Browser AI Kit

文字起こしツールはOpenAIのWhisperモデルをブラウザのタブ内で走らせる。音声ファイルをアップロードするとモデルが書き起こし、テキストが画面に戻る。どのサーバーにも触れない。多くの有料字幕サービスを裏で支えているのと同じオープンモデルであり、この無料のローカル実行はそうしたサービスへの一番近い近道になる。難点は速度だ。非力なノートPCでは長い録音の処理に時間がかかる。

切り抜きツールは写真から背景を外し、商品ページやスライド、サムネイルに置ける透過画像を返す。ふだんなら人を有料エディタへ向かわせる日常的な作業を引き受け、一度に一枚を扱う。ローカルで動くので、書類や人物の写真が端末から出ることはない。

テキストを入力するか貼り付けると、ツールが読み上げる。通勤中に記事を聴きたい人や、台本を仮の音声トラックにしたい人に向く。仕上がりの質はモデルとマシン次第なので、磨き上げたナレーションより、下見や個人利用に向いている。

音楽生成は入力した指示から短いトラックを作る。有料ツールを出す前に、イントロやBGM、思いつきを下書きするのに便利だ。公開後に追加された機能であり、この一式が固定ではなく育っている証拠でもある。結果は完成したマスターではなく下書きとして扱うといい。

画像からテキストはスクリーンショットや写真の言葉を読み取り、コピーできるテキストとして返す。印刷したレシート、ホワイトボードの写真、画像に閉じ込められた文字をデジタル化する実用的な手段だ。他のツールと同じく端末上で動き、アップロードの工程をまるごと省く。

どのツールもデータを自分のマシンで扱い、モデルは初回読み込みの後にキャッシュされる。この組み合わせがクラウドのAIツールとの本当の違いだ。私的な写真や録音は私的なままで、Wi-Fiが落ちてもキャッシュ済みのモデルは動き続ける。代わりに、最初のダウンロードと、それに耐えるブラウザとマシンが要る。