文字起こし統合スタジオ for Windows｜録音から文字起こし・話者整理まで | パッチー・クリエイツ

「文字起こし統合スタジオ」は、音声・動画の文字起こしから録音、話者名の整理、ファイルの結合までをまとめて行えるWindows向けツールです。セットアップ用exeをGitHubで公開しています。

会議の録音をあとから読み返したいとき、インタビュー動画の発言を探したいとき、録音しながら内容を確認したいときなどに使えます。

画面と基本的な流れ

文字起こし統合スタジオのメイン画面。ファイル一覧、認識プレビュー、処理ログ、開始ボタンが並ぶ

メイン画面の例。画面例にはサンプルデータを使用しています。表示はバージョンによって異なる場合があります。

GitHubのリリースページから Unified_Transcriber_Setup_v1.0.0.exe をダウンロードし、セットアップします。インストール先と、録音・文字起こしなどの保存先を確認します。
文字起こしを使う場合は、推奨AIセット ② faster-whisper + Resemblyzer を選び、CPU／対応するNVIDIA GPUと音声認識モデルを設定します。録音環境やAIセットは後から追加することもできます。
メイン画面の「ファイルを追加」から音声・動画を選ぶか、一覧へドラッグ＆ドロップします。複数のファイルを追加すると、順番に処理できます。
認識方式や出力形式・保存先を確認し、「文字起こしを開始」を押します。進行状況や認識中の文章は画面下部で確認できます。
完了したファイルの結果を開き、内容や話者を確認します。必要に応じて話者名を整え、保存します。

最初は短い音声で、入力・認識結果・保存先を確認してみてください。認識の精度や処理時間は音質・話し方・モデル・PCの性能により異なります。

打ち合わせの録音、取材音声、講演動画など、手元にある複数の素材をキューに追加して順に文字起こしできます。結果は TXT、CSV、または両方 で保存できます。

人名や団体名など、聞き間違えられやすい言葉は「単語辞書」に登録できます。辞書の言葉は認識時のヒントとして使われ、認識後の本文を自動置換するものではありません。

話者分離を使うと、発話に話者ラベルを付けられます。話者の区別はAIによる推定で、人の名前を自動的に特定する機能ではありません。録音内容と照らし合わせてご確認ください。

録音設定画面。マイクとPC再生音、区切り時間、録音形式、保存先を選ぶ

録音設定の画面例。入力元や保存形式を選んでから録音します。

マイク音、PCの再生音、またはその両方を録音できます。PC音を左・マイク音を右に分ける録音や、WAV／MP3／M4A／FLACでの保存にも対応しています。

ライブ表示は途中経過です。区間ごとの話者番号が同じ人物を表すとは限らないため、最終結果も確認してください。

話者名編集画面。話者ラベルごとに発言を確認し、名前を割り当てる

話者ごとの発言を確認しながら、表示名を割り当てられます。

文字起こし結果にある SPEAKER_00 などのラベルを、「司会」「話者A」のような名前に変更できます。話者ごとの発言を展開して確認し、名前を入力して別名保存します。本文そのものを自動で書き換える機能ではありません。

複数ファイルの結合画面。並び順、保存先、元ファイルの扱いを選択できる

複数のファイルは順番と保存先を確認して結合できます。

録音・文字起こしの処理はPC内で行い、音声や文字起こし結果を文字起こしサービスにアップロードせずに利用できます。

一方で、必要なAIモデルや録音環境の追加取得、アプリの更新確認・ダウンロードにはインターネット通信が発生します。 認証が必要なモデルを使う場合は、その提供元への認証も必要です。保存先をOneDriveなどの同期フォルダーに指定した場合は、各サービスの設定に従って同期されます。

セットアップexeはGitHub Releasesで公開中です。初めての場合は、リリースページの Assets からセットアップexeを選んでください。

このexeにはWindows向けの発行元署名がないため、SmartScreenの警告や「発行元が不明」の表示、Smart App Controlによる実行拒否が発生する場合があります。保護機能を無効にすることは推奨しません。