Whisper Transcriber Suite
English
日本語
スター ダウンロード

インタビューを話者ラベル付きで文字起こし（誰が何を話したかを記録）

一度インストールすれば使える無料のデスクトップアプリ（Windows、macOS、Linux対応）。録音データはお使いのコンピューター上で処理され、アカウント登録も不要です。

アプリは声を識別し、Speaker 00、Speaker 01のようにラベル付けします。名前を変更するまで、アプリが個人の名前を特定することはありません。声質が似ている場合、短い相槌、発話の重複、周囲のノイズなどによって誤ったラベルが付くことがあります。始めるには、「文字起こし」タブで「話者を識別」にチェックを入れ、「文字起こし」を押してください。

無料アプリをダウンロード

はじめる前に

Windows版およびMac版のビルドには話者検出モデルが含まれています。アプリは必ず公式GitHubリリースページからのみ入手してください。インストーラーはコード署名されていないため、Windowsで警告が表示される場合があります（詳細情報 > 実行）。ホームページおよびインストールガイドもあわせてご覧ください。

文字起こしに話者ラベルを追加する方法

  1. 録音データを追加します。文字起こしタブで音声または動画ファイルをドラッグするか、ファイルを参照...をクリックします。動画のダウンロードタブのリンクも同じ「文字起こし」設定を使用するため、同様に機能します。
  2. 言語を選択するか、自動のままにします。
  3. 「話者を識別」にチェックを入れます。チェックボックスに話者を識別（利用不可）と表示されている場合は、カーソルを合わせると理由を確認できます。その下の話者数選択メニューが有効になります。自動のままにするか、2〜10の数字を選択して正確な人数を指定してください。
  4. 任意：単語ごとのタイムスタンプにチェックを入れると、文ごとだけでなく単語ごとに開始時間と終了時間が保存されます（出力ファイルのサイズは大きくなります）。
  5. エクスポート形式を選択します。詳細設定…をクリックし、出力形式の下にあるDOCXとPDFにチェックを入れます。SRT、TXT、Markdown、JSONにも話者ラベルが含まれます。JSONには必ずチェックを入れたままにしてください。最後のステップで必要となる、文字起こしビューアを開くためにアプリが使用するJSONファイルです。
  6. 「文字起こし」をクリックします。話者検出は文字起こしの後に実行され、処理時間が追加されます。完了後、前回の結果カードから文字起こしを表示を開きます。
  7. 汎用のラベルを名前に置き換えます。ビューアで話者列のセルを右クリックし、「Speaker 00」の名前をすべて変更...を選択して名前を入力したら、変更を保存 (Ctrl+S)をクリックします。元の文字起こしと一致している場合、同じ場所にあるWordやテキストファイルが再生成されます（PDFは再生成されないため、名前変更後に再度エクスポートしてください）。
「文字起こし」タブ：「言語」の行にある「話者を識別」と「単語ごとのタイムスタンプ」のチェックボックス、その下の「時間範囲」の行、そして大きな「文字起こし」ボタン。
「文字起こし」タブの「言語」行に配置された「話者を識別」と「単語ごとのタイムスタンプ」。

話者ラベルの表示例

各セグメントは話者名から始まります。WordやPDFの文字起こしでは、タイムスタンプ、太字の話者名、テキストの順に1行に表示されます。SRT、VTT、TXTではテキストの先頭にSpeaker 00:が付き、ASSでは専用のnameフィールドに保持され、JSONではspeakerフィールドとして保存されます。共有用のWebページでも表示されます。以下の行はレイアウトの図解であり、実際の出力ではありません：

[00:00:04]  Speaker 00:  So where do we start?
[00:00:07]  Speaker 01:  With the recording itself.

知っておくと便利なこと

  • 1セグメントにつき1つのラベル：文字起こしの各セグメントには、検出された発話が最も多く重なっている話者が割り当てられます。1つのセグメント内で2人が話している場合や発話が重なっている場合でも、セグメント全体に1つのラベルのみが付きます。検出された発話が重なっていないセグメントにはラベルは付きません。
  • 1行だけの修正：名前の変更を行うと、そのラベルが付いたすべての行が一括で変更されます。ビューアでは1行だけの話者を変更することはできないため、個別の行の修正はエクスポートされたWordやテキストファイルで手動で行ってください。
  • 汎用の名称：ラベルには番号が振られます。同一ファイル内では番号の一貫性が保たれますが、複数のファイル間で引き継がれることはありません。
  • 人数が正しくないと思われる場合は、話者数を自動のままにせず、実際の人数に設定してください。
  • オフライン対応、Hugging Faceアカウント不要：お使いのコンピューター上で動作し、文字起こしに加えて処理時間がかかります。
  • 単語レベルのタイミング：単語ごとのタイムスタンプはJSONファイルに保存され、VTTやASSでカラオケ風のハイライト表示に使用されます。

よくある質問

話者の名前まで自動で付けてくれますか？

そのままでは対応していません。ラベルは「Speaker 00」「Speaker 01」などのように表示されます。文字起こしビューアの名前変更オプションを使って、実際の名前に変更してください。

話者は何人まで識別できますか？

話者数を自動にしておけばアプリが判断します。人数が分かっている場合は、2〜10の数値を直接指定することもできます。

同時に話している人を聞き分けることはできますか？

いいえ。声が重なっている部分（クロストーク）は分割されません。各セグメントには、その大部分を占める話者のラベルが1つだけ割り当てられます。そうした箇所は実際に音声を聞いて確認してください。

話者ラベルが表示されるエクスポート形式はどれですか？

DOCX、PDF、SRT、VTT、TXT、Markdown、ASS、JSON、および共有可能なWebページ。

その他のガイド

YouTubeからテキストへリンクを貼り付けてダウンロードし、文字起こしを取得。 動画からSRTへファイルやリンクから字幕を作成。動画への焼き込みにも対応。 Whisper Transcriber Suiteアプリの全機能をホームページで紹介。