このツールについて
授業や会議の録音を、クラウドの音声認識に渡したくないことがあります。動画か音声をドロップすると、選んだ音声認識エンジンがこのタブで書き起こします。Whisper モデル——base・small・large（v3-turbo）の3種類で、一度ダウンロードすればブラウザに保存され、WebGPU でグラフィックカード上を動きます——か、Chrome 内蔵の Gemini Nano（Prompt API 経由、こちらからのダウンロードなし）のどちらかです。もう1つ、独立した翻訳の選択肢があります。一度ダウンロードして WebGPU でグラフィックカード上を動く Hy-MT2、Chrome 内蔵の Translator、Gemini Nano のいずれも端末内で動くので、同じ1回の処理で対訳字幕まで作れます。出力は SRT、VTT、またはプレーンテキストで、ダウンロード前に時刻を少し直せる表があります。形式変換は Subtitle Converter、全体のずれは Subtitle Sync が隣にあります。
モデル
音声認識：Whisper base（軽くて速く、CPU でも動く）、Whisper small（ふだんの中間）、Whisper large v3 turbo（使えるグラフィックカードがあるなら、英語・中国語・日本語のファイルはたいていこれ）、Qwen3-ASR 0.6B（GPU がないときはたいていこれ）、Qwen3-ASR 1.7B（大きい方の Qwen3-ASR）、Confucius4-R2T2（R2T2。GPU 上で認識したそばから単語を流すモデル）、Gemini Nano（Chrome 内蔵、こちらからのダウンロードなし）、Chrome Speech Recognition（Web Speech。再生速度でしか聞けず、端末内パックがなければ音声が Google に送られる）。正確なタイムスタンプ：Qwen3-ForcedAligner 0.6B——任意、既定はオフ、約 1.85 GB。仕上がった文字起こしを単語ごと・文字ごとに音声へ合わせます。翻訳：Hy-MT2 1.8B（Tencent Hunyuan-MT 2。GPU 上で動き、使えるグラフィックカードがあれば既定）、Chrome Translator（内蔵、GPU がないときの既定）、Gemini Nano。どれもブラウザ内で動きます。Whisper・Qwen3-ASR・R2T2・Hy-MT2・ForcedAligner は WebGPU 経由でグラフィックカード上で走り、shader-f16 のない古いカード（GTX 10 シリーズなど）向けの互換 GPU ビルド、カードが対応していれば f16 を使う高速 GPU ビルドがあり、使える GPU がなければ Whisper・Qwen3-ASR・ForcedAligner は CPU（WebAssembly）で遅めに動き、R2T2 は GPU 向けのままで、翻訳は Hy-MT2 から Chrome Translator に切り替わります。一度ダウンロードすれば ByteScope の全ツールで共用です。
どのモデルを選ぶか
ファイルを処理するなら、英語・中国語・日本語のおすすめは私たちの精度測定で決めています。使えるGPUがあればたいてい Whisper large（v3-turbo）、なければたいてい Qwen3-ASR 0.6B で、同じくらい正確なら、もうダウンロードしてあるモデルが優先されます。ダウンロードしたモデルは録音全体をこの端末が出せる最速で処理し、1回のダウンロードを ByteScope の全ツールで共用します。Whisper の3つのサイズは速さと正確さのトレードオフで、base は小さくて速く、WebGPU がなくても CPU で（ゆっくり）動きます。small はその中間、large（v3-turbo）はいちばん重いモデルで、GPU があれば base や small より正確でもあります。Gemini Nano は Chrome が提供している環境ならダウンロード不要で、音声を30秒の窓に切って一つずつモデルへ渡します。Chrome 内蔵の音声認識も一覧にありますが、カードに正直な但し書きが付きます。再生速度でしか聞けないので1時間の動画には1時間かかり、既定モードでは音声が Google のサーバーへ送られます。ダウンロードは必ず確認してから始まります。まだこの端末にないモデルは、容量・空き容量・モバイル回線かどうかを先に表示し、あなたが押してから始まります。ダウンロード、検証、メモリへの読み込み、ウォームアップの各段階に進捗が出て、「速度テスト」は内蔵の短い音声を流し、この端末なら1時間の音声にどれくらいかかるかの目安を出します。おすすめには一行の理由が付き、自分で選び直した内容は記憶されます。どのモデルを選んでも、「精密な時刻」（既定はオフ）を入れると、できあがった文字起こしに対して2つ目のローカルモデル Qwen3-ForcedAligner 0.6B が音声との位置合わせを行います。英語は単語ごと、中国語と日本語は文字ごとに音声へ合わせるので、各字幕が実際に話された位置で始まり終わり、6秒前後を超える字幕は単語の切れ目で分割されます。約1.85 GBの追加ダウンロードが1回だけ必要で（ほかのモデルと同じく必ず確認してから）、GPUがあればそこで、なければCPUでかなり遅く動きます。中国語・英語・日本語は完全対応、ヨーロッパの数言語は部分対応、韓国語は非対応です。音声と照合できなかった文は、音声認識モデルの時刻のまま残ります。
音がモデルに届くまで
音軌は AudioContext / OfflineAudioContext でデコードします。Web Audio は Window 限定なので、この工程は worker に出せません（コーデック自体はブラウザが専用スレッドで回します。デコードは 16 kHz を要求し、そのレートでコンテキストが作れないときは worker がリサンプルします。コンテナ内の最初の音声トラックだけをデコードします）。モノラル化とリサンプルは worker です。そのうえで音声の窓をエンジンに一つずつ渡します。長いファイルで文脈を埋めないためです。Whisper のダウンロード進捗はこのページ自身が測ったものです。Gemini Nano はこのマシンで初めて使うときに端末内モデル（しばしば数 GB）のダウンロードが走り、そちらの進捗はブラウザ自身の downloadprogress です。映像に字幕を焼き込むのは v1 ではやりません。ffmpeg.wasm を足す理由が、まだ検証できていないからです。
対訳字幕
翻訳の選択肢で翻訳先の言語を選ぶと、書き起こしの後に各 cue が端末内で訳され、対訳の SRT / VTT（原文が上か訳文が上かは選択式）か、訳文のみとして書き出されます。Hy-MT2 は一度だけダウンロード（約 1.3 GB）して WebGPU でグラフィックカード上を動く 1.8B のモデルで、使える GPU があればこれがおすすめです——こちらのブラインド比較で精度が上でした。Chrome の Translator は言語ペアごとに小さな言語パックを取る速い方で、使える GPU がないときの既定です。Gemini Nano は大きめの内蔵モデルで cue あたりは遅めです。選択肢を「翻訳なし」のままにすれば、翻訳のパイプラインは一切動きません。
できないこと
Whisper は WebGPU か WebAssembly があればどこでも動くので、書き起こし自体は Chrome に縛られません。Gemini Nano、Chrome 内蔵の音声認識、内蔵の翻訳エンジン2つは Chrome 限定で、Firefox と Safari にはありません。翻訳の Hy-MT2 は Whisper と同じく、WebGPU のあるブラウザならどれでも動きます。Edge は Chromium ですが、このページは測ったことだけを書きます。Nano はモデルが受け付けるハードウェアも要り、unavailable は普通の答えであって不具合ではありません。クラウドへの逃げ道もありません——唯一の例外は Chrome 内蔵の音声認識の既定モードで、これはもともとクラウドのサービスで、カードにもそう書いてあります。書き起こしの質は、そのクリップ上で選んだモデルそのものです。抜けや時刻のずれは表で直し、全体が同じだけ遅れているなら Subtitle Sync へ渡します。