MP4をアップロードすればテキストが返ります。内部の音声トラックを処理するので、手で変換したり取り出したりするものはありません。
MP4ファイルには映像のトラックと音声のトラックが入っています。文字起こしとは後者を処理することで、それはファイルを上げた時点で自動的に行われます。
スマートフォン、画面録画のアプリ、ビデオ通話が作るのがこの形式で、だからこそ文字起こしを必要とする人のあいだでいちばんよく見かけます。内部の音声コーデックはAACでもMP3でも、お使いの端末のものなら何でも対応します。
スマートフォンで録ったもの、編集ソフトから書き出したもの、ビデオ通話から落としたもの。
声が複数あるときは、別々に特定します。
読むならDOCXかPDF、字幕なら時間の計算まで済んだSRTかVTTを。
どちらもMP4で書き出します。そのまま上げれば議事メモになります。
講演、授業、インタビューを撮ったものが、そのまま文字起こしできます。
デモやチュートリアルを、書かれた、直せる台本に変えられます。
この3つのどれでビデオ通話を録画してもMP4になり、たいてい良い結果が出ます。各自が自分のマイクで話し、周囲の雑音が少なく、同じ部屋での会議より声の重なりが少ないからです。録画が話者ごとのトラックを保っていれば、話者の特定はとりわけ正確になります。
目につくのは大きさだけです。高画質の1時間の会議なら2〜3ギガバイトになることもあり、その重さはすべて映像のぶんです。50GBまでならそのまま上げられますし、先に音声を取り出して50MBほどに減らすこともできます。
同じようによく動きますし、思っているより多い使い方です。スマートフォンで撮ったインタビュー、証言、講義まるごと。向きや解像度は結果に影響しません。映像は処理に入らないからです。大事なのはマイクの位置です。
ここでは、どんな設定よりも効く助言が1つあります。スマートフォンで会話を録るときは、机の真ん中ではなく、話している人のそばに置いてください。この差は、この画面のどの設定より結果を左右します。
アップロードすれば、タイムスタンプ付きで、話者ごとに分かれ、要約の付いたテキストが手に入ります。始めるのにアカウントは要りません。