テキストベース音声エディター：テキストを編集して音声を編集、オンラインで無料
テキストから単語を消すと、音声も一緒に消えます。無料、ブラウザーだけで。
テキストベース音声エディターは、録音を単語ごとのタイムスタンプ付きテキストに変換し、テキストを切ると音声も切れる仕組みです。一文を消せば、対応する音声区間も一緒に消えます。CATT Editor は edit.convertaudiototext.com で無料、アカウント不要で、すべての処理があなたのブラウザータブ内で完結します。
エディターは edit.convertaudiototext.com にある独立した無料アプリです。新しいタブで開き、登録は不要で、ファイルはディスクから直接読み込まれます。
デスクトップの Chromium 系ブラウザーが最適です。初回は音声モデルをダウンロードします。Base で約 200 MB、Small で約 600 MB で、以降はキャッシュされます。すべてメモリー上で処理するため、短いクリップに向いています。
テキストベース音声エディターを使う理由
テキストを消すと音声がカットされる
単語や文全体を選んで backspace を押すと、対応するメディア区間が削除されます。カットは単語の境界に合い、再生もすぐにその区間を飛ばすので、書き出す前に編集結果を耳で確認できます。
英語のフィラー音をワンクリックで除去
エディターは英語のフィラー音の固定リスト（um、uh、ah、eh、hm、mm、uh-huh とその一般的な綴り）と文字起こしを照合します。該当する語があると、件数付きの Remove fillers ボタンが現れ、ワンクリックですべてカットされます。判断ではなく文字どおりの一致なので、like、so、right はそのまま残ります。照合は話された言語に関係なく行われるため、英語以外の録音では意味のある語を拾うことがあります。そのための取り消しです。
ファイルは端末から出ません
アップロードもサーバー処理もありません。ブラウザーがディスクからファイルを読み、WebAssembly でデコードし、音声モデルをあなたのハードウェア上で実行します。匿名のプロダクト分析だけは記録しますが、ファイル名も音声もテキストも含みません。
アカウント不要、書き出し制限なし
登録なし、ウォーターマークなし、クレジット残高なし、エディターの有料版もありません。制限になるのはプランではなく、あなたのマシンです。
動画も同じように扱えます
MP4、WebM、MOV、MKV をドロップすれば、音声とまったく同じように編集できます。動画プロジェクトは H.264 映像と AAC 音声の MP4、音声のみのプロジェクトは M4A で書き出されます。
精度のトレードオフを理解して使う
ブラウザー内のモデルはノートパソコンで動く程度に小さいため、クリアな話し声には強い一方、なまり、話者の重なり、背景ノイズ、英語以外の言語では精度が落ちます。公開する文字や 2 時間の録音は、まず ConvertAudioToText に通し、その結果をエディターに読み込ませてください。
使い方
ファイルをドロップ
音声でも動画でも構いません。MP3、WAV、M4A、MP4、WebM、MOV、MKV に対応します。ブラウザーがディスクから直接読み込むため、アップロードも待ち行列も進捗バーもありません。
音声モデルが手元のマシンで動く
Whisper が Web Worker 内であなたの CPU または GPU 上で動き、単語ごとのタイムスタンプ付きテキストを話者ごとにまとめて返します。初回はモデルをダウンロードし、Base で約 200 MB、Small で約 600 MB、以降はキャッシュされます。
テキストを編集すると音声が追従
不要な単語を削除します。削除した区間は再生時すぐに飛ばされるので、確定する前に結果を確認できます。
最終カットを書き出す
ffmpeg.wasm がブラウザー内で残した区間を切り出して連結し、ダウンロードできるファイルを返します。動画プロジェクトは MP4、音声のみは M4A です。
テキストベース音声エディターとアカウント必須のエディター
編集が相手のサーバーではなく自分のマシンで動くと何が変わるか。
| 機能 | CATT | アカウント必須のエディター |
|---|---|---|
| 開始にアカウント | 不要 | 最初の編集前に登録が必要 |
| ファイルの行き先 | 端末に留まる | 相手のサーバーにアップロード |
| 書き出しの費用 | 無料、ウォーターマークなし | 無料枠の上限、ウォーターマーク、またはその両方 |
| インストール | 不要、ブラウザーのタブだけ | フル機能はデスクトップアプリという場合が多い |
| カットの方法 | 単語を消すと音声が追従 | ツールにより異なる |
| 長い録音や難しい録音 | ブラウザーのメモリーが上限 | 相手のサーバーで処理 |
よくある質問
はい。アカウントも登録も書き出し制限もウォーターマークもなく、エディターの有料版もありません。処理はすべてあなたのマシン上で行われるため、こちらに分単位のコストが発生せず、請求する理由もありません。
いいえ。ブラウザーがローカルでファイルを読み、デコードし、音声モデルをあなたのハードウェア上で実行します。メディアも音声もテキストも端末から出ません。ページが行う通信は、アプリ本体、初回のモデルダウンロード、そしてファイル情報を含まない匿名のプロダクト分析だけです。
音声モデルがあなたのマシン上で動くため、まずそこへ届ける必要があるからです。Whisper Base は約 200 MB、Whisper Small は約 600 MB です。初回のあとはブラウザーがモデルをキャッシュするので、接続が切れても文字起こしと書き出しは動き続けます。ただしページの読み込み自体にはネットワークが必要で、オフライン用のアプリキャッシュはありません。
デスクトップの新しめの Chromium 系ブラウザー、つまり Chrome、Edge、Brave、Arc をおすすめします。エディターは SharedArrayBuffer を必要とし、マシンが対応していれば WebGPU を、なければ WebAssembly を使います。Firefox でも動きますが概して遅くなります。Safari と多くのモバイルブラウザーはこの処理には向きません。
こちらから制限は設けていませんが、ブラウザー側の制限があります。すべてメモリー上に保持するため、ノートパソコンなら 10 分から 20 分程度のクリップが快適で、それを超えると重くなるかメモリー不足になります。2 時間のインタビューなら、まず ConvertAudioToText に通し、テキストをエディターに読み込ませてください。
使えます。ソースメニューでインポートを選び、タイムスタンプ付きのテキストファイルを読み込んでください。ローカルモデルを省けばダウンロードも待ち時間もなく、長い録音にはこれが最短です。
Whisper の Base と Small はブラウザータブで動く大きさに収まる 2 つのモデルなので、サイズと引き換えに精度を落としています。クリアな話し声には強く、なまり、話者の重なり、背景ノイズ、英語以外の音声では明らかに精度が下がります。公開する文字には ConvertAudioToText の大きいモデルをお使いください。
動画プロジェクトは H.264 映像と AAC 音声の MP4 で書き出されます。音声のみのプロジェクトは M4A です。どちらもブラウザー内の ffmpeg.wasm が書き出し、そのままディスクに保存されます。
トリマーは波形を扱い、開始時間と終了時間を選びます。こちらは言葉を扱い、テキストを読んで不要な部分を消すと、カットが単語の境界に合います。時間が分かっているときはトリマー、文が分かっているときはこちらです。