オフライン文字起こし
Windowsで音声と動画をオフライン文字起こしする方法
ローカルのメディアファイルから修正済みの文字起こしまたは字幕ファイルを作る実践的な手順と、結果を左右するモデル、分割、話者、書き出しの選択肢を解説します。
オフライン文字起こしでは、録音をWebサービスへアップロードせず、認識処理を自分のPC上で行います。この違いは、機密性の高いインタビュー、社内会議、未公開メディア、長時間録音、不安定な接続環境、元ファイルを自分の管理下に置く必要があるワークフローで重要です。
このガイドでは、Windows版Owl Meetingを例に説明します。認識モデルはCPU上でローカル実行されるため、基本的な文字起こしに専用GPUは必要ありません。Microsoft Storeからの初回インストールとモデルのダウンロードにはインターネット接続が必要です。必要なファイルがそろえば、基本的なファイル文字起こしはオフラインで実行できます。
始める前に
どの音源にも同じ設定が合うと考えず、録音の特徴を確認してください。短い区間を聞き、使用言語、話者数、背景雑音、発話の重なり、左右のチャンネルが分かれているかを把握します。
| 録音の種類 | 推奨する初期設定 | 理由 |
|---|---|---|
| 1人、明瞭な音声 | Interval分割 | 発話の間が、単純で高速な区切りになります。 |
| インタビューまたは会議 | Speaker分割 | 声の特徴に基づいて区間をグループ化できます。 |
| 雑音の多い現場録音 | 短いサンプルでノイズ除去をテスト | ノイズ除去は有効な場合がありますが、原音との比較が必要です。 |
| 長時間録音 | 先にTestモードを実行 | 短いプレビューで、全体処理前にモデルや分割方法の誤りを発見できます。 |
| エコーやチャンネル間の音量差があるステレオ | モノラル変換版と比較 | 難しい音源では、モノラル化によってチャンネル由来の干渉を減らせる場合があります。 |
Owl Meetingは、MP3、WAV、M4A、FLAC、MP4、MKV、MOVなど、一般的な音声・動画形式に対応しています。必要に応じて、内蔵メディアツールで音声を抽出または変換できます。現在の形式と前処理の詳細は、ファイル文字起こしのリファレンスをご覧ください。
オフライン文字起こしの全手順
- ローカルモデルを準備する。 Microsoft StoreからOwl Meetingをインストールし、Settings > Modelsを開きます。録音言語に対応する認識モデルをダウンロードします。PCをオフライン環境や制限されたネットワークへ移す前に済ませてください。
- メディアファイルを読み込む。 Offlineモードを開きます。録音をウィンドウへドラッグするか、Select Fileを選びます。音声をプレビューし、正しいトラックが聞こえることを確認します。
- 分割方法を選ぶ。 モノローグ、講義、主な話者が1人のポッドキャストでは、まずIntervalを使います。参加者を区別する必要がある場合はSpeakerを選びます。
- 認識モデルを選ぶ。 モデルを使用言語に合わせます。Model 1は中国語、英語、日本語、韓国語の標準的な選択肢で、Model 3は英語とより多くの欧州言語に対応します。アプリの進化に伴ってモデル一覧は変わる可能性があるため、最新情報はアプリ内の説明で確認してください。
- 長時間処理の前にテストする。 Testモードは現在の設定で短いサンプルを処理します。単語、文の区切り、話者の切り替わりが妥当か確認します。何が改善または悪化したか分かるよう、一度に変更する設定は1つにします。
- ローカル文字起こしを実行する。 Start Recognitionをクリックします。前処理、分割、認識はローカルで行われます。処理時間はCPU、モデル、音声の長さ、有効な前処理によって異なります。
- 見直して書き出す。 完了したセッションを履歴で開きます。テキスト区間をクリックして対応する音声を再生し、仮の話者ラベルを変更し、一括置換で頻出する誤りを修正して、必要な項目をコピーしたテキスト、CSV、またはSRTとして書き出します。
必要な出力に合わせて分割方法を選ぶ
Interval分割
Interval分割は、発話の有無と無音を使って録音を区切ります。通常、話者が1人の場合に最も簡単です。文頭や文末が消える場合は、音声しきい値が厳しすぎる可能性があります。すべての区間が長い段落になる場合は、最小無音時間または最大発話時間を短くすると読みやすく区切れます。
Speaker分割
Speaker分割は声の特徴の変化を分析し、Speaker_0やSpeaker_1などの仮ラベルを割り当てます。正確な参加者数が分かる場合は、その数を入力するとクラスタリングに強い制約を与えられます。話者数が不明なら自動話者数が便利ですが、クラスタリングしきい値の調整が必要になる場合があります。
ダイアライゼーションだけでは、人物の実名は自動的に分かりません。既知の人物に名前を付けるには、明瞭な音声サンプルを含むローカル話者レコードを作成し、対応する声紋言語でIdentity Markを有効にします。この違いは、話者ダイアライゼーションと話者識別の違いで説明しています。
元音声を損なわずに品質を改善する
認識品質は録音そのものに制約されます。存在しない音声、クリッピングした音声、激しく重なった発話、別の音に埋もれた発話を、ソフトウェアが確実に復元することはできません。元ファイルを保存し、前処理後の音声と比較してください。
- 雑音：代表的なサンプルでノイズ除去を試します。ファイル全体に適用する前に、子音が消えたり音声が不自然になったりしていないか聞きます。
- 音量が小さい：音声区間検出の設定を慎重に調整します。しきい値を下げると小さな声を残せますが、雑音も増える可能性があります。
- 話者の発話が重なる：同時に話すとダイアライゼーションの信頼性が低下します。手作業での確認が必要です。
- 専門用語や固有名詞：繰り返し現れる製品名、人名、略語、専門用語には、一括置換とカスタム辞書を使います。
- 長いファイル：全体処理を始める前に、Testモードでモデル、言語、分割方法を検証します。
見直し、修正、書き出し
未修正の文字起こしは下書きです。Owl Meetingはテキスト区間を元音声のタイムラインと対応させているため、区間を選択すると該当音声へ移動します。単純なテキストブロックを見直すより、不確かな単語を確認しやすくなります。
繰り返し現れる誤りは、1件ずつ直すより一括置換の方が一貫します。辞書同期を使うと、修正を今後のルールとして保存できます。内容が完成したら、使用先に必要な項目とタイムスタンプ精度を選びます。
- コピーしたテキスト：文書エディターやノートシステムに最適です。
- CSV：タイムスタンプ、話者、テキストを別々の列にする場合に便利です。
- SRT：時間情報付き字幕を動画編集ソフトへ読み込む場合に適しています。
編集と書き出しのドキュメントでは、クリック再生による確認、話者フィルター、一括変更、利用可能な書き出し項目を説明しています。
「オフライン」が意味する範囲
基本的な音声認識、文字起こしの保存、検索、辞書、ローカル声紋処理は、Windows PC上に保持できます。音声出力は設定したローカル音声パスに保存され、アプリケーションデータとモデルにはローカルのアプリケーションストレージが使われます。
現在の既定パス、モデルの移行手順、アンインストール時の動作については、プライバシーとストレージをご覧ください。
よくある質問
オフライン文字起こしにインターネット接続は必要ですか？
初回のインストールとモデルのダウンロードには通常インターネット接続が必要です。必要なモデルをローカルに保存した後は、基本的なファイル文字起こしをインターネット接続なしで実行できます。
ステレオ録音は先にモノラルへ変換すべきですか？
すべてのステレオファイルに変換が必要なわけではありませんが、難しい録音ではモノラル化によってチャンネル由来のエコーや干渉を減らし、話者処理を安定させられる場合があります。アーカイブ全体を変換する前に、短いサンプルで比較してください。
結果をSRT字幕として書き出せますか？
はい。文字起こしを見直した後、Owl Meetingはタイムスタンプ付きSRTのほか、CSVやコピーしたテキストなど、テキスト中心の形式にも書き出せます。
代表的なファイルでワークフローを試す
ファイル全体と同じ話者、雑音、言語を含む短いサンプルを使います。設定を検証してから、ファイル全体を処理してください。