🎙️ Voxtral ⏱ 3 min read 📝 Voxtral Transcribe

📝

スピーカーダイアリゼーションを使用して、13の言語で音声およびビデオファイルを文字起こしします

Voxtral Transcribeは、Mistral AIを使用して音声およびビデオファイルをテキストに変換します。録音をアップロードしてください — ポッドキャスト、インタビュー、会議、ボイスオーバー、または任意のメディアファイル — そしてAIは、オプションのスピーカー識別と単語レベルのタイムスタンプを含む完全なテキストトランスクリプトを生成します。

13の言語をサポートしています：フランス語、英語、スペイン語、アラビア語、ロシア語、日本語、中国語、ドイツ語、ポルトガル語、イタリア語、韓国語、ヒンディー語、オランダ語。言語を手動で設定するか、AIに音声コンテンツから自動的に検出させることができます。

スピーカーダイアリゼーションは、複数の人が話す録音で個々のスピーカーを識別します。有効にすると、トランスクリプトは各セグメントにラベルを付けます — スピーカー1、スピーカー2 — これにより、インタビュー、会議、または対話で誰が何を言ったかを追いやすくなります。単語のタイムスタンプは、各単語に正確なタイミングデータを追加し、字幕作成やテキストとビデオの同期に役立ちます。

コンテキストバイアスを使用すると、AIに誤って聞き取られる可能性のある固有名詞、ブランド名、または専門用語のリストを提供できます。Voxtral、ArtCoreAI、またはドメイン特有の専門用語などの名前を追加すると、AIはそれらの単語の認識精度を向上させます。

受け入れられるフォーマットには、MP3、WAV、M4A、FLAC、OGG、MP4、MOV、およびWebMが含まれます — ファイルごとに最大500MBおよび3時間。波形の視覚化は、提出前にアップロードされた音声の長さとファイル情報を表示します。結果はフォーマットされたテキストとして表示され、ワンクリックでコピーできるボタンがあり、トランスクリプトは後で参照できるように保存されます。

コストは音声の長さに基づいています — 約/bin/bash.003分あたり — これにより、最も手頃な文字起こしオプションの1つとなっています。