タイムスタンプを使用してローカルで音声をテキストに書き写す方法

インタビュー、会議の記録、講義、口述をテキストに書き起こすことは、アクセシビリティ、ドキュメント、コンテンツの作成にとって非常に重要です。ただし、標準のオンライン文字起こしサービスでは、音声ファイルをクラウド サーバーにアップロードする必要があります。これにより、社内での機密の議論、プライベートなインタビュー、機密の個人情報がサードパーティのデータベースに公開されます。

データを保護するには、デバイス上のローカル転写が理想的なソリューションです。ブラウザ内で音声をテキストに直接変換することで、オーディオ ファイルがデバイスから流出することはありません。これにより、絶対的なデータ プライバシーが保証され、サーバーのキューが削除され、ファイルを即座に転写できるようになります。

ZeroWebTools は、WebAssembly にコンパイルされた高度な ONNX ランタイム エンジンと Hugging Face Transformers エンジンを利用して、オンデバイスの機械学習を実行します。トランスクライバーを初めて実行すると、量子化された Whisper Tiny モデルがダウンロードされます (約 75MB)。

ダウンロードされると、モデルはブラウザのキャッシュ ストレージにローカルにキャッシュされます。後続のすべての実行では、モデルがディスクから即座にロードされるため、ネットワーク接続なしで完全なオフライン転写が可能になります。すべての計算は CPU/GPU 上でローカルに行われるため、遅延やプライバシー漏洩がゼロになります。

より長い録音を文字に起こす場合、コンテンツをナビゲートするにはセグメントのタイムスタンプが不可欠です。当社のトランスクライバーは各セグメントの正確な開始タイムスタンプを生成するため、特定の単語が話された場所をすばやく見つけることができます。

さらに、インタラクティブなトランスクリプト エディタを使用すると、段落リスト ビューとタイムスタンプ リスト ビューの両方で、聞き間違えた単語や書式設定をその場で修正できます。これにより、エクスポートされた最終ドキュメントが洗練され、正確になり、すぐに公開できるようになります。