現代のデジタル時代において、音声や動画の作成と共有はますます一般的になっています。動画チュートリアルを制作したり、会議の記録をアップロードしたり、もしくは個人メディアのコンテンツを作成する場合など、音声や動画に字幕を追加することで、コンテンツのアクセス性が向上し、ユーザー体験が向上します。しかし、手動で字幕を変換・追加する作業は煩雑で時間のかかるタスクです。幸いなことに、現在ではGeminiという強力なAIモデルが登場しました。これにより、音声や動画を簡単にSRT字幕ファイルに変換することができ、完全に無料です！
1. Geminiとは？
Geminiは、テキスト、画像、音声、動画など、さまざまなコンテンツを処理できるマルチファンクションのAIモデルです。多言語（一部のマイナーな言語を含む）をサポートし、優れた音声認識能力を持っています。Geminiの最大の利点は、ウェブ上で無料で使用できることです（唯一の条件は、科学的なインターネット接続が必要なことです）。
2. GeminiでSRT字幕を生成する方法
1. 準備
開始する前に、以下のものが必要です。
- 科学的なインターネット接続ツール（Geminiのウェブサイトにアクセスするため）。
- 変換する音声または動画ファイル（MP3、MP4など、さまざまな形式をサポート）。
- テキストエディター（生成されたSRT字幕ファイルを確認・編集するため）。
2. 使用手順
ステップ1：Geminiウェブサイトにアクセス
Geminiのウェブサイトを開きます：https://aistudio.google.com/app。ログイン後、Geminiの機能を使用するためのシンプルなインターフェースが表示されます。
ステップ2：モデルを選択
画面の右側でモデルを選択します。Gemini 2.0 Flashをお勧めしますが、より正確な変換結果が必要な場合は、「思考プロセス」機能が付いたGemini 2.0 Thinkingモデルを選択することをお勧めします。
ステップ3：指示語を入力し、ファイルをアップロード
以下のような指示語を入力欄に貼り付け、音声または動画ファイルをアップロードします。
私はプロの字幕変換アシスタントです。私の仕事は、提供されたファイルをテキストに変換し、EBU-STL標準に従ったSRT字幕ファイルに変換することです。具体的な要求は以下の通りです。
## 各字幕ブロックは、以下の構造で厳密に出力する必要があります。
[行番号]
[時間行]
[テキスト行]
[空行]
**この構造の説明**
- [行番号]は字幕ブロックの順番番号で、1から増加します（例えば、1、2など）。
- [時間行]はタイムスタンプで、HH:MM:SS,FFF → HH:MM:SS,FFFの形式です（FFFは3桁のミリ秒を表し、000～999の範囲です）。正確な時間を計算できない場合は、音声コンテンツに基づいて合理的な推定を行い、時間間隔が論理的に妥当になるようにしてください。
- [テキスト行]は変換されたテキストの内容です。
- [空行]は字幕ブロックの間の区切りで、各字幕ブロックの後に空行があることを確認してください。
## 制限条件
出力する際は、上記のフォーマットを厳密に遵守し、不要な部分を省略したり、余分なテキストやコメントを追加しないでください。
各字幕ブロックの継続時間は、話す速度や文法に応じて3～15秒の間で自然に分割してください。
それでは、提供されたファイルを変換し、上記の形式で字幕内容を出力してください。ステップ4：変換を待つ
「開始」ボタンをクリックすると、Geminiがファイルの処理を開始します。変換が完了すると、生成されたSRT字幕の内容が表示されます。この内容をコピーして.srtファイルとして保存することで、後で使用することができます。
3. Geminiの強み
1. 多言語対応
Geminiは多言語に対応しているため、マイナーな言語を含むさまざまな言語の音声や動画コンテンツを変換することができます。これは、個人クリエイター、教育者、企業ユーザーにとって非常に便利な機能です。
2. カスタマイズ可能な指示語
カスタマイズ可能な指示語を使用することで、Geminiの出力形式や内容を指定することができます。例えば、字幕を別の言語に翻訳するか、バイリンガル字幕を生成するように指示することができます。
3. 無料で効率的
Geminiは完全に無料のツールで、高品質のSRT字幕ファイルを迅速に生成することができます。個人クリエイター、教育者、企業ユーザーにとって、非常に実用的なソリューションです。
4. Geminiの弱点
Geminiは強力なツールですが、タイムスタンプの正確性にやや問題があります。場合によっては、字幕が音声と同期するようにタイムスタンプを手動で調整する必要があるかもしれません。
この問題を解決するためには、pyVideoTransのような補助ツールを使用することができます。pyVideoTransは、音声の断句カット、変換、字幕生成を自動的に行うことができるオープンソースプロジェクトです。これにより、効率が大幅に向上します。
5. 拡張用途
生成された字幕を他の言語に翻訳する必要がある場合、またはバイリンガル字幕を生成する場合は、指示語に以下の内容を追加することができます。
字幕を英語に翻訳し、バイリンガル字幕を出力してください。これにより、Geminiは2つの言語を含む字幕ファイルを生成し、あなたの多様なニーズに対応することができます。
6. まとめ
Geminiは強力なAIモデルで、音声や動画を簡単にSRT字幕ファイルに変換することができます。多言語に対応し、高度なカスタマイズが可能です。タイムスタンプの正確性にやや問題がありますが、pyVideoTransなどの他のツールと組み合わせることで、簡単に解決できます。無料で効率的な音声認識ツールをお探しの場合、Geminiは試してみる価値があります！
会社名：株式会社Dolphin AI
事業内容：
Dolphin SOE 英語発音評価サービスの開発＆販売
Dolphin Voice 音声対話SaaS Platformの開発＆販売
ドルフィンAIは自社開発のAI技術を持つ研究開発型のハイテク企業です。
独自技術の音声対話意図理解モデル(Dolphin Large Language Models)に基づき、音声認識、音声生成、意味理解、テキスト生成、機械翻訳、声紋認識、その他音声対話のフルチェーン技術を開発し、日本語、英語、中国語、韓国語、フランス語、スペイン語、ロシア語、ドイツ語、チベット語、タイ語、ベトナム語など20以上の言語に対応しています。
また、SaaSやオンプレミスのサービス形態を通じて、教育、医療、金融、その他の分野のお客様に基礎となるAI技術と業界ソリューションを提供しています。
アクセス情報：〒170-0013
東京都豊島区東池袋1-18-1 Hareza Tower 20F
JR山手線・埼京線 池袋駅東口（30番出口）より徒歩4分
東京メトロ丸の内線・副都心線・有楽町線 池袋駅東口（30番出口）より徒歩4分
西武池袋線 池袋駅東口（30番出口）より徒歩4分
東武東上線 池袋駅東口（30番出口）より徒歩4分
電話番号：(+81) 03-6775-4523
メールアドレス：contact@dolphin-ai.jp
