なぜ二経路か
話者の区別は推測ではなく設計の問題です
混ざった一本の音だけを聞くツールは推測せざるを得ません。この声は誰か、と。Whisperer に その必要はありません。二つの経路は、それぞれが文字になるまで出会わないからです。相手側に 三人いる場合、通話の両端の区別は保証されますが、その三人どうしの区別は推定にとどまり ます。
言語と固有名詞
始める前にセッションの言語を日本語にしてください
認識は Whisper 上で動き、90以上の言語に対応します。セッションの言語は通話の前に選ぶ 設定です。日本語と英語が混じる会議では多く話されるほうを選べば、モデルが切り替えを 扱います。
日本語のツール比較でいつも問われるのは、社名・人名・製品名といった固有名詞の精度です。 ここは知識ベースが効きます。社内の略称や製品名をメモとして入れておくと、文字起こしの 取り違えが目に見えて減ります。
- 専門用語が知識ベースに入っている会議
- 準備された発表や報告
- 日本語の文の中の英語の用語
- 近いマイクときれいな音
- 何人もが同時に話す場面
- 強い方言や早口
- 反響のある大きな部屋
- セッションの言語が未設定
できないこと
はっきり言うべき二つ
録音済みのファイルはアップロードできます。「ミーティング」で 25 MB までのファイルを一つずつ受け取ります — mp3、m4a、wav、ogg、flac、aac、および mp4 と webm（音声トラックを使用）。ないのは、アーカイブ全体の一括アップロードです。消費する分数はライブ通話と同じです。
Notta や AI GIJIROKU のように日本語と業界用語に特化した国産ツールは、素の文字起こし精度 で上を行きます。こちらの強みは通話中の答えとボットが入らないことで、精度競争ではありま せん。一度の会議で比べてみてください。
よくある質問
最初に聞かれること
会議に何か入りますか
いいえ。ボットも招待もありません。取り込みはあなたのパソコンで行われるので、Zoom も Google Meet も Teams も同じように動きます。
どの許可が必要ですか
macOS では画面収録の許可です。システム音声を取り込めるのはそれがあるからで、無ければ自分の 声だけになります。Windows では追加の許可は要りません。
書き出せますか
できます。Markdown・SRT・VTT・JSON。相手が Whisperer を使っている必要はありません。
会議室での対面はどうですか
パソコンのマイクで動きます。品質は距離と反響次第です。
いつもの会議で確かめてください
入る前に言語を日本語にして、終わってから文字を読む。判断には一回で足ります。