Faster-Whisper ガイド：CTranslate2 でより速い音声テキスト化

Faster-Whisper ガイド：CTranslate2 でより速い音声テキスト化

2026-01-17SpeechToTextWhisperTutorialPerformance
Eric King

Eric King

Author

Faster-Whisper ガイド：CTranslate2 でより速い音声テキスト化

Faster-whisper は、高速なトランスフォーマ推論エンジン CTranslate2 を用いた OpenAI Whisper モデルの高性能な再実装です。2〜4 倍速い文字起こしをほぼ同等の精度で実現し、本番環境やバッチ処理に適しています。
本ガイドでは faster-whisper の要点（インストール、利用例、最適化、標準の OpenAI Whisper を選ぶ場合）をまとめます。

Faster-whisper とは

Faster-whisper は、CTranslate2 により推論を高速化した OpenAI Whisper の最適化実装です。元モデルと同じ精度を保ちつつ、速度を大きく改善し、メモリ使用量も抑えます。

主な特徴

  • OpenAI Whisper と比べ 推論が 2〜4 倍速い
  • 量子化により メモリ使用量を削減
  • オリジナル Whisper モデルと 同じ精度
  • 最適化バックエンドによる GPU / CPU 対応
  • 複数ファイルの バッチ処理
  • 単語レベルのタイムスタンプ
  • 量子化オプション（FP32、FP16、INT8、INT8_FLOAT16）
  • フィルタ用の 音声活動検出（VAD）

仕組み

Faster-whisper は Whisper モデルを CTranslate2 形式に変換し、推論用に最適化された C++ コードで実行します。これにより次が可能になります。
  • 最適化 BLAS による 高速な行列演算
  • オーバーヘッド削減による メモリ管理の改善
  • メモリ削減のための 量子化
  • スループット向上のための バッチ処理

Faster-whisper と OpenAI Whisper

性能比較

項目OpenAI WhisperFaster-whisper
速度基準2〜4 倍速い
メモリ多い少ない（量子化時）
精度高い同じ（同一モデル）
GPUありあり（最適化済み）
CPUありあり（最適化済み）
量子化限定的完全（INT8、FP16 など）
バッチ手動組み込み
インストール簡単簡単（CTranslate2 を含む）

Faster-whisper を選ぶとき

faster-whisper が向いている場合：
  • 本番負荷で より速い文字起こし が必要
  • 複数ファイル をバッチで処理する
  • リソースが限られた 環境（INT8 を使う）
  • リアルタイム／準リアルタイム アプリを作る
  • デプロイで メモリを抑えたい
OpenAI Whisper のままがよい場合：
  • 既存コードとの 互換性を最優先 する
  • ファインチューン済みモデル を使う（faster-whisper は変換が必要）
  • より単純な API を好む（faster-whisper も近いが）
  • OpenAI Whisper に先に出る 実験機能 が必要

インストール

前提

  • Python 3.9+（必須）
  • FFmpeg（任意：faster-whisper は PyAV を使いますが、形式によっては FFmpeg が必要なことも）
  • NVIDIA GPU（任意：GPU 加速用）

基本インストール

pip で faster-whisper をインストールします。
pip install faster-whisper
自動的に次も入ります。
  • faster-whisper パッケージ
  • ctranslate2（CTranslate2 推論エンジン）
  • pyav（音声デコード、FFmpeg 依存の代替）

GPU インストール（NVIDIA CUDA）

GPU 加速には CUDA ライブラリが必要です。
CUDA 12（推奨）：
pip install nvidia-cublas-cu12 nvidia-cudnn-cu12==9.*
ライブラリパスを設定します。
export LD_LIBRARY_PATH=$(python3 -c 'import os; import nvidia.cublas.lib; import nvidia.cudnn.lib; print(os.path.dirname(nvidia.cublas.lib.__file__) + ":" + os.path.dirname(nvidia.cudnn.lib.__file__))')
CUDA 11（レガシー）：
CUDA 11 の場合は古い CTranslate2 を使います。
pip install ctranslate2==3.24.0 faster-whisper

インストールの確認

from faster_whisper import WhisperModel

# Test basic import
print("Faster-whisper installed successfully!")

基本的な使い方

シンプルな文字起こし

from faster_whisper import WhisperModel

# Load model (automatically downloads if not present)
model = WhisperModel("base", device="cpu", compute_type="int8")

# Transcribe audio
segments, info = model.transcribe("audio.mp3")

# Print detected language
print(f"Detected language: {info.language} (probability: {info.language_probability:.2f})")

# Print transcription
for segment in segments:
    print(f"[{segment.start:.2f}s -> {segment.end:.2f}s] {segment.text}")

全文を取得

from faster_whisper import WhisperModel

model = WhisperModel("base")
segments, info = model.transcribe("audio.mp3")

# Collect all text
full_text = " ".join([segment.text for segment in segments])
print(full_text)

単語タイムスタンプ付き

from faster_whisper import WhisperModel

model = WhisperModel("base", device="cpu", compute_type="int8")

segments, info = model.transcribe(
    "audio.mp3",
    word_timestamps=True,
    beam_size=5
)

for segment in segments:
    print(f"[{segment.start:.2f}s - {segment.end:.2f}s] {segment.text}")
    
    # Word-level timestamps
    for word in segment.words:
        print(f"  {word.word} [{word.start:.2f}s - {word.end:.2f}s]")

デバイスと compute タイプ

デバイス

  • device="cpu" — CPU 推論（どこでも可）
  • device="cuda" — GPU 推論（NVIDIA GPU と CUDA が必要）

compute タイプ

ハードウェアと速度／精度のトレードオフで選びます。
compute タイプ速度メモリ精度用途
int8最速最小やや低いCPU、省リソース
int8_float16非常に速い小高いVRAM が少ない GPU
float16速い中高いGPU（推奨）
float32最も遅い最大最高最高精度

ハードウェア別の例

CPU（Intel/AMD）：
# Best for CPU: INT8
model = WhisperModel("base", device="cpu", compute_type="int8")
GPU（NVIDIA）：
# Best for GPU: FP16
model = WhisperModel("large-v2", device="cuda", compute_type="float16")
VRAM が限られた GPU：
# Use INT8_FLOAT16 for large models
model = WhisperModel("large-v2", device="cuda", compute_type="int8_float16")
最高精度：
# Use FP32 (slower but most accurate)
model = WhisperModel("large-v2", device="cuda", compute_type="float32")

高度な機能

1. バッチ処理

複数の音声ファイルを効率よく処理します。
from faster_whisper import WhisperModel
from pathlib import Path

model = WhisperModel("base", device="cuda", compute_type="float16")

audio_files = ["audio1.mp3", "audio2.mp3", "audio3.mp3"]

for audio_file in audio_files:
    print(f"Transcribing: {audio_file}")
    segments, info = model.transcribe(audio_file)
    
    text = " ".join([seg.text for seg in segments])
    print(f"Result: {text[:100]}...")
    print()

2. 音声活動検出（VAD）

無音や非音声区間を除きます。
from faster_whisper import WhisperModel

model = WhisperModel("base")

segments, info = model.transcribe(
    "audio.mp3",
    vad_filter=True,  # Enable VAD filtering
    vad_parameters=dict(
        min_silence_duration_ms=500,  # Minimum silence duration
        threshold=0.5  # VAD threshold
    )
)

for segment in segments:
    print(f"[{segment.start:.2f}s] {segment.text}")

3. 言語の指定

精度と速度を上げるために言語を指定します。
from faster_whisper import WhisperModel

model = WhisperModel("base")

# Specify language (faster and more accurate)
segments, info = model.transcribe(
    "audio.mp3",
    language="en"  # English
)

# Or let it auto-detect
segments, info = model.transcribe("audio.mp3")  # Auto-detect
print(f"Detected: {info.language}")

4. ビームサイズなどのパラメータ

from faster_whisper import WhisperModel

model = WhisperModel("base")

segments, info = model.transcribe(
    "audio.mp3",
    beam_size=5,  # Higher = more accurate but slower (default: 5)
    best_of=5,    # Number of candidates to consider
    temperature=0.0,  # Lower = more deterministic
    condition_on_previous_text=True,  # Use context from previous segments
    initial_prompt="This is a technical meeting about AI and machine learning."
)

5. カスタムモデルパス

ローカルや変換済みモデルを使います。
from faster_whisper import WhisperModel

# Use local model directory
model = WhisperModel(
    "base",
    device="cpu",
    compute_type="int8",
    download_root="./models"  # Custom download directory
)

# Or specify full path to converted model
model = WhisperModel(
    "/path/to/converted/model",
    device="cuda",
    compute_type="float16"
)

ベンチマーク

GPU（NVIDIA RTX 3070 Ti）

約 13 分の音声を文字起こし：
構成時間VRAM 使用量高速化
OpenAI Whisper (FP16, beam=5)~2m 23s~4708 MB基準
Faster-whisper (FP16, beam=5)~1m 03s~4525 MB2.3× 高速
Faster-whisper (INT8, beam=5)~59s~2926 MB2.4× 高速
Faster-whisper (FP16, batch=8)~17s~6090 MB8.4× 高速
Faster-whisper (INT8, batch=8)~16s~4500 MB8.9× 高速

CPU（Intel Core i7-12700K）

構成時間RAM 使用量高速化
OpenAI Whisper (FP32, beam=5)~6m 58s~2335 MB基準
Faster-whisper (FP32, beam=5)~2m 37s~2257 MB2.7× 高速
Faster-whisper (INT8, beam=5)~1m 42s~1477 MB4.1× 高速
Faster-whisper (FP32, batch=8)~1m 06s~4230 MB6.3× 高速
Faster-whisper (INT8, batch=8)~51s~3608 MB8.2× 高速

要点

  • バッチ処理 が最も効く（GPU で 8 倍以上）
  • INT8 量子化 でメモリ約 40% 削減、精度低下は小さい
  • 大モデル／バッチでは GPU 加速 が重要
  • 小モデル・単一ファイルなら CPU + INT8 も実用的

完全例：本番向け文字起こし

from faster_whisper import WhisperModel
from pathlib import Path
import json
from datetime import datetime

class TranscriptionService:
    """Production-ready transcription service using faster-whisper."""
    
    def __init__(self, model_size="base", device="cpu", compute_type="int8"):
        """Initialize the transcription service."""
        print(f"Loading model: {model_size} on {device} ({compute_type})")
        self.model = WhisperModel(
            model_size,
            device=device,
            compute_type=compute_type
        )
        print("Model loaded successfully!")
    
    def transcribe_file(self, audio_path, output_format="txt", **kwargs):
        """
        Transcribe an audio file.
        
        Args:
            audio_path: Path to audio file
            output_format: Output format (txt, json, srt, vtt)
            **kwargs: Additional transcription parameters
        """
        audio_path = Path(audio_path)
        if not audio_path.exists():
            raise FileNotFoundError(f"Audio file not found: {audio_path}")
        
        print(f"Transcribing: {audio_path.name}")
        
        # Transcribe
        segments, info = self.model.transcribe(
            str(audio_path),
            word_timestamps=True,
            **kwargs
        )
        
        # Collect results
        result = {
            "file": str(audio_path),
            "language": info.language,
            "language_probability": info.language_probability,
            "duration": info.duration,
            "segments": []
        }
        
        full_text_parts = []
        for segment in segments:
            segment_data = {
                "start": segment.start,
                "end": segment.end,
                "text": segment.text,
                "words": [
                    {
                        "word": word.word,
                        "start": word.start,
                        "end": word.end,
                        "probability": word.probability
                    }
                    for word in segment.words
                ]
            }
            result["segments"].append(segment_data)
            full_text_parts.append(segment.text)
        
        result["text"] = " ".join(full_text_parts)
        
        # Save based on format
        output_path = audio_path.parent / f"{audio_path.stem}_transcript"
        
        if output_format == "txt":
            self._save_txt(result, output_path.with_suffix(".txt"))
        elif output_format == "json":
            self._save_json(result, output_path.with_suffix(".json"))
        elif output_format == "srt":
            self._save_srt(result, output_path.with_suffix(".srt"))
        elif output_format == "vtt":
            self._save_vtt(result, output_path.with_suffix(".vtt"))
        
        print(f"✓ Transcription saved: {output_path}.{output_format}")
        return result
    
    def _save_txt(self, result, path):
        """Save as plain text."""
        with open(path, "w", encoding="utf-8") as f:
            f.write(result["text"])
    
    def _save_json(self, result, path):
        """Save as JSON."""
        with open(path, "w", encoding="utf-8") as f:
            json.dump(result, f, indent=2, ensure_ascii=False)
    
    def _save_srt(self, result, path):
        """Save as SRT subtitles."""
        with open(path, "w", encoding="utf-8") as f:
            for i, seg in enumerate(result["segments"], start=1):
                start = self._format_srt_time(seg["start"])
                end = self._format_srt_time(seg["end"])
                f.write(f"{i}\n{start} --> {end}\n{seg['text']}\n\n")
    
    def _save_vtt(self, result, path):
        """Save as WebVTT."""
        with open(path, "w", encoding="utf-8") as f:
            f.write("WEBVTT\n\n")
            for seg in result["segments"]:
                start = self._format_vtt_time(seg["start"])
                end = self._format_vtt_time(seg["end"])
                f.write(f"{start} --> {end}\n{seg['text']}\n\n")
    
    def _format_srt_time(self, seconds):
        """Format time for SRT."""
        hours = int(seconds // 3600)
        minutes = int((seconds % 3600) // 60)
        secs = int(seconds % 60)
        millis = int((seconds % 1) * 1000)
        return f"{hours:02d}:{minutes:02d}:{secs:02d},{millis:03d}"
    
    def _format_vtt_time(self, seconds):
        """Format time for VTT."""
        hours = int(seconds // 3600)
        minutes = int((seconds % 3600) // 60)
        secs = int(seconds % 60)
        millis = int((seconds % 1) * 1000)
        return f"{hours:02d}:{minutes:02d}:{secs:02d}.{millis:03d}"

# Usage
if __name__ == "__main__":
    # Initialize service
    service = TranscriptionService(
        model_size="base",
        device="cpu",  # Change to "cuda" for GPU
        compute_type="int8"  # Use "float16" for GPU
    )
    
    # Transcribe file
    result = service.transcribe_file(
        "meeting.mp3",
        output_format="json",
        beam_size=5,
        language="en"
    )
    
    print(f"\nLanguage: {result['language']}")
    print(f"Duration: {result['duration']:.2f}s")
    print(f"Text: {result['text'][:200]}...")

ベストプラクティス

1. モデルサイズの選び方

# For speed (CPU)
model = WhisperModel("tiny", device="cpu", compute_type="int8")

# For balance
model = WhisperModel("base", device="cpu", compute_type="int8")

# For accuracy (GPU recommended)
model = WhisperModel("large-v2", device="cuda", compute_type="float16")

2. ハードウェアに合わせる

CPU のみ：
model = WhisperModel("base", device="cpu", compute_type="int8")
VRAM に余裕がある GPU：
model = WhisperModel("large-v2", device="cuda", compute_type="float16")
VRAM が少ない GPU：
model = WhisperModel("medium", device="cuda", compute_type="int8_float16")

3. 複数ファイルはバッチで

# Process multiple files efficiently
audio_files = ["file1.mp3", "file2.mp3", "file3.mp3"]
model = WhisperModel("base", device="cuda", compute_type="float16")

for audio_file in audio_files:
    segments, info = model.transcribe(audio_file)
    # Process results...

4. ノイズが多いときは VAD

segments, info = model.transcribe(
    "noisy_audio.mp3",
    vad_filter=True,
    vad_parameters=dict(
        min_silence_duration_ms=1000,
        threshold=0.5
    )
)

5. 言語が分かるときは指定

# Faster and more accurate when language is known
segments, info = model.transcribe(
    "audio.mp3",
    language="en"  # Specify instead of auto-detect
)

6. モデルインスタンスの再利用

# Load model once, reuse for multiple files
model = WhisperModel("base")

# Process multiple files with same model
for audio_file in audio_files:
    segments, info = model.transcribe(audio_file)

OpenAI Whisper からの移行

コード比較

OpenAI Whisper：
import whisper

model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
print(result["text"])
Faster-whisper：
from faster_whisper import WhisperModel

model = WhisperModel("base", device="cpu", compute_type="int8")
segments, info = model.transcribe("audio.mp3")
text = " ".join([seg.text for seg in segments])
print(text)

主な違い

  1. 読み込み： WhisperModel() と whisper.load_model()
  2. 戻り値： タプル (segments, info) と dict
  3. セグメント： オブジェクトのイテレータとリスト
  4. device / compute_type： 明示が必要
  5. 全文： セグメントを結合

移行用ヘルパー

def convert_to_whisper_format(segments, info):
    """Convert faster-whisper output to OpenAI Whisper format."""
    return {
        "text": " ".join([seg.text for seg in segments]),
        "language": info.language,
        "segments": [
            {
                "id": i,
                "start": seg.start,
                "end": seg.end,
                "text": seg.text,
                "words": [
                    {
                        "word": word.word,
                        "start": word.start,
                        "end": word.end
                    }
                    for word in seg.words
                ] if hasattr(seg, 'words') else []
            }
            for i, seg in enumerate(segments)
        ]
    }

# Usage
segments, info = model.transcribe("audio.mp3", word_timestamps=True)
result = convert_to_whisper_format(segments, info)
# Now compatible with OpenAI Whisper format

トラブルシューティング

問題 1：CUDA のメモリ不足

症状： 大きなモデルで GPU メモリが足りない。
対処：
# Use smaller model
model = WhisperModel("base", device="cuda", compute_type="float16")

# Or use INT8 quantization
model = WhisperModel("large-v2", device="cuda", compute_type="int8_float16")

# Or use CPU
model = WhisperModel("large-v2", device="cpu", compute_type="int8")

問題 2：CPU が遅い

症状： CPU 上の文字起こしが遅い。
対処：
# Use INT8 quantization
model = WhisperModel("base", device="cpu", compute_type="int8")

# Use smaller model
model = WhisperModel("tiny", device="cpu", compute_type="int8")

# Reduce beam size
segments, info = model.transcribe("audio.mp3", beam_size=1)

問題 3：CUDA ライブラリが見つからない

症状： RuntimeError: CUDA runtime not found
対処：
# Install CUDA libraries
pip install nvidia-cublas-cu12 nvidia-cudnn-cu12==9.*

# Set library path
export LD_LIBRARY_PATH=$(python3 -c 'import os; import nvidia.cublas.lib; import nvidia.cudnn.lib; print(os.path.dirname(nvidia.cublas.lib.__file__) + ":" + os.path.dirname(nvidia.cudnn.lib.__file__))')

問題 4：モデルダウンロード失敗

症状： タイムアウトや失敗。
対処：
# Specify download directory
model = WhisperModel(
    "base",
    download_root="./models",  # Custom directory
    local_files_only=False
)

# Or download manually from Hugging Face
# Then use local path
model = WhisperModel("/path/to/local/model")

使い分け

Faster-whisper がよいとき

✅ 本番 で速度が必要
✅ バッチ で複数ファイル
✅ リソース制約（INT8）
✅ リアルタイム／準リアルタイム
✅ GPU 加速 あり
✅ メモリ削減 が重要

OpenAI Whisper がよいとき

✅ 既存コードとの 最大互換
✅ ファインチューン済み（統合が簡単）
✅ シンプルな API 志向
✅ OpenAI 側の 実験機能 が先
✅ 学習・開発（ドキュメント／例が多い）

まとめ

Faster-whisper は、同じ精度のまま OpenAI Whisper より大きく高速化できます。設定次第で CPU で 2〜4 倍、バッチ時は GPU で最大約 8 倍 の速度が期待できます。
覚えておくこと：
  • CPU／省リソースは INT8
  • VRAM に余裕があれば GPU は FP16
  • 複数ファイルは バッチ
  • 分かるなら 言語を指定
  • 複数回は モデルを使い回す
プロ向けの音声テキスト化をお探しなら、SayToWords で最適化された AI 文字起こしと複数出力形式をご覧ください。

関連記事

音声認識（スピーチ・トゥ・テキスト）とは？使い方の完全ガイド【初心者向け】

音声認識（スピーチ・トゥ・テキスト）とは？使い方の完全ガイド【初心者向け】

2026-01-19
音声をオンラインでテキスト化する方法：無料で高精度な手法（2026年ガイド）

音声をオンラインでテキスト化する方法：無料で高精度な手法（2026年ガイド）

2026-01-19
STTのための背景ノイズ除去方法：音声テキスト変換向けノイズリダクション完全ガイド

STTのための背景ノイズ除去方法：音声テキスト変換向けノイズリダクション完全ガイド

2026-01-18

今すぐ無料で試す

当社のAI音声・オーディオ／ビデオサービスを今すぐお試しください。高精度な音声文字起こし、多言語翻訳、話者分離に対応するだけでなく、自動動画字幕生成、音声・映像コンテンツのインテリジェント編集、音声と映像を組み合わせた同期解析も実現します。会議記録、ショート動画制作、ポッドキャスト制作など、あらゆるシーンをこれ一つでカバーできます。今すぐ無料トライアルを始めましょう！

はじめる
オーディオツール:MP3からテキストへ音声をテキストに変換音声転写ツール音声をテキストにオンライン無料音声をテキストにオンライン無料音声をテキストにオンライン
音声をオンラインでテキストに音声をテキストに無料音声テキスト変換ツール音声をMP3でテキストに音声をWAVでテキストに音声をテキストに（タイムスタンプ付き）会議向けサウンド→テキストSound to Text Multi Language音声をテキストで字幕にWAVをテキストに変換音声テキスト変換オンライン音声テキスト変換音声テキスト変換MP3をテキストに変換音声録音をテキストに変換オンライン音声入力タイムスタンプ付き音声テキスト変換リアルタイム音声テキスト変換長時間音声テキスト変換動画音声テキスト変換YouTube音声テキスト変換動画編集音声テキスト変換字幕音声テキスト変換ポッドキャスト音声テキスト変換インタビュー音声テキスト変換インタビュー音声をテキストに録音音声テキスト変換会議音声テキスト変換講義音声テキスト変換音声メモテキスト変換多言語音声テキスト変換高精度音声テキスト変換高速音声テキスト変換Premiere Pro音声テキスト変換代替DaVinci音声テキスト変換代替VEED音声テキスト変換代替InVideo音声テキスト変換代替Otter.ai音声テキスト変換代替Descript音声テキスト変換代替Trint音声テキスト変換代替Rev音声テキスト変換代替Sonix音声テキスト変換代替Happy Scribe音声テキスト変換代替Zoom音声テキスト変換代替Google Meet音声テキスト変換代替Microsoft Teams音声テキスト変換代替Fireflies.ai音声テキスト変換代替Fathom音声テキスト変換代替FlexClip音声テキスト変換代替Kapwing音声テキスト変換代替Canva音声テキスト変換代替長時間音声テキスト変換AI音声テキスト変換無料音声テキスト変換広告なし音声テキスト変換ノイズのある音声のテキスト変換時間付き音声テキスト変換音声から字幕を生成ポッドキャスト転写オンライン顧客通話を転写TikTok音声をテキストにTikTok音声をテキストにYouTube音声テキスト変換YouTube音声をテキストに音声メモテキスト変換WhatsApp音声メッセージテキスト変換Telegram音声メッセージテキスト変換Discord通話転写Twitch音声テキスト変換Skype音声テキスト変換Messenger音声テキスト変換LINE音声メッセージテキスト変換Vlog転写テキスト変換説教オーディオテキスト変換音声テキスト変換オーディオテキスト変換音声ノートテキスト変換音声入力会議音声入力YouTube音声入力話して入力ハンズフリー入力音声を文字に音声を単語にオンライン音声テキスト変換Online Transcription Software会議音声テキスト変換高速音声テキスト変換Real Time Speech to TextLive Transcription AppTikTok音声テキスト変換TikTok音声テキスト変換話した言葉を文字に音声をテキストにTalk to Text FreeTalk to Text OnlineTalk to Text for YouTubeTalk to Text for SubtitlesTalk to Text for Content CreatorsTalk to Text for Meetings音声をタイピングに音声をテキストに音声書き込みツール音声書き込みツール音声入力法的転写ツール医療音声入力ツール日本語音声転写韓国語会議転写会議転写ツール会議音声をテキストに講義テキスト変換ツール講義音声をテキストに動画テキスト転写TikTok字幕ジェネレーターコールセンター転写Reels音声テキスト変換ツールMP3をテキストに転写WAVファイルをテキストに転写CapCut音声テキスト変換CapCut音声テキスト変換Voice to Text in English英語音声をテキストにVoice to Text in SpanishVoice to Text in Frenchフランス語音声をテキストにVoice to Text in Germanドイツ語音声をテキストにVoice to Text in Japanese日本語音声をテキストにVoice to Text in Korean韓国語音声をテキストにVoice to Text in PortugueseVoice to Text in ArabicVoice to Text in ChineseVoice to Text in HindiVoice to Text in RussianWeb Voice Typing ToolVoice Typing Website
音声生成ツール:テキスト読み上げ音声生成器
音声合成音声クローニング
ボーカル分離ツール:ボーカル分離ボイス分離ボーカル除去オーディオソース分離
ボーカル分離ボイス分離ボーカル除去オーディオソース分離