MP3ファイルをテキストに変換 無料で高精度

多くの「無料」の文字起こしツールでは、1日の利用時間に制限を設けたり、有料版にアップグレードするまで出力ファイルに透かしが入ったりします。ScribeGrabは独自のGPUで動作するため、分ごとのクラウド料金や1日の上限はありません。個々のファイルのサイズは最大60分、1.5GBまで対応し、約100言語を自動検出します。また、アップロードされたファイルは処理が完了するとすぐに削除されます。

多くの録音ファイルはMP3形式で保存されるため、ScribeGrabでは変換作業を行わずに直接読み取ることができます。別のファイル形式（WAV、M4A、FLAC、OGG、AACなど）や一般的な動画ファイルも同様に処理できます。詳細については、以下のワークフローをご覧ください。 音声をテキストに変換 は、携帯電話のボイスメモにも対応しています。 オーディオをテキストに変換 完全なリストについては、以下のワークフローを参照してください。

1. ScribeGrabを開き、「ツールの起動」をクリックします。
2. MP3ファイルをドラッグ＆ドロップします（最大60分/1.5GB）。
3. 当社の音声認識モデルが、当社のGPU上で文字起こしを行います。
4. 文字起こし結果をTXT形式でダウンロードできます。必要に応じて、SRT/VTT形式の字幕ファイルもダウンロードできます。

MP3ファイルについて最初に気になるのは、音声認識に適した品質かどうかということです。ほとんどの場合、問題ありません。音声認識システムは、人が聞くのとは異なる方法で音声を処理します。人間の音声に含まれる情報を最大限に活用するために、モデルが音声を処理する前に、まず16kHzモノラルにリサンプリングされます。320kbpsステレオファイルと128kbpsモノラルファイルは、ほぼ同じ結果になります。さらに、64kbpsの音声録音でも、通常は問題なく文字起こしできます。ビットレートを気にする必要はありません。

文字起こしの精度に影響を与えるのは、主に録音環境であり、その重要度が高い順に以下のようになります。 マイクからの距離 （2メートル離れたテーブルに置かれた携帯電話は、どんなコーデックよりも多くのノイズを生み出します） 重なり合った音声, 強い反響 壁が平行な部屋で録音した場合など 一定の背景ノイズ 例えば、エアコン、交通騒音、またはノートパソコンのファンなど。近距離で録音された96kbpsファイルは、広範囲で録音されたロスレスファイルよりも常に優れています。

つまり、改善すべき点は、録音後に調整するのではなく、録音前に行うことです。録音機器を話者に近づけましょう。もし2人が話す場合は、片方の前に置くのではなく、両者の間に置きましょう。ファンの電源を切ってください。すでにファイルがあり、品質が良くない場合でも、文字起こしを実行してみてください。無料で数分で完了し、結果を読むことで、試してみる価値があるかどうかを判断できます。

「音声ファイル」と言えばMP3ファイルを指すことが多いですが、通常はそれだけではありません。別の形式の方が適している場合もあります。複数の形式がある場合は、以下のリストを参照してください。

• WAVまたはFLAC ―非圧縮または可逆圧縮。もしお持ちであれば、これらを使用してください。ファイルサイズは大きくなりますが、まだデータが削除されていません。FLACは、同じ音質のWAVの約半分のサイズです。
• M4A / AAC ―iPhoneのボイスメモや最新の録音機器で作成される音声形式。同じビットレートの場合、MP3よりもわずかに効率的です。変換せずに直接アップロードできます。
• MP3 ―汎用性が高く、64kbps以上の任意のビットレートで音声に適しています。
• OGG / Opus ―WhatsAppのボイスメッセージやDiscordの録音で使用されています。低ビットレートでのパフォーマンスに優れています。そのままアップロードしてください。
• MP4, MOV, MKV, WebM ―ビデオファイルです。事前にオーディオを抽出する必要はありません。サーバー側でオーディオトラックが抽出されます。

MP3ファイルをWAV形式に変換してからアップロードしても、ファイルサイズが大きくなるだけで意味がありません。MP3で削除された情報は元に戻らないからです。その手順はスキップしてください。最大 60分 のファイルを一度の処理で実行し、プレーンテキストのトランスクリプトと SRTおよびVTT という形式の字幕ファイルが、同じ処理で生成されます（音声またはビデオをソースとして使用）。

1つのMP3ファイルをアップロードすると、3つのファイルが出力され、すべて同じ処理で生成されます。用途に合わせて最適なファイルを選択してください。

• transcript.txt — 通常のテキスト形式で、各文が一行ずつ表示されます。読みやすく、検索や引用、ドキュメントへの貼り付けに最適です。
• subtitles.srt — ほとんどすべての動画プラットフォームとエディターで使用できる形式で、開始時間と終了時間のタイムコードが付いたものと同じテキストです。オーディオのみの場合でも役立ちます。2時間の録音の中で特定の箇所がどこにあるかを簡単に特定できます。 どこに あるのか。
• subtitles.vtt — HTML5プレーヤーやブラウザベースのエディターで使用できる、ウェブに適した形式です。

複数の人が話している場合、トランスクリプトには 話者ラベルが追加されます。これは音声自体から解析され、各発言セグメントの特性を測定し、類似するものをグループ化することで決定されるため、正確なものではなく、あくまで推定値です。声が似ている2人の場合、誤って1つの話者としてまとめられてしまう可能性があり、マイクに近づいたり遠ざかったりする1人の話者は、2つに分割されてしまう可能性があります。ラベルは、法廷で誰が何を言ったかを正確に示すものではなく、修正を加えるための最初のステップとして扱ってください。

どのようなツールを使用しても、トランスクリプトはそのままでは公開できません。以下の順序で整理することで、大幅に時間を短縮できます。

1. まず、検索と置換機能を使用して、固有名詞を修正します。 名前、会社名、場所、専門用語などは、音声認識モデルが最も誤りやすい部分であり、頻繁に間違えます。 一貫して — 同じ名前が毎回同じように聞き間違えられる。各名前に対して一度まとめて修正すれば、20箇所を修正できる。
2. 次に文の区切りを読み込む。 句読点は間の取り方やイントネーションから推測されるため、言葉を切って話す話し手の場合、不自然な場所にピリオドが挿入されることがある。これは簡単な読み直しであり、書き直しではない。
3. 次に、発言者のラベルを修正する。名前がわかったら、テキストの編集を開始する前に、構造が音声と一致しているうちに。
4. その後、読みやすさを考慮して編集する。不要な言葉を削除し、繰り返しを整理し、言い間違いや言い始めをカットする。これは最後に実行する。なぜなら、それ以前の手順はすべて、逐語的なテキストに対して行う方が簡単だからだ。

上記のいずれよりも時間短縮に役立つのは2つのことである。SRTファイルをテキストの横に開いておく—ある箇所が不明瞭に見える場合、タイムコードがあれば、その部分を音声で確認できるため、推測する必要がない。また、自分で音声を録音する場合は、マイクを発言者に近づけるようにする。机の上に腕の長さだけ離して置いた携帯電話を使用すると、設定でどれだけ調整しても、正確性が損なわれ、これは完全にコントロール可能な唯一の変数である。