要点（BLUF）： このツールは音声や動画をテキストと字幕に変えます：Whisper モデルでブラウザの中だけで音声を認識し、録音の言語を自動で判別するか選んだ言語を受け入れ、タイムスタンプを付け、結果を TXT・SRT・VTT・JSON で渡します。動画にはさらに、字幕を映像に直接焼き込んだクリップも作ります。ファイルはどこにもアップロードされず、トークンも差し引かれず、有料の API はここにはありません。
ツールは音声か動画を受け取り、音声認識でテキストに変えます。ファイルをアップロードすると、タイムスタンプ付きの文字起こし、整った字幕が手に入り、動画なら字幕をフレームに直接焼き込んだ同じクリップも得られます。
認識は Whisper モデル（オープンな多言語モデル Xenova/whisper-tiny）を Transformers.js 経由で動かします：ブラウザが提供する場合は GPU の上で WebGPU 経由、そうでなければ CPU の上で WASM 経由。音声トラックはファイルからローカルに、ブラウザのメモリの中で取り出されます。
音声：MP3、WAV、M4A、AAC、OGG、Opus、FLAC。動画：MP4、WebM、MOV、M4V、MKV、AVI、OGV。動画からはツールが自力で音声トラックを取り出します：別に切り出す必要はありません。
音はモノラル 16 kHz に変換されます —— Whisper が待ち受けるちょうどその形です。長い録音は 30 秒の塊ごとに、5 秒の重なりを伴って認識されるため、継ぎ目で言葉が失われることはありません。
ファイルはサーバーへ送られません：音、認識、字幕の組み立てはすべて、あなたのブラウザの中で完結します。ここに有料 API はなく、トークンも差し引かれません。
モデルの重みは公開カタログ Hugging Face から一度だけダウンロードされ、あとはブラウザのキャッシュに残ります —— 次回はダウンロードなしですぐモデルが立ち上がります。サーバー側の推論、CUDA、「こちら側の予備 GPU」は一切ありません。
Whisper は 99 の言語を認識します。既定では言語は自動で判別され、ツールはどの言語を聞き取ったか表示します。録音が短い、混ざっている場合は、リストから手動で言語を選べます —— そのほうが認識は正確になります。
テキストはワンクリックでコピーできるほか、4 つの形式でダウンロードできます。TXT は文字起こしそのもの、タイムスタンプ付きでもなしでも。SRT と VTT はプレーヤー、編集ソフト、YouTube 用の整った字幕。JSON は言語・長さ・各セリフにタイムスタンプが付いた文字起こしで、後処理に便利です。
動画ファイルからは、字幕をフレームに直接焼き込んだ新しいクリップを作ります。そのような動画は、外付け字幕が使えない場所でも再生できます：メッセージアプリ、SNS、どんなプレーヤーでも。元の音声は保たれます。
同じ字幕は SRT と VTT のファイルとしてもダウンロードでき、元の動画を作り直さずに付けることができます。
音声を別の言語へ翻訳しません：認識は録音の言語で行われ、翻訳は別の仕事です。話し手を声で分けず、誰が何を言ったかも書きません。
音楽やノイズを音声としては扱いません：録音に聞き取れる音声がなければ、文字起こしは空か不正確になります。品質は録音次第 —— ノイズや反響のないきれいな声では、結果は明らかに良くなります。
音声か動画を選び、必要なら言語を指定して（または自動判別のまま）「音声を認識」を押します。文字起こしを待ちましょう —— 進行は画面に表示され、認識は途中で止められます。
その後、テキストをコピーするか、TXT・SRT・VTT・JSON をダウンロードします。動画をアップロードした場合は「字幕付き動画を作る」を押して、でき上がったクリップをダウンロードしてください。
動画やポッドキャストの作り手 —— 公開用の字幕と、説明用の文字起こし。学生やジャーナリスト —— 講義、インタビュー、レコーダーの録音のテキスト。録音からすばやくテキストを得たい、他人のサーバーには送りたくないすべての人。
どこへも送られません。音はブラウザの中で、あなたの端末の上で完全に取り出され、認識されます。私たちのサーバーはこのファイルを決して受け取りません。
いいえ。これはあなたの端末で動く無料ツールです：ここに有料 API はなく、引くものがありません。
モデルはあなたの端末で計算します。最初の起動は時間がかかります：モデルの重みをダウンロードし、計算グラフを慣らします。その後はモデルがブラウザのキャッシュから来るため、認識は速くなります。
リストから言語を手動で選び、認識をやり直してください —— 短い録音では手動の選択が自動判別より正確です。
はい。SRT か VTT をダウンロードして動画に付けるか、ツールの中で字幕焼き込み済みのクリップを作れます。