AI音声の言語判定

いいえ。録音は話された言語のまま文字起こしされ、判定された言語がテキストと並んで示されます。そのテキストが、次に使う翻訳者や翻訳サービスの元になります。2つの工程を分けておけば、意味を変える前に原文の言い回しを確認できます。

文字起こしと書き出しは無料で始められ、最初の数本にログインは要りません。処理できる容量や同時に動かせる本数の上限は、ページに表示される条件に従います。

M4A、MP3、WAV、AAC、OGG などの一般的な形式と、映像ファイルの音声トラックに対応しています。スマートフォンから書き出したボイスメモ、会議ツールが保存した通話、ポッドキャストのマスターが、変換なしで同じアップロード欄を通ります。

音声の認識はおよそ100の言語に対応し、選択は音声そのものから行います。2つの言語が混じる録音は、部分ごとに分けるか、言語を手動で固定して2回かけると、テキストの各部分が1つのモデルで処理されます。

声が複数ある音声では、話者の分離が発言ごとにラベルを付けるので、答えが答えた人のもとに残ります。2人の通話が最も分かりやすい例です。発言が重なったり受話器を共有したりすると効果は下がり、テキストは1本の流れとして読めます。

数字と日付は言語をまたぐ作業で最も危険な部分です。1桁の聞き違えは気づきにくく、あとから大きな負担になります。認識器がめったに見ない言語の人名も同じ危険があります。どちらもエディタで素早く直せますが、翻訳の前にその言語を話す確認者が見ておくべき箇所です。

30秒のボイスメモも2時間のインタビューも同じ経路を通り、実質的な上限はページに示されるファイル容量です。長い通話を区切っておくと、テキストを音声と照らして確認しやすくなり、迷う箇所だけを先に確かめられます。

言語を明示したまま翻訳者に渡す、音声と並べて読む、プレーンテキストとして書き出す、字幕に変える、といった使い方ができます。タイムスタンプと話者の切り替えが残るので、翻訳者は会話を追え、確認する人は任意の一行の瞬間を指せます。