ツール / 音声認識
音声を文字に変換する方法
マイクボタンを押し、ブラウザーに求められたらアクセスを許可します。録音を使う場合は「ファイルをアップロード」タブを開いてファイルを選びます。
いつもどおりに話します。言葉は話したそばから表示され、話し始めと話し終わりの位置が文字起こしに示されます。
文字起こしを選択してコピーし、文書やメール、メモに貼り付けます。
Ink-2が細部まで聞き取る様子をご覧ください
日付・英数字・ID(英語音声)
ほかのモデルが間違える数字やメールアドレスも正確に
このツールは、Cartesiaのストリーミング音声認識モデルInk-2で動作します。Ink-2はVoiceArenaのアメリカ英語ランキングとArtificial Analysisの独立したストリーミングベンチマークで1位を獲得しており、電話番号、メールアドレス、UUIDも一度で正しく表記します。文字起こしを発話ごとに自動で区切り、別のノイズ除去フィルターがなくても背景音の中で精度を保ちます。
おすすめの用途
- 音声エージェント
- リアルタイム字幕
- 音声入力
- 会議メモ
- 通話分析
アプリに音声認識を組み込む
Cartesiaの音声認識APIとSDKを使えば、このツールと同じInk-2モデルにWebSocketでライブ音声をストリーミングできます。重要語の指定を使うと、製品でよく出てくる名前や専門用語を認識しやすくなります。録音には、ファイル全体を受け取り一つの文字起こしを返すバッチAPIを使えます。エンタープライズプランでは、データを保持しないオンプレミス、VPC、OEMでの導入が可能です。
ほかの音声ツールを見る
音声認識に関するよくある質問
無料で使える音声認識ツールはありますか?
はい。このページのツールは、アカウントなしで1日の上限まで無料で音声を文字にできます。無料のCartesiaアカウントの月間クレジットで、APIを通じて最大111分の文字起こしができ、有料プランではさらに増やせます。
音声認識の精度はどのくらいですか?
このツールで使われているInk-2は、ストリーミング音声認識の精度No.1です。電話番号、メールアドレス、UUIDも正しく表記し、背景ノイズがあっても精度を保ちます。
Cartesiaの音声認識はどの言語に対応していますか?
Ink-2は英語、スペイン語、フランス語、ヒンディー語、日本語を文字起こしできます。このページのツールは、ページの言語がこの5つのいずれかならその言語で、それ以外は英語で聞き取ります。APIは5言語すべてに対応しています。
音声ファイルを文字に変換できますか?
はい。「ファイルをアップロード」タブに切り替え、10分・200 MBまでのMP3、WAV、M4A、WebM、FLAC、OGGファイルをドロップしてください。音声が再生されながら、文字起こしが表示されていきます。音声ファイル文字起こしツールにも同じアップロード欄があります。より長い録音には、ファイル全体を受け取り一つの文字起こしを返すバッチ音声認識APIをご利用ください。
音声認識とは何ですか?
音声認識(STT、ASR、文字起こしとも呼ばれます)は、話した音声を文字に変換します。Ink-2のようなストリーミングモデルは、話し終わるのを待たずに、話している間に文字起こしを表示します。
音声認識のターン検出とは何ですか?
ターン検出は、話者が話し終えたタイミングを判断し、音声エージェントの割り込みや無言の待ち時間を防ぐ機能です。多くの構成では別の音声活動検出モデルを追加します。Ink-2はturn.eager_endやturn.endなどのイベントを直接返すため、モデルを一つ減らし、応答を速められます。
Ink-2を自社のインフラで運用できますか?
はい。Ink-2はオンプレミスや外部ネットワークから隔離された環境、AWS・GCP・Azure上の自社VPCに導入できます。製品に組み込むOEMライセンスもあります。これらの導入形態はエンタープライズ契約で提供します。