Voice Notes

このツールについて

ブラウザだけで動く録音ノートです。話した内容がその場でタイムスタンプ付きの字幕になり、別の言語への翻訳を並べて表示することもできます。会議・講義・口頭メモの記録に向いており、マイクの音声、ブラウザのタブ音声、あるいは両方をミックスした1本のトラックとして録音できます。認識を担当するエンジンも、翻訳を担当するエンジンも、自分で選べます。

クラウド型のAI議事録サービスの多くは、botを会議に参加させるか、録音ファイルを外部サーバーへ送る仕組みです。このツールは違います。録音、字幕の編集、データの保存は手元の端末から出ません。音声認識が端末の外に出るかどうかは選んだエンジン次第で、WhisperモデルとChromeの端末内認識は音声をローカルに留め、Chrome内蔵の音声認識の既定モードは音声をGoogleのサーバーへ送ります——どちらなのかはエンジンのバッジに書いてあります。翻訳はどちらのエンジンでも端末内です。機密性の高い会話が第三者のサーバーを経由することはなく、それでいて字幕の検索や柔軟な書き出しといった機能はひととおり揃っています。

選択肢は2つあり、互いに独立しています。録音中の音声認識は、Chrome内蔵の音声認識——ダウンロード不要で、話すそばから単語が出る——か、一度ダウンロードしてWebGPUで端末上を動くWhisperモデル（baseかsmall、こちらは一文ごとに出る）か、Chromeが提供していればGemini Nanoです。停止後は、もっと重いモデルで録音全体を改めて文字起こしできます——正確なのはWhisper large（v3-turbo）です。ライブの文字起こしは速さ優先、保存する方は正確さ優先、という使い分けができます。翻訳の選択肢はHy-MT2——1.8Bのモデルを一度だけダウンロード（約1.3 GB）し、WebGPUでグラフィックカード上を動かすもので、使えるGPUがあればこれがおすすめ——か、Chrome内蔵のTranslator、Gemini Nano、または翻訳なし。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、この端末がリアルタイムで追いつけるかを教えてくれます。ダウンロードしたモデルは1つだけ保存され、ByteScopeの全ツールで共用されます。

モデル

ライブと再文字起こし：Chrome Speech Recognition（Web Speech。ダウンロード不要で話すそばから出るが、端末内パックがなければ音声が Google に送られる）、Whisper base・Whisper small（ローカルで軽い）、Whisper large v3 turbo（使えるグラフィックカードがあるなら、録り終えた英語・中国語・日本語の録音はたいていこれ）、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 上で単語ごとに流れる）、Gemini Nano（Chrome 内蔵）。正確なタイムスタンプ（再文字起こしのみ）：Qwen3-ForcedAligner 0.6B——任意、既定はオフ、約 1.85 GB。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（GPU がないときの既定）、Gemini Nano。すべて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 はライブでは使わず、翻訳は Hy-MT2 から Chrome Translator に切り替わります。ここで取ったモデルは ByteScope の全ツールで共用です。

録音中は大事な場面にワンクリックでブックマークを打ち、停止後に認識ミスを直せます。音声はM4AまたはWebMで保存でき、字幕はSRT・VTT・TXTで書き出せます。セッションはブラウザ内のデータベースに保存されるので、過去の文字起こしを横断検索したり、バックアップから丸ごと復元したりできます。

書かれている最中に読めなければ、その場の文字起こしに意味はありません。そこで字幕と翻訳はまとめてフローティングウィンドウへ切り離せます。使っているのはdocumentPictureInPicture——フローティング動画と同じ「常に最前面」の仕組みに、動画ではなくドキュメントを載せたものです。OSがこのウィンドウを常に最前面へ保つので、文字起こし対象のビデオ会議そのものや、全画面のアプリの上にも残ります。録音もいっしょに移動します。経過時間、一時停止、ブックマーク、停止が、原文／翻訳／両方の切り替えや文字サイズ、リアルタイム翻訳のオンオフと並んでウィンドウの中に収まっています。このタブで録りながら通話の上で読み進め、相手が日付を口にした瞬間にその場で印を付けられます——ボタンを探してタブを戻る必要はありません。ウィンドウを閉じれば字幕はページに戻り、録音には何も起きません。

話者ラベルの仕組みはあえてシンプルにしています。マイクとタブの音声を同時に録音しているとき、その一文を話している間にどちらの音が大きかったかを比べて「自分」か「相手」かを付けているだけです。声を聞き分ける声紋認識ではないので、通話の向こう側にいる人は全員まとめて「相手」になり、ビデオ会議に相手が三人いても区別はつきません。音源が一つだけのときはラベルを付けません。向こう側を人ごとに分けたいときは、実験的な「話者を区別」という別の機能があり、声の特徴をもとに各行を「話者 1・2・3」に振り分けます。ただしこれは推定で、どのくらい外れるかは下の FAQ にまとめています。会議メモも同じくすべて端末内で処理します。要約・要点・アクション項目は Chrome に内蔵されたモデル（Summarizer と Prompt API）があなたの端末上で生成し、文字起こしがブラウザの外に出ることはありません。

検索は字面だけでなく「意味」でも探せます。検索ボックスの横にある「意味で探す」スイッチを入れると、「予算が足りない」と打っても、実際の発言が「経費が止まっている」だった行を見つけられます。それぞれの結果には、字面が一致したのか、意味が近いのか、その両方なのかが表示されます。中で動いているのは EmbeddingGemma 2 というテキストモデルで、初回に約 234 MB をダウンロードし、以後はこのブラウザに残ります。WebGPU が使えるブラウザ、つまりデスクトップ版の Chrome か Edge が必要で、それ以外のブラウザではこのスイッチは使えません。限界も先に書いておきます。結果は「意味がどれだけ近いか」で並べているだけで、内容を理解しているわけではないので、抽象的すぎる言葉では精度が落ちます。見ているのは文字だけなので、音声認識が聞き間違えていれば、意味もそれに引きずられます。録音もテキストもアップロードされず、索引はこのブラウザの中にだけあります。サイトデータを消した場合は、次にスイッチを入れたときに作り直されます。