Whisperをインストールせずに、ブラウザで文字起こし。
ブラウザからファイルをアップロードすれば、数分で文字起こしが返ってきます。pipもCUDAも不要で、依存関係のエラーに一晩を費やすこともありません。音声認識は当社側で動き、99言語に対応しています。
ファイルを文字起こし →Whisperを自分で動かすときの本当のコスト
モデル自体は無料です。それを動かす環境と手間は無料ではありません。
セットアップ
Python、ffmpeg、仮想環境、そしてGPUに合ったtorchのビルド。最初の文字起こしにたどり着く前に、依存関係のエラーで午後が潰れる。
ここでは：ページを開いてファイルを置くだけ。インストールするものも、更新し続けるものもありません。
ハードウェア
CPUではlargeモデルは実時間より遅く、1時間の音声に1時間以上かかることもある。その間ファンは全開。
ここでは：文字起こしはクラウドで処理します。1時間の音声も数分で返ってくるので、その間は別の作業ができます。
出力はテキストだけ
Whisperが返すのはテキストです。話者ラベル、字幕ファイル、要約、翻訳は、それぞれ別に作る必要がある。
ここでは：その4つが同じアップロードから、仕上がった状態で返ってきます。
文字起こし以外に付いてくるもの
ローカルで一度動かした人が、結局自分で書くことになる部分です。
話者ラベル
複数話者の録音--インタビュー、パネル、会議--で各行を声に対応付けます。あとから「話者1」を実名に変更できます。
そのまま使える字幕
Whisperの生セグメントをプレーヤーが受け付ける形に整え直す必要はありません。適切な改行とタイミングの.srtと.vttを書き出せます。
入力99言語、出力18言語
99言語の音声認識に加えて、完成した文字起こしの18言語への翻訳と、話された内容のAI要約が付きます。
使った分だけお支払い
一度チャージすればOK。クレジットは無期限。サブスク不要。文字起こし・スキャン・字幕をひとつの残高で。
新規アカウントにはお試し用の無料15分が付きます。クレジットはスキャンや字幕にも使えます。
よくある質問
ここにない質問はお問い合わせください。通常1営業日以内に返信します。
ローカルでWhisperを動かすほうがよいのでは。
高性能なGPUがあり、Pythonに慣れていて、常時文字起こしをしているなら、正直なところそのとおりです。ローカルなら電気代とセットアップの時間だけで、あとは時間あたりの費用はかかりません。Speechoが向くのは、ハードがない場合、環境の保守をしたくない場合、あるいは話者ラベル・字幕・要約・翻訳を自作せずに使いたい場合です。
何かインストールする必要はありますか。
ありません。ブラウザで完結します。Pythonもffmpegも、モデルの重みのダウンロードも不要です。動画はアップロード前に手元で音声だけを抽出するので、ギガバイト単位の転送も発生しません。
対応言語は。
Speechoは99言語を文字起こしし、完成した文字起こしを18言語へ翻訳します。精度が最も高いのはクリアな音声と広く話されている言語で、この点はローカルのWhisperを含め、どの音声認識でも同じです。
音声はAIの学習に使われますか。
いいえ。録音がモデルの学習に使われることはありません。元のファイルは処理後に削除され、文字起こしも履歴からいつでも削除できます。
料金はいくらですか。
チャージ額に応じて、音声1時間あたり$0.83〜$1.25です。サブスクはなく、クレジットに期限もありません。メールアドレスを認証すると15分の無料枠が付きます。