音声文字起こし

文字起こしの設定

AI モデル

初期値はGemini 3.5 Flash Lite · fast。Gemini 3.6 Flash · advancedはGoogleの上位モデルです。両方とも翻訳、時刻、話者ラベルの指示に対応します。Experimentalは30秒以内の短い音声向けのZ.ai GLM-ASRです。

音声言語

初期値は自動検出。English（英語）、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、ロシア語、日本語、中国語、アラビア語を選べます。短い音声、強い訛り、固有名詞の多い録音では言語を指定します。一覧にない言語は自動検出を使います。

字幕を翻訳する (オプション)

初期値の翻訳なし（オリジナル）言語)は原語の文章を返します。訳先は音声言語の10言語にヒンディー語、韓国語、オランダ語、ポーランド語、トルコ語を加えた15言語です。1回の処理で文字起こしと翻訳を行い、話者ラベルを保った訳文だけを返します。原文も必要なら2回実行します。

含めるタイムスタンプ

初期状態はオフ。オンでは[00:01:23]のような時:分:秒を一定間隔で改行して付けます。モデルが推定する時刻なので、箇所を探す目安です。正確な字幕ファイルには動画の字幕作成を使います。オフでは時刻なしの読みやすい段落になります。

さまざまな話者の識別

初期状態はオフ。オンでは話者が変わるたびにSpeaker 1:、Speaker 2:と改行します。時刻付きなら[00:04:10] Speaker 2: …です。モノラルに混ぜた声で判別するため、ステレオの左右に別の話者を録音してもチャンネルで分離しません。番号は編集ソフトの検索・置換で名前に変えられます。