動画の字幕自動作成

使い方

1. 動画や音声を追加します。読み取るのは音声だけで、映像には手を加えません。
2. 話されている言語（日本語・英語など9言語から）と、必要な字幕の形式を選びます。
3. 複数の人が話す場合は「話者を分ける」にチェックを入れます。各字幕の頭に話者の番号が付きます。
4. 認識モデルが一度だけダウンロードされ、そのあと解析が始まります。長い動画は時間がかかります。
5. SRTをダウンロードし、編集ソフトやプレーヤーに読み込ませるか、「動画に字幕を焼き込む」に渡します。

よくある質問

表示のタイミングはどこから決まりますか。

話し声そのものからです。録音を無音のところで区切り、その一区切りずつを認識して、その区間の開始と終了をそのまま字幕の時間にしています。だから一定の間隔ではなく、話したときに出ます。

SRTとWebVTTのどちらを選べばよいですか。

動画編集ソフト、プレーヤー、投稿フォームならSRTです。WebVTTはブラウザの字幕トラックがそのまま読める形式なので、自分のWebページに載せる動画ならこちらです。

精度はどのくらいですか。

1人がはっきり話している音声なら実用になります。複数人の重なり、大きな雑音、固有名詞は苦手なので、公開前に一度目を通してください。ただのテキストファイルなので、どのエディタでも直せます。

字幕に話者を出せますか。

「話者を分ける」にチェックを入れると、各字幕の頭に話者1・話者2…が付きます。このとき、声の変わり目を見つけるモデルと、話し声のひと区切りを声の特徴を表す数値に変えるモデルの2つで、録音をもう一度読み直します。そのため初回はさらに約34MBのダウンロードが必要で、処理時間もおよそ2倍になります。名前ではなく番号なのは、録音自体には誰なのかという手がかりがないためです。あとから「話者1」を名前に置き換えるのは一瞬です。1人ずつ別のマイクで録った音声はきれいに分かれますが、会議室に1本だけ置いたマイク、声質の似た人どうし、長く重なって話す場面では間違えます。

動画はアップロードされますか。

されません。モデルがブラウザに配信され、認識もブラウザの中で行われます。動画は端末から出ません。