録音をテキストに変換する
公開日 · 更新日 読了目安 3分
ツールは、小さなモデルを使って、ブラウザの中で音声ファイルを文字起こしします。はっきりした声では、約4語に1語が間違います。言語の選択とノイズが、結果を大きく変えます。
ツールがすること
音声をテキストに変換は、Whisperエンジンで、ブラウザの中で音声ファイルを文字起こしします。ファイルは送信されません。ダウンロードされるのはモデルだけで、同意のチェックを入れたあとに1回だけ行われます。書き出し形式は3つあります。TXT、SRT、VTT。
初回使用でダウンロードされるもの
テストの間に、ブラウザはモデルとスクリプトを、サイトの外にある2つのサービスからダウンロードしました。モデルをホストするリポジトリと、スクリプト配信ネットワークです。これらのリクエストはすべてダウンロードで、中身を送るものはなく、音声ファイルは含まれていません。そのあと「Whisperキャッシュを消去」ボタンで、モデルをブラウザから削除できます。
テスト用の録音
テストでは、同じ32語のテキストを読み上げる、女性と男性の2つの合成音声を使いました。「Le jardin partagé du Vallon ouvre ses parcelles le trois mai. Venez découvrir le compost, les semis et l’atelier des enfants. L’inscription est gratuite et ouverte à toutes les familles du quartier.」各録音は12〜14秒です。テキストがわかっているので、間違った語の数を正確に数えられます。
選んだ言語
言語メニューには、自動設定と20の言語があります。内蔵モデルでは、自動検出は2つの声をどちらも英語と受け取り、読み上げた内容と無関係な英語の文を作りました。語の数だけ誤りがありました。そのためツールは、既定でページの言語、ここではフランス語を選びます。
| 声 | 設定した言語 | 32語中の間違った語 |
|---|---|---|
| 女性 | 自動 | 32 |
| 男性 | 自動 | 33 |
| 女性 | フランス語 | 10 (31 %) |
| 男性 | フランス語 | 8 (25 %) |
正しい言語が返すもの
男性の声をフランス語で文字起こしすると、「Le jardin partagé du vallon ouvre ses parcels le 3 mai. Venez découvrir le compost, les sémisées la te liée des enfants. L’inscription est gratuit et ouvert à toutes les familles du quartier.」となります。誤りは典型的です。失われた複数形（「parcels」）、大文字のない固有名詞（「vallon」）、数字で書かれた数（「trois」の代わりの「3」）、聞き間違えられた珍しい語（「semis」「atelier」）。
ノイズの影響
男性の声に、2つのレベルでノイズを加えました。10 dBでは、ノイズは声よりはっきり弱くなります。0 dBでは、声と同じ大きさです。
| 録音 | 32語中の間違った語 |
|---|---|
| ノイズなし | 8 (25 %) |
| 弱いノイズ、10 dB | 11 (34 %) |
| 強いノイズ、0 dB | 31 (97 %) |
弱いノイズでは数語が失われます。声と同じ大きさのノイズでは、文字起こしは使い物になりません。
処理時間
各テストは、約13秒の録音に対して、モデルの読み込みを含め、デスクトップコンピューターで6〜12秒かかりました。長いファイルは、より多くの時間とメモリを必要とします。
これらの数字が語らないこと
合成音声は規則的です。なまり、ためらい、複数の人がいる本物の声では、別の数字になります。ファイル全体を始める前に、自分の録音の短い一部で試してください。
結果を良くする
- メニューで録音の言語を選びます。
- ノイズは源で減らします。マイクを近づけたほうが、あとからフィルターを使うより良い結果になります。
- ファイルがまれな形式なら、先に声の録音を劣化させずに変換するで変換します。
固有名詞、数字、専門用語は必ず読み直します。
できあがったテキストを確認する
- テキストを追いながら録音を聞きます。
- 名前、数字、語の一致を直します。
- テキストならTXT、字幕ならSRTかVTTで書き出します。