TurboScribe

有料プランは計量器そのものを取り払う。総使用量に上限はなく、同社は自社システムが月に最低720時間の音声または動画を処理できると述べている。これは30日間ぶっ続けで文字起こしする計算になる。以前はアップロードを配分し、どのファイルが費用に値するかを選んでいた人にとって、この転換こそが乗り換える理由そのものだ。ログインは1つ、価格も1つ、好きなだけ文字起こしできる。

TurboScribeはWhisperで動く。多くの音声認識ツールの背後にあるのと同じオープンモデルだ。ここでのWhisper文字起こしは3つのモードを提供する。速度のCheetah、バランスのDolphin、そしてWhisperの15.5億パラメータの大規模モデルを使う最高精度のWhaleだ。差は大きい。99.8%という数字はサービス自身によるもので、精度は言語によって変わる。英語と十数言語が最も良い結果を出す。

このサービスは98以上の言語の音声を処理し、その結果を130以上に翻訳させてくれる。つまり1回のアップロードが、ある言語のインタビュー録音から別の言語の完成した字幕ファイルまで、2つ目のツールなしで進めるということだ。中間の手順を飛ばして、どの言語も直接英語に文字起こしすることもできる。読めない言語の音声をテキスト化したいなら、その1つのオプションがほとんどの仕事を片付ける。別途翻訳ツールを要さず、多言語の作業の大半をこなす。

話者認識は文字起こしの各区間に誰が話しているかを付けていく。インタビューやパネル討議でまさに欲しいものだ。音声復元は別のオプションで、AIを使って背景ノイズを除き、質の悪い録音を整える。どちらも処理時間を増やすので、元の音声が必要とするときだけ有効にしよう。

アップロードするファイルはそれぞれ最大10時間・5GBまでで、有料ユーザーは50ファイルを一度に並べられる。文字起こしができたら、バルク操作で選んだ形式のものをまとめてダウンロードできる。一つずつ開いて回る必要はない。単発のクリップではなく量を扱う人に向けられている。

文字起こしはPDF、DOCX、TXT、CSV、またはSRTとVTTの字幕としてダウンロードできる。この幅が文書の受け渡し、動画編集のパイプライン、アクセシビリティ要件を覆う。形式はダウンロード時に選ぶ。別途変換の手順も、追加ソフトも要らない。