試しください。」と表示されます。

「このファイルを読み取れませんでした。最初にMP4またはMP3に変換してみてください。」、または「このファイルには音声トラックがないため、字幕を付ける対象がありません。」と表示される

ツールは、モデルを要求する前に最初の部分の音声をデコードするため、読み取れないファイルでモデルのダウンロードは発生しません。1つ目のメッセージは、デコーダーが音声を読み取れなかったことを意味します。ファイルを MP4 または MP3 に変換して、もう一度追加してください。2つ目は、ファイルに音がないことを意味します。デコーダーがメモリ不足になった場合は、代わりに「このファイルの処理中にブラウザーのメモリが不足しました。この端末には大きすぎます。より短いクリップ、より小さいファイル、またはデスクトップのパソコンをお試しください。」と表示されます。

比較

このツールは、Whisper（base または tiny）を使って端末上で音声をタイミング付きの字幕にし、SRT、VTT、または焼き込み MP4 を保存します。あるのは波形のタイムラインではなく、テキストのリストです。「タイミングを調整しますか？字幕エディタで開く」を押すと、SRT が新しいタブの字幕エディタに送られます。単純な文字起こしには、「音声からテキストへ」のほうが向いています。誰が話しているかのラベルは付けず、焼き込みの見た目は、位置、サイズ、白い文字の背景ボックスだけです。ブラウザー内で動作するので何もアップロードされませんが、サーバーより遅く、標準の見積もりは、パソコンでは高精度が動画の長さ程度、高速がその半分で、それに開始までの45秒が加わります。認識には誤りがあるため、公開する前に字幕をお読みください。