動画の自動字幕起こし:音声から字幕を作る方法
DijiFlow Dictate が動画の音声をパソコン上でタイミング付きの字幕に変える仕組みと、四つの出力形式の選び方を紹介します。
カートに %itemCount% があります。合計 %total%
DijiFlow Dictate が生まれた経緯と、製品づくりの原則。声も文字もお使いのパソコンの中にとどまる、プライベートな音声入力です。
音声入力アプリのほとんどは、見えないところで同じことをしています。話した声は手元を離れてサーバーへ運ばれ、どんなものかも分からないモデルで文字に起こされ、少しして文章として戻ってきます。確かに便利です。けれどもその便利さと引き換えに、いちばん無防備な入力手段である自分の声が、他人の機器の上で録音され、処理されています。
DijiFlow Dictate の出発点は、「なぜそれが当たり前なのか」という素朴で、しかし譲れない疑問でした。DijiFlow Dictate は文字起こしを 100% オンデバイスで行う音声入力アプリです。文章やコードを書く人、メモを取る人のうち、自分の声を手元に置いておきたい人のために作りました。この記事でお伝えしたいのは、私たちが何者かというより、私たちが何を証明しようとしているかです。
優れたソフトウェアは、「信じてください」と頼むのではなく、設計そのもので信頼を得るべきです。声がデバイスの外に一度も出なければ、プライバシーは約束ではなく、事実になります。
DijiFlow Dictate の中心にある判断は、言葉にすれば簡単で、実現するのは難しいものです。文字起こしを手元で行うこと。音声認識は、お使いのパソコンで直接動く音声モデルが行います。音声もテキストもアップロードされません。アカウントも、クラウドでの処理もありません。
これは宣伝文句のために後から付けた機能ではなく、DijiFlow Dictate の核心です。音声がパソコンの外に出なければ、流出するサーバーの記録も、文字起こしが漏れる事故も、ある日ひっそりとポリシーが変わって言葉がどこかへ送られ始めることもありません。ふつうはプライバシーポリシーが約束することを、仕組みそのものが実現します。私たちは、保証を文章で書くより、仕組みとして作るほうを選びました。
モデルをダウンロードしておけば、ネットにつながらないときでも文字起こしは止まりません。話している途中で接続が切れても、何事もなかったように続けられます。これが私たちの基準です。肝心の仕事にクラウドが欠かせないツールは、本当の意味で自分の道具とは言えません。
DijiFlow Dictate に関する判断のほとんどは、いくつかの原則に沿って決めています。
いちばん安全なデータは、最初から集めなかったデータです。声というもっとも繊細な情報が、失われるおそれのある場所へそもそも移動しないように設計しています。
音声入力は、わざわざ開きに行く場所ではなく、キーボード入力の延長のように使えるべきです。アプリは Mac ではメニューバー、Windows ではシステムトレイに常駐し、ホットキーを押して話せば、カーソルのある場所に文字が入ります。
音声モデルごとに、どれだけ容量が必要で、どれだけ精度が上がるのかをはっきりお伝えします。無料版も、アップグレードを促すためにわざと使いにくくすることはせず、本当に役立つ形で提供し続けます。
すでにあるオープンな基盤を作り直すのではなく、その上に積み上げています。DijiFlow Dictate は、Charles Lukowski 氏の EasyDictate を MIT ライセンスのもとで利用して作られています。そのことは喜んで明記しています。
音声認識を発明したのは私たちではありませんし、そう見せるつもりもありません。DijiFlow Dictate は PITIR TECH が開発しており、Whisper や WhisperKit、そして Charles Lukowski 氏の EasyDictate といったオープンソースの成果から生まれました。MIT ライセンスで公開された同氏のコードは、私たちの土台の一部です。こうした成果を明記するのは、仕方なく添える注記ではなく、この分野はそうあるべきだという私たちの考えの表れです。私たちが取り組んできたのは、モデルそのものではありません。プライベートで、速く、迷わず手が伸びるほど快適な道具を作ること。今は Mac で、そして Windows でも。
DijiFlow のチームは少人数で、ひとつのことに集中しています。私たちは利用者のデータでお金を稼ぐプラットフォームを作っているわけではなく、製品が動くのに必要な範囲を超えて情報を集めるつもりもありません。声やテキストがその範囲に含まれることはありません。音声入力を始めるためにメールアドレスをいただくことも、利用者の広告プロフィールを作ることも、録音を次のモデルの学習に使うこともしません。どれも検討すらしていませんし、録音が私たちのもとに届くこともありません。
私たちが目指す成功は、目立たないものです。DijiFlow Dictate が、注意を奪うことなく日々の仕事に溶け込み、自分の声の行き先を気にする必要がまったくなくなることです。声はどこへ行ったのか。答えはいつも同じで、それこそがこのアプリを作った理由のすべてです。声は、ずっと手元にあります。
この考え方に共感していただけたなら、実際にどう使われているかを見るのがいちばんです。DijiFlow Dictate が実際の仕事にどう役立っているかをご覧ください。