WhisperX · オンライン · 無料 · プライベート
WhisperX オンライン：単語タイムスタンプ付きで音声を文字起こし
音声・動画ファイルをドロップするだけで、単語ごとのタイムスタンプ、話者ラベル、SRT/VTT 字幕付きの文字起こしが手に入ります。Python も GPU の設定も Hugging Face トークンも不要。処理はすべてブラウザ内で行われ、ファイルはアップロードされません。
WebGPU または WebAssembly を使い、すべてブラウザ内で動作します。モデルは初回のみダウンロード（40〜800 MB）され、その後はキャッシュされます。無料：15 分まで、単語タイムスタンプ、全形式で書き出し。
- アップロードなし
- 単語タイムスタンプ
- 話者分離
- SRT · VTT · JSON
WhisperX とは？
WhisperX は、OpenAI の Whisper をベースに、単語単位の正確なタイムスタンプと話者分離を加えたオープンソースの音声認識パイプラインです。オックスフォード大学の Max Bain らが開発し、Interspeech 2023 で論文が発表されました。faster-whisper によるバッチ文字起こし、wav2vec2 モデルによる単語アライメント、pyannote-audio による話者ラベルを組み合わせています。使い方としては Python、できれば NVIDIA GPU、話者分離には Hugging Face トークンが必要です。このページならそれらなしで結果が得られます。
使い方
- ファイルをドロップ：音声（MP3、WAV、M4A）または動画（MP4、MOV、WEBM）。ブラウザが音声トラックを取り出し、何も送信されません。
- モデルと言語を選択：tiny、base、small は無料、large-v3-turbo が最も高精度です。
- 文字起こし：WebGPU なら多くの場合、実時間より速く処理できます。WebGPU がなくても CPU モードで動作します（低速）。
- 確認して書き出し：単語をクリックするとその位置から再生。TXT、SRT、VTT、または WhisperX の出力形式の JSON でダウンロードできます。
無料版と Pro
無料：Whisper tiny・base・small、15 分までのファイル、単語タイムスタンプ、全形式の書き出し。Pro（Answer the Web の Webtools Pro）：さらに large-v3-turbo、話者分離、長時間の録音に対応。処理は常にローカルです。
WhisperX のインストール
オリジナルの WhisperX を自分の PC で動かす場合：
pip install whisperx
whisperx audio.mp3 --model large-v3 --output_format srt
whisperx audio.mp3 --model large-v3 --diarize --hf_token YOUR_HF_TOKENgithub.com/m-bain/whisperX · WhisperX vs Whisper vs faster-whisper (EN)