しくみ
- 動画をドロップします。音声はお使いのパソコン上で抽出されます。
- 字幕を作成します。初回は音声認識モデルがダウンロードされ（「高速」で約80 MB、「高精度」で約250 MB）、ブラウザにキャッシュされます。次回からはすぐに始まります。認識処理はお使いのプロセッサー上で行われ、音声が端末の外に出ることはありません。
- 編集します。時刻をクリックするとその位置にジャンプでき、リスト内でテキストを直したり、行を削除したりできます。字幕が早すぎる・遅すぎる場合は、すべての字幕をまとめてずらせます。
- 保存します。.srt または .vtt ファイルをダウンロードするか、字幕を映像に焼き込んだ動画として保存します。
焼き込みか、別ファイルか
- 焼き込み（オープンキャプション） — 映像の一部になり、Instagram、TikTok、LinkedIn、WhatsApp、どのテレビでも表示されます。SNS の動画の多くは音を消して見られるので、SNS ではこれが定番です。動画は再エンコードされます。
- 動画の隣に置く .srt（クローズドキャプション） — 視聴者が表示のオンとオフを切り替えられます。動画と同じ名前にしてください（
holiday.mp4とholiday.srt）。VLC、Plex、Kodi、ほとんどのスマートテレビが自動的に読み込みます。YouTube や Vimeo も SRT と VTT のアップロードに対応しています。
精度はどのくらい？
静かな部屋ではっきり話している音声なら、Whisper はほとんどの単語を正しく認識します。修正が必要になるのは、人名、ブランド名、専門用語などです。BGM、複数人の同時発話、強い訛りがあると精度は下がります。「高精度」はより大きなモデルを使うため、間違いが目に見えて少なくなりますが、速度は約3分の1になります。
どのくらい時間がかかる？
ここ数年のごく一般的なノートパソコンなら、「高速」モデルは実時間の約3〜4倍の速さで音声を処理します。10分の動画で約3分です。「高精度」はほぼ実時間です。古いパソコンや低消費電力のパソコンでは遅くなります。処理中でも、ほかのタブは使い続けられます。
言語と翻訳
Whisper は約100の言語を認識し、言語は自動で判別します。音声を英語の字幕に翻訳することもできます。「英語（翻訳）」を選んでください。ほかの言語で録画した動画を、英語圏の人たちに共有したいときに便利です。
設計段階から非公開
字幕生成サービスの多くは、動画をサーバーにアップロードし、1分ごとに料金がかかります。ここではモデルがブラウザ内でローカルに動くので、アップロードも、時間制限も、サブスクリプションもありません。インタビュー、社内会議、機密性のあるものにも便利です。
よくある質問
無料ですか？
はい。分数の制限も、透かしも、登録もありません。
動画はアップロードされますか？
いいえ。Hugging Face からダウンロードされるのは音声認識モデルだけで、初回の1回のみです。動画と音声はお使いのパソコンの外に出ません。
SRT と VTT の違いは？
どちらもプレーンテキストの字幕ファイルです。SRT はほとんどすべてのプレーヤーとテレビが対応しており、VTT は HTML5 プレーヤーが使うWeb標準です。お使いのプラットフォームが求める形式をダウンロードしてください。
自分で用意した SRT ファイルを読み込んで焼き込めますか？
はい。「SRT/VTT を読み込む」を使い、タイミングを確認してから、字幕を焼き込んだ動画として保存してください。
初回の処理が遅いのはなぜ？
音声認識モデルを一度ダウンロードする必要があるためです（80〜250 MB）。その後はブラウザにキャッシュされます。
最終更新: 30/10/2026