文字起こし検索 — 発言内容で動画クリップを検索

任意の動画フォルダを追加してください — 内蔵ドライブ、外付けSSD、またはプロジェクトダンプ。ClipCatalogが自動的にスキャンし、すべての対応動画ファイルを検出します。

ClipCatalog はオーディオを抽出し、ローカルマシン上で Whisper 文字起こしを実行します。ハードウェアが対応している場合、Vulkan による GPU アクセラレーションが利用可能です。対応していない場合は自動的に CPU にフォールバックします。

任意の単語を入力すると、一致するクリップがClipCatalogに表示されます。文字起こしされた単語と、検出されたコンテンツ、顔フィルター、日付範囲などを組み合わせて、必要な情報を正確に絞り込みます。

発話された単語を検索して、その単語が話されたクリップを見つけます。

検出された言語でフィルタリング — ライブラリに複数の言語の映像が含まれており、特定の言語のみに絞り込みたい場合に便利です。

最小/最大の音声比率を設定し、「主に会話」クリップ（インタビュー、ナレーション）または「主に無音」クリップ（環境音、風景のBロール）を検出します。

複数の撮影日にわたる20時間のインタビュー映像があります。全てを再視聴する代わりに、必要なトピックやキーワード（幼少期、最初の仕事、転機など）を検索し、ストーリー構成に重要な場面に直接ジャンプしましょう。

クライアントは、LinkedIn向けのローンチについてCEOが語る15秒のクリップを求めています。フル動画を探し回る代わりに、いくつかのキーワードを音声検索し、該当するクリップを直接抽出してください。

2時間のストリーミングを録画し、クリップに最適な瞬間を見つけたい場合。キーワードや記憶に残る反応を検索し、一致する箇所をプレビューしてクリップをエクスポートできます。録画全体を手動でスクラブする必要はありません。

アクセシビリティやプラットフォーム要件のためにSRTファイルが必要ですか？ ClipCatalogはインデックス作成の一環として文字起こしを行うため、字幕ファイルを直接エクスポートできます。別途文字起こし作業やサードパーティサービスは不要です。

カメラに向かって話す人々の映像——インタビュー、トークヘッド、会話。インタビューの抜粋やAロールを見つけるのに最適。

話者が映っていない音声——ナレーション、Bロール映像への解説、チュートリアル音声。ナレーショントラックを映像コンテンツから分離するのに有用。

音声がほとんどない、あるいは全くない映像素材——風景、Bロール、設定ショット、環境音クリップ。対話のない映像が必要な際に、これらの素材をフィルタリングしてください。

いいえ — ClipCatalog は音声認識を完全にローカルの Whisper エンジンを使用して、お使いのコンピューター上で実行します。音声ファイルや動画ファイルがクラウドサービスにアップロードされることは一切ありません。

まだです。ClipCatalog は文字起こしされた単語（単一の話し言葉）を検索対象とし、正確なフレーズや順序付き引用は対象外です。

ClipCatalogは、評価の高い音声認識モデル「Whisper」を採用しています。対応言語における明瞭な発話では概ね高い精度を発揮しますが、強いアクセント、背景雑音、複数の話者が同時に話す状況では精度が低下する場合があります。アプリには信頼度の低い結果を抑制する品質管理機能が組み込まれています。

Whisperは多くの言語に対応しています。ClipCatalogが話された言語を自動検出するため、文字起こし言語でライブラリをフィルタリングできます。アプリのUIと検出されたコンテンツは10言語に対応しています。

はい — 文字起こしはプレーンテキストまたはSRT字幕ファイルとしてエクスポートでき、編集ソフトでの使用やYouTubeなどのプラットフォームでの字幕公開にすぐ利用できます。

AIモデルは初回起動時にダウンロードされ、その後はインターネット接続なしで文字起こしと検索がローカルで実行されます。ライセンス認証には時折インターネット接続が必要です。

文字起こし処理は検索のたびに実行されるのではなく、一度限りの処理ステップ中に実行されます。インデックス作成後は検索が瞬時に感じられます。高性能なGPUをお持ちの場合、Vulkanによる高速化された文字起こし処理により処理速度が向上します。

はい。文字起こしされた単語に、検出されたコンテンツ、顔フィルター、日付範囲、フォルダー、カメラのメタデータなどを重ねて表示できます。これらすべてを単一のクエリで実行可能です。各フィルターは結果をさらに絞り込みます。