OpenAI Whisperを、ターミナルなしで。
SpeechoはOpenAIのWhisperで動いています。ブラウザからファイルをアップロードすれば、ローカルに入れたときと同じ文字起こしが得られます。pipもCUDAも、依存関係のエラーに費やす一晩も必要ありません。
Whisperで文字起こし →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。その周りにあるもの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終わる。
ここでは：ページを開いてファイルを置くだけ。入れるものも、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：サーバーのGPU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。
モデルの上に載っているもの
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
Whisperの多言語対応に加えて、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。
Pay only for what you use
Top up once. Credits never expire. No subscription. One wallet for transcription, scans and captions.
New accounts get 15 free minutes to try — credits work for scans and captions too.
Frequently asked questions
これは本当にOpenAI Whisperですか。
はい。Speechoの文字起こしはWhisperで行っています。ローカルに入れるのと同じモデルファミリーを、ホスティング環境で動かしているだけです。Whisperという名札の裏に別のエンジンが入っているわけではありません。
ローカルでWhisperを動かすほうがよいのでは。
性能のある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。ホスティング版が向くのは、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。
Whisperは99言語を文字起こしし、Speechoは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と同じです。
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。
選ぶモデルの階層に応じて、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。メールを確認すると15分の無料枠が付きます。