MP4をドロップするだけでテキストが手に入ります。中の音声トラックをそのまま読み取るので、変換も抽出も追加ソフトも不要です。
MP4は「動画」そのものではなく、映像トラックと音声トラックが入った箱です。文字起こしとは、その音声トラックを読むこと。アップロードした瞬間に、こちら側で処理されます。
すべてのスマホ、画面録画ソフト、会議アプリが書き出す形式なので、ほとんどの方がこのファイルを持ってきます。中身がAAC、MP3、あるいはカメラ独自の形式であっても、問題なく読み取れます。
スマホで撮影したもの、編集ソフトから書き出したもの、会議アプリからダウンロードしたものなど、何でも大丈夫です。
声が複数ある場合は、話者を分けます。
テキストはDOCXかPDFで、字幕は時刻付きのSRTかVTTで出力できます。
MP4で出力されます。そのファイルから議事録までの、最短ルートです。
講演、授業、インタビューをスマホで撮影したものを、ギャラリーから直接取り込めます。
デモやチュートリアルが、編集できる台本のテキストになります。
Zoom、Meet、Teamsは、通話を録画するとMP4で渡してくれます。これは最もきれいに仕上がるファイルの1つです。それぞれの人が自分のマイクで話し、部屋の雑音がなく、対面の会議ほど声が重なりません。トラックを分けて録画していれば、話者分離はほぼ確実に成功します。
意外なのはサイズだけです。高画質で録画した1時間の会議は、映像のせいで簡単に2〜3 GBになりますが、ここでは映像はまったく使いません。そのままアップロードすることもできますし（上限は10 GB）、先に音声を取り出せばファイルは約50 MBになります。
こちらも問題ありません。思っているより一般的で、スマホで撮ったインタビュー、声明、授業まるごとなどがあります。映像は処理に関わらないので、向きも解像度も関係ありません。大切なのは、マイクがどこにあったかだけです。
どんな設定よりも結果が変わるアドバイスを1つ。スマホで会話を録音するなら、テーブルの中央ではなく、話している人の近くに置いてください。半メートルの違いは、ここで選べるどのオプションよりも、文字起こしにはっきり表れます。
アップロードするだけで、タイムスタンプ付きの文字起こし、名前付きで分けられた話者、要点をまとめた要約をお返しします。アカウントなしで始められます。