リアルタイム文字起こしとは？

リアルタイム文字起こしとは、人が話している最中に、声より数語遅れてテキストが現れる文字起こしです。ライブの音声から小さな単位でテキストが作られ、音が続くにつれて前の言葉が修正されることがあります。会議のライブ字幕がこの方式です。

録音を文字起こしする

音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。

2 GB までのファイル · TXT、MD、DOCX、PDF、SRT、VTT で書き出し · 話者ラベルとタイムスタンプ · 約30言語

要点

素早く応答する必要があるため、それまでに話された言葉しか見えず、続く言葉を使って不明瞭な語を確定することはできません。
途中結果は画面上で変わります。少し前に表示された語が、文が終わると置き換わることがあります。
ライブでは二回目の処理がないため、句読点、名前、数字は、完成したファイルから作る文字起こしより弱いのが普通です。
反対はバッチ文字起こしで、完全な録音を終了後に処理するため、文脈をすべて使えます。
音声は一度途切れると再生し直せないので、ここでは安定した接続と近いマイクがより重要です。

見た目のイメージ

// a stream of partial results as one sentence is spoken
partial  0.8 s  "the meeting"
partial  1.6 s  "the meeting starts at"
partial  2.4 s  "the meeting starts at nine"
final    3.1 s  "The meeting starts at nine."

よくある質問

リアルタイムとバッチの文字起こしの違いは何ですか？

リアルタイムはストリームから話している最中にテキストを表示します。バッチは完成したファイルを後で処理するため、より多くの文脈を使って丁寧な結果が得られます。

ライブのテキストが変わり続けるのはなぜですか？

後の言葉で意味がはっきりすると、システムが初期の推測を修正するためです。途中結果では普通のことで、文が終わると落ち着きます。

ライブの文字起こしは公開できる品質ですか？

下書きとして扱ってください。公開するものは、保存した録音をファイルとして処理し直し、出力を校正します。

すでにある録音を Potok で文字起こしするには？

ボットを開き、音声またはドキュメントとしてファイルを送るか、ボイスメッセージを転送します。2 GBまでのファイルを受け付けます。

ライブの結果を最も良くするものは何ですか？

話者の近くにある良いマイク、少ない背景雑音、そして同時に一人だけが話すことです。

出典

各出典は、記載の日付に手作業で開いて確認しました。ページは変更されることがあるため、細部が重要な場合は出典をご確認ください。

Speech recognition (Wikipedia), Wikipedia · 確認日 2026-10-18
Closed captioning (Wikipedia), Wikipedia · 確認日 2026-10-18

お手持ちの録音で試してみましょう