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%
オンデバイスの音声入力なら、声も文字もお使いのパソコンの中にとどまり、アカウントもクラウド処理も要りません。プライベートな音声入力とは何かを解説します。
一般的な音声入力アプリを使うと、声は長い道のりをたどります。マイクで録音された音声はサーバーにアップロードされ、どこか遠くのモデルが文字に起こし、少し遅れてテキストが返ってきます。体感では一瞬です。それでもその数秒間、話した言葉は自分のものではない機器の上にあり、自分が決めたわけではないルールのもとで扱われています。
DijiFlow Dictate は、話した言葉を外に送ることが一切ありません。声を拾うのも、文字に起こすのも、テキストに仕上げるのも、すべて目の前のパソコンの中です。音声もテキストもアップロードされず、サーバーにコピーが残ることもありません。「声はデバイスの外に出ない」というのは、安心してもらうための言葉ではなく、アプリの作りをそのまま説明したものです。
ポイント
設計によるプライバシーとは、規約が「漏らしません」と約束することではありません。仕組みそのものが、漏れることをあり得なくしているということです。
多くの音声入力ツールは、通信の暗号化を売りにしています。あるに越したことはありませんが、それが何を守っているのかは確かめておく必要があります。暗号化が守るのは、音声がサーバーに届くまでの道のりだけです。届いた時点で、モデルが読めるようにサービス側が暗号を解きます。
そこから先は、目に見えないものを信じるしかありません。データの保存期間の設定、アクセスできる人の範囲、提供企業の善意、そして次の四半期には書き換えられているかもしれないプライバシーポリシー。暗号化は道中を守りますが、行き先で何が起きるかには関わりません。
オンデバイス処理には、その行き先がそもそもありません。途中にサーバーがないので、声が復号されたり、記録されたり、保管されたりする場所がほかにありません。録音も、文字起こしも、完成したテキストも、すべて手元の機器の中にとどまります。
DijiFlow Dictate の音声モデルは、お使いのパソコンで直接動きます。Mac なら Apple の Neural Engine と GPU、Windows なら AMD、Intel、NVIDIA の GPU を使います。処理を肩代わりする外部のサービスはなく、モデルが自信を持てないときにこっそり音声を別の場所へ送る仕組みもありません。パソコンの中のモデルが、システムのすべてです。
処理が手元で完結するからこそ、多くのクラウドツールにはない特長が生まれます。
最後の点は、ご自分で確かめられます。LAN ケーブルを抜き、Wi-Fi をオフにして、そのまま音声入力を続けてみてください。それでも問題なく使えます。つまり、文字起こしは最初から外部と通信していなかったということです。信じてもらうしかない約束より、自分で確かめられる動作のほうが確かです。
並べてみると、違いがいちばんよく分かります。それぞれの方式で、データがどこに置かれるのかをまとめました。
| データの扱い | DijiFlow(オンデバイス) | 一般的なクラウドツール |
|---|---|---|
| 音声が手元のパソコンから出ない | ✓ | ✗ |
| 文字起こしがデバイスの中にとどまる | ✓ | ✗ |
| アカウントもメールアドレスも不要 | ✓ | ✗ |
| 声をクラウドで処理しない | ✓ | ✗ |
| ネットワークを切っても文字起こしできる | ✓ | ✗ |
| 提出を命じられても、提供企業の手元にデータがない | ✓ | ✗ |
数字にすると、三つのゼロで同じことが分かります。
音声入力で扱う内容には、他人のサーバーの記録に残すべきではないものが少なくありません。厳しい守秘義務のもとで患者の記録を書く医師。秘匿特権のある文書を口述する弁護士。匿名を約束した情報源の話を文字起こしする記者。社内システムの設計を声で資料にまとめるエンジニア。
どの場合でも、いちばん安全なデータは、最初から送信されていないデータです。オンデバイスの音声入力なら、第三者の情報漏えいや開示命令、知らないうちのポリシー変更が文字起こしに及ぶことはありません。その第三者は、データを一度も受け取っていないからです。
かつては、手元で処理すれば精度や速さを犠牲にすることになり、オンデバイスのモデルは見劣りする選択肢だと思われていました。今はそうではありません。Apple Silicon は最新の音声モデルを速く正確に動かします。DijiFlow は自動検出によって 90 以上の言語をオンデバイスで認識し、そのうち 29 言語にフル対応して語彙の調整もできるので、人名や専門用語、略語も正しく書き取れます。
モデルのサイズは、お使いのパソコンの性能と必要な精度に合わせて選べます。かつてはデータセンターが必要だった水準の文字起こしを、音声もテキストも手元から出さずに実現できます。
DijiFlow のプライバシー優先は、オンにして使う機能ではありません。アプリ全体が手元での処理を前提に作られているので、プライバシーが守られた状態が、そのまま標準の動作です。探すべき設定も、覚えておくべきモードもありません。DijiFlow Dictate の無料版は日々の利用ならずっと無料で使え、Pro の全機能を試せる 30 日間のトライアルもあります。準備ができたら Pro に切り替えられます。
話した言葉を誰にも渡したくないなら、オンデバイスの音声入力が仕事にどう役立つかをご覧ください。