Whisper Web — ブラウザだけで無料の音声文字起こし

本物の Whisper モデルが、無料で動く

これは OpenAI 自身の Whisper で、軽量な模造品ではありません。多くの有料文字起こしツールの裏側にあるものと同じモデルです。MP4 や MP3 を入れれば、Whisper Web が話された時刻付きの文字を1行ずつページに並べていきます。

Whisper を登録なし・インストールなし・APIキーなしで

つくるアカウントも、入れるソフトも、分単位の請求もありません。Whisper Web に1本でも50本でも同じで、1日の上限も、なくなるクレジットも、文字起こしへの透かしもありません。有料サービスがお金を取るのは、モデルを自社のコンピューターで動かしているからです。ここではあなたのパソコンが動かします。

Whisper の字幕にも、文章にも、データにも

Whisper は各行が話された時刻を記録するので、1回の処理で5種類のファイルが手に入ります。Premiere Pro、DaVinci Resolve、CapCut、YouTube の字幕には SRT。サイトの動画プレーヤーには VTT。読んだり検索したりするには TXT。時間情報をスクリプトや表計算に渡すなら JSON か CSV。切り替えは一瞬で、二度手間の処理は発生しません。

Whisper の音声文字起こしは99言語に対応

スペイン語、中国語、アラビア語、ヒンディー語、日本語、ウクライナ語、タガログ語ほか多数。録音がどの言語かを指定すれば（一覧は名前でもコードでも検索できます）、その言語で書き起こします。タスクを「翻訳」に切り替えれば、英語以外の録音から一度で英語を書き出します。

Whisper モデルは2種類：精度をとるか、軽さをとるか

Turbo は Whisper large-v3 のデコーダーを大幅に削ったもので、最大モデル並みの精度を保ちながら、その遅さは引き継いでいません。講義、強いなまり、話し声の重なり、周囲の雑音にはこちらが向きます。Base はダウンロード量がその何分の一かで、始まるのも早く、はっきりしたボイスメモならこれで十分です。それぞれに容量が表示されているのは、モデルを丸ごと取得してからでないと処理が始まらないからです。

Whisper Web はほとんどの動画・音声ファイルを受け付けます

動画は MP4、MOV、WebM、MKV。音声は MP3、WAV、M4A、FLAC、OGG。Whisper Web に動画を渡せば音声は自動で取り出されます。ファイルはあなたのディスクから直接読み込まれるので、アップロードのバーを待つ必要はありません。そもそもアップロードしないからです。

Whisper Web は本当に無料ですか？

はい。アカウントもカードもクレジットも透かしもなく、本数にも長さにも上限はありません。それが可能なのは、借りたサーバーではなくあなたのパソコンでモデルが動いているからです。そのサーバー時間こそ、どの有料 Whisper サービスもあなたに請求しているものです。

Whisper Web は音声をどこかにアップロードしますか？

いいえ。録音はブラウザの中で開かれ、そこで文字起こしされ、どこにも送信されません。当サイトにも、OpenAI にも、誰にもです。ネットを通るのは Whisper モデルだけで、それはあなたのところにダウンロードされ、ブラウザが保存します。その初回のあとは、Whisper Web はオフラインでも動きます。

Whisper を使うのに OpenAI の API キーは必要ですか？

不要です。「Whisper オンライン」と称するページの多くは、実際には OpenAI の有料サービスへの入り口で、まずキーを求められます。モデル自体は無料でダウンロードして動かせるもので、Whisper Web はそうしています。キーも請求先アカウントも、分単位の料金もありません。

Whisper Web の精度はどれくらいですか？

同じサイズなら、パソコンで Whisper を動かした場合と同じ結果になります。同じモデルだからです。精度を左右するのは選んだサイズのほうです。Whisper の上位2サイズはブラウザには大きすぎるので、雑音が多く条件の厳しい録音はデスクトップソフトのほうが良い場合があります。

どの Whisper モデルを選べばいいですか？

特に理由がなければ Turbo です。large-v3 のエンコーダーを使うため、強いなまりや声の重なり、背景の雑音の結果がはっきり良くなり、削り込んだデコーダーのおかげで速さも保たれます。Base は、最後の数パーセントの精度よりダウンロード量が大事なときや、音声が短くはっきりしているときのためにあります。WebGPU のある機械なら Turbo でも余裕があります。WebGPU がないと CPU で動くので、長い録音では Base のほうが現実的です。

Whisper が対応している言語は？

Whisper が扱う99言語すべて、スペイン語・中国語・アラビア語からウェールズ語・ヨルバ語・マオリ語まで。開始前にご自身で選びます。自動判定は用意していません。Whisper は録音全体で一度ではなく30秒の窓ごとに判定するため、判別しにくい長い音声では途中で言語が入れ替わってしまうからです。翻訳は英語への一方向のみで、これはこのページではなく Whisper 自体の制約です。

Whisper Web で SRT や VTT の字幕は取り出せますか？

はい。Whisper はすべての行に時刻を付けるので、SRT・VTT・TXT・JSON・CSV はどれもワンクリックで、切り替えも一瞬です。SRT は Premiere Pro、DaVinci Resolve、CapCut、YouTube の字幕アップロードで、ほかの字幕ファイルと同じように開けます。

Whisper Web はどれくらいの長さまで扱えますか？

1回につき1時間までです。これはこちらで決めた規則ではありません。ブラウザのタブが一度に抱えられる音声の量には限りがあり、1時間ですでにかなりを占めます。それより長いものは、このサイトのトリミングツールで分割して、順番に Whisper へ通してください。

Whisper Web の初回だけ遅いのはなぜですか？

先に Whisper モデルが届く必要があるからです。選んだサイズによって、およそ120MB、206MB、586MBです。ブラウザが Whisper モデルを保存するので、同じサイズでの2回目以降はすぐ始まります。Chrome、Edge、Opera ではグラフィックスカードも使えるため文字起こし自体がかなり速くなります。Safari と Firefox は時間がかかりますが、できあがる文章は同じです。

Whisper の文字起こしは商用に使えますか？

使えます。あなたの音声にも、そこから生まれた文章にも、当方は一切の権利を主張しませんし、どちらにも何も付け加えません。Whisper は OpenAI がオープンなライセンスで公開しており、Whisper Web はオープンソースの whisper-web プロジェクトをもとにしています。